Зачем нужна линеаризация ratio-метрики?

Линеаризация Ratio-Метрик: Математический Фундамент

Это один из самых сложных, но критически важных концептов в продуктовой аналитике и статистике. За мой опыт я видел, как незнание этого приводило к неправильным выводам и ошибочным решениям по продакту.

Основная проблема: Ratio-метрики нелинейны

Структура ratio-метрики: CR = a / b (например, покупки / визиты)

Проблема: эта функция нелинейна. Когда изменяется числитель и знаменатель одновременно, результат меняется непредсказуемо.

Пример проблемы:

• Период 1: 100 покупок из 10 000 визитов = 1%
• Период 2: 200 покупок из 15 000 визитов = 1.33%

Как изменилась CR? На 0.33 процентных пункта. Но сколько это в абсолютном выражении? +33%. И на что это повлияло больше — на рост покупок или падение визитов? Ratio скрывает это.

Зачем нужна линеаризация?

1. Для статистического тестирования

Когда мы проводим A/B тесты и хотим посчитать доверительный интервал для ratio-метрики, стандартная статистика не работает напрямую. CR имеет нелинейное распределение, особенно при малых выборках.

Линеаризация преобразует ratio в линейную комбинацию, которая уже имеет нормальное распределение и позволяет применять стандартные t-тесты.

2. Для правильного расчета дисперсии

Дисперсия ratio-метрики вычисляется сложно:

Var(a/b) ≠ Var(a) / Var(b)

Линеаризация позволяет вычислить дисперсию через компоненты:

Var(a/b) ≈ (δa)² / b² + (δb)² × (a/b²)² - 2×Cov(a,b) × (a/b³)

Это сложно, поэтому используют линеаризацию (разложение Тейлора первого порядка).

3. Для аддитивности результатов

Когда мы аггрегируем данные из разных сегментов:

• Для абсолютных метрик: итог = сумма сегментов ✓
• Для ratio-метрик: итог ≠ средняя ratio сегментов ✗

При линеаризации ситуация улучшается — мы можем складывать линеаризованные компоненты.

Метод линеаризации: Delta Method

Формула (разложение Тейлора):

f(a,b) ≈ f(a₀,b₀) + ∂f/∂a × (a-a₀) + ∂f/∂b × (b-b₀)

Для CR = a/b:

ΔCR ≈ (1/b₀) × Δa - (a₀/b₀²) × Δb

Теперь изменение CR выражено как линейная комбинация изменений числителя и знаменателя.

Практический пример из работы

Проводим A/B тест конверсии:

• Контроль: 1000 конверсий из 100 000 визитов = 1%
• Вариант: 1050 конверсий из 95 000 визитов = 1.105%

Визуально: CR выросла на 0.105 п.п. Но надежен ли результат?

Без линеаризации: вычисляем доверительный интервал сложно, результат может быть смещен

С линеаризацией:

ΔCR ≈ (1/100000) × 50 - (0.01/10000000000) × (-5000)
ΔCR ≈ 0.0005 + 0.0005 = 0.001

Теперь мы видим, что рост CR — это баланс между ростом конверсий и падением трафика.

Где это применяется на практике

A/B тестирование: расчет p-values и доверительных интервалов

Статистический анализ: построение моделей, когда зависимая переменная — ratio

Мониторинг KPI: понимание, какой компонент ratio движет изменения

Финансовая аналитика: маржи, ROI, другие ratio-метрики