Nivel 2 · ¿Qué tan profundo navegan los visitantes?

Qué muestra un histograma

Un histograma divide una columna numérica en rangos iguales y dibuja una barra por rango, tan alta como la cantidad de valores que contiene. Para las páginas vistas, cada rango es un único número de páginas, así que la primera barra es “sesiones que vieron 1 página”, la siguiente “2 páginas”, y así sucesivamente. Leer uno se reduce a tres preguntas: dónde está el pico, qué tan amplia es la dispersión y si un lado es más largo que el otro.

web_sessions["pages_viewed"].value_counts().sort_index().head()

1    17405
2     4932
3     3635
4     3003
5     2368

Sesgo y media

Cuando la cola se estira hacia la derecha, la distribución está sesgada a la derecha. La cola larga jala la media hacia ella, mientras la mediana se queda con el grueso de los datos:

pages = web_sessions["pages_viewed"]
pages.mean(), pages.median(), pages.skew()   # 3.66, 2.0, 2.35

En una columna sesgada a la derecha la media está por encima de la mediana; en una sesgada a la izquierda (rara en datos de negocio, por ejemplo los días hasta una fecha de vencimiento) está por debajo. Cuanto mayor la brecha, menos describe la media un valor típico.

Los picos cuentan una segunda historia

Una sola barra mucho más alta que sus vecinas suele significar que hay otro proceso mezclado. Aquí son los rebotes: visitantes que llegan a una página y se van. Son el 43.5% de todas las sesiones. Mezclar a quienes rebotan con quienes navegan en un solo promedio no describe a ninguno de los dos grupos. Sepáralos y cada uno recibe un número útil:

(pages == 1).mean()          # 0.435 bounce rate
pages[pages > 1].median()    # 4.0 pages for visits that go past the first page

La curva normal no es la norma

Muchas lecciones de estadística empiezan con la distribución normal en forma de campana, donde la media y la mediana coinciden y cerca del 95% de los valores queda a dos desviaciones estándar de la media. Los conteos, el dinero y las duraciones en datos de negocio rara vez se ven así. Una prueba rápida: si la media menos dos desviaciones estándar es imposible (un conteo de páginas negativo, un precio negativo), los datos no son normales, y las reglas basadas en esa forma no aplican.

Errores comunes

• Reportar la media sin mirar la forma. Grafica siempre primero el histograma.
• Ignorar un pico. Una barra alta en 0, en 1 o en un número redondo suele ser un comportamiento aparte (rebotes, valores por defecto, pedidos gratis) que merece su propio análisis.
• Llamar “errores” a la cola. Las colas largas son normales en datos de negocio. Quita un valor solo cuando sepas que está mal, no porque sea grande.