Data Analyst Professional · Модуль 8 · Урок 28 із 51
Metric tree і декомпозиція результату
Metric tree розкладає outcome на математично узгоджені складові. Воно показує, де шукати внесок у зміну, але саме по собі не доводить, що driver є причиною.
Від outcome до керованих складових
Revenue
= Visitors
× Signup rate
× 7-day activation rate
× 30-day paid conversion
× Average revenue per paid userЦе identity лише тоді, коли всі вузли мають сумісні population, window, grain і denominator. Якщо paid users належать до cohort, а visitors — до calendar month, добуток не відтворить revenue.
Правила якісного metric tree
Branches не дублюють один одного й разом пояснюють parent.
Leaf calculations відтворюють parent у контрольному query.
Команда розуміє, на який driver може вплинути.
Quality, risk і user cost не ховаються поза деревом.
Дві корисні декомпозиції
| Тип | Приклад | Ризик |
|---|---|---|
| Multiplicative funnel | traffic × rates × value | несумісні cohorts/windows |
| Additive segment | revenue = organic + paid + partner | overlap або різні attribution rules |
| Rate identity | rate = numerator / denominator | denominator drift |
| Cost identity | total cost = volume × cost per unit | fixed/variable costs змішані |
Reconciliation у SQL
WITH m AS (
SELECT
SUM(visitors)::numeric AS visitors,
SUM(signups)::numeric AS signups,
SUM(activated_7d)::numeric AS activated,
SUM(paid_30d)::numeric AS paid,
SUM(revenue_uah)::numeric AS revenue
FROM seowork_lab.metric_daily
WHERE metric_date >= DATE '2026-04-01'
AND metric_date < DATE '2026-05-01'
)
SELECT revenue AS observed_revenue,
visitors
* signups / NULLIF(visitors,0)
* activated / NULLIF(signups,0)
* paid / NULLIF(activated,0)
* revenue / NULLIF(paid,0) AS reconstructed_revenue
FROM m;Через algebra ви отримаєте той самий total, якщо scope узгоджений. Для пояснення зміни між періодами зафіксуйте метод contribution analysis: sequential substitution залежить від order, тому порядок треба документувати або застосувати симетричний метод.
Segment mix — окрема гілка
Загальний rate може зрости лише через більшу частку сильного channel, навіть якщо rate кожного channel не змінився. Розділяйте within-segment performance і mix effect; показуйте weights та denominator.
Driver tree ≠ causal DAG
Математичне розкладання outcome не встановлює причинності. Для causal claim потрібні часовий порядок, design, assumptions і перевірка confounding.
Практика
- Намалюйте revenue tree до п’яти leaf metrics.
- Перевірте identity контрольним SQL.
- Додайте additive branch за channel і перевірте суму.
- Порівняйте березень і квітень: volume, rates, value та mix.
- Відокремте diagnostic driver від причинного твердження.
Офіційні джерела
Готовність до тесту
Ви будуєте узгоджене дерево, reconciliates parent з leaves, бачите mix effect і не видаєте математичний driver за доведену причину.
Закріпіть матеріал уроку
Три сценарні питання. Для зарахування уроку потрібно дати щонайменше дві правильні відповіді.