Дескриптивный анализ: что это, примеры, пошаговый алгоритм через опрос
Дескриптивным анализом называется описательный метод обработки данных, который показывает «что есть» прямо сейчас. В статье разберем, как его применять для оценивания целевой аудитории и сотрудников. Он работает с результатами анкетирований, сведениями из CRM, HR-выгрузками, но не показывает динамику, корреляции и причины. Он обязателен для понимания текущей ситуации. Если вы хотите представить картину цифрами (не «почему» и не «что будет») — это ваш инструмент. Вы получите четыре бизнес-примера, алгоритм и границы применимости.
Дескриптивный анализ: что это и зачем он бизнесу
Это количественный инструмент, который отражает текущую ситуацию в цифрах: доли довольных, разбивку ответов и т.д. Его также иногда называют описательной статистикой или аналитикой, а также английским термином descriptive research. Он позволяет зафиксировать мгновенную «картину» реальности, например, текущие частоты или пропорции в массиве информации. Этот подход незаменим для первичного ознакомления с положением дел, хотя он и не демонстрирует связи или тенденции наблюдаемых явлений.
Это метод обработки уже собранных данных, а не тип исследования. Вы применяете его к сведениям, которые уже имеются. Он оперирует такими показателями как частота, проценты, межквартильный размах, дисперсия, стандартное отклонение и другими.
Но он не устанавливает причинно-следственные связи. Если вы хотите понять, почему упала вовлеченность или почему покупатели уходят, выбирайте более сложные инструменты (например, A/B-тесты, эконометрика или структурное моделирование).
Тем не менее, такая аналитика служит отправной точкой любого изучения ситуации. Сначала вы смотрите на то, что есть: сколько сотрудников довольны, как расположились оценочные баллы, какая доля промоутеров. Потом на основе этого среза строите гипотезы и проводите дальнейшие исследования. Пропустить шаг фиксации текущей картины — значит гадать, а не анализировать.
Дескриптивный анализ в бизнесе: 4 реальных примера
Результаты анкетирования клиентов после звонка в поддержку, отчет по текучести персонала, изучение лояльности сотрудников — для обработки всего этого применяют описательную статистику. Вы его уже делали, просто не называли этим словом.
Опрос удовлетворенности клиентов (CSAT). Покупателя спрашивают: «Оцените, насколько вы довольны обслуживанием, по шкале от 1 до 5». Компания получает результаты и смотрит: долю поставивших 4 и 5, распределение по вариантам.
Изучение текучести персонала по отделам. Отдел персонала выгружает сведения об уволенных за полгода. Считает: долю уволившихся по каждому отделу, частоту указанных причин ухода. Получаем чистые факты: «в отделе продаж уволилось 25% новичков со стажем до 3 месяцев, а уходят чаще всего из-за несовпадения ожиданий». С этого начинается работа с удержанием.
Анализ рынка перед запуском продукта. Маркетолог опрашивает целевую аудиторию: «Знаете ли вы бренд Х?», «Как часто покупаете в категории Y?». Результат: доля знающих бренд — 34%, большинство покупки совершают 2 раза в месяц. Описание дает точку отсчета: вот где мы сейчас. Без нее любое решение о запуске — гадание.
Индекс лояльности сотрудников (eNPS). Сотрудников спрашивают: «По шкале от 0 до 10, какова вероятность, что вы порекомендуете нашу компанию как место работы?». Компания считает долю промоутеров (9-10), нейтралов (7-8) и критиков (0-6). Вычитает долю критиков из доли промоутеров — получает eNPS. И это уже повод копать глубже — но сам процесс начинается именно после описания.
Собираем данные для описания: три способа
Как получить готовые сведения в рабочих процессах? Есть три основных метода. У каждого — свои плюсы, минусы и сценарии.
Опрос. Самый распространенный источник для бизнеса. Вы спрашиваете одно и то же у сотен или тысяч людей, получаете структурированные сведения. Быстро (1–2 дня), дешево по сравнению с другими инструментами, масштабируемо — можно опросить и 100, и 1000 человек. Главный минус: люди могут отвечать неискренне или не до конца понимать, что от них хотят. Здесь важно правильно составить анкету, чтобы ответы отражали реальность.
Наблюдение. Вы не спрашиваете, а фиксируете реальное поведение людей в естественной или близкой к естественной среде. Примеры: как покупатели перемещаются по магазину, на какие товары дольше смотрят, как сотрудники взаимодействуют с интерфейсом. Плюс: объективность — человек не приукрашивает и не ошибается в воспоминаниях. Минус: требует времени на организацию и фиксацию. Подходит для UX-/CX-исследований, аналитики розничной торговли (ритейла), этнографических методов.
Готовые массивы. Компания уже накопила сведения в процессе работы: история сделок, даты найма и увольнения, частота обращений в поддержку. Плюс: не тратите время на сбор, сведения за длительный период. Минус: вы ограничены тем, что уже записано в системе. Но вы можете внести в рабочую систему (например, CRM) необходимые для исследования поля и зафиксировать в регламентах отдела продаж сбор необходимой информации у клиентов. Так получится готовая база с данными.
| Источник информации | Когда использовать | Пример |
|---|---|---|
| Опрос | Хотите получить сведения от большой выборки быстро, важна структурированность | CSAT, eNPS, изучение вовлеченности, исследование рынка |
| Наблюдение | Хотите зафиксировать реальное поведение, а не мнение | Тепловые карты, UX-наблюдение, тайминг операций |
| Готовая база | Информация уже есть, хотите быстро описать текущую картину | Изучение текучести по отделам, воронка продаж, причины отказа |
Для большинства HR- и маркетинговых задач оптимален онлайн-анкетирование. Почему? Потому что информация приходит уже структурированной: вы получаете таблицу с ответами, где каждый вариант — готовая цифра для расчета распределений и других показателей. Никакой ручной расшифровки.
Пошаговый алгоритм: как провести дескриптивную аналитику данных
Фиксация результатов анкетирования — это 5 шагов. Сформулировать, что именно вы рассматриваете. Определить, кого опрашивать, и собрать сведения. Подготовить собранный материал к обработке. Рассчитать ключевые статистики. Представить результаты.
- Сформулируйте измеримые вопросы для настоящего времени. Вместо «как изменились предпочтения потребителей за прошедший год?» вопросы, начинающиеся со слов «сколько?», «как часто?», «насколько?», «какая доля?». Примеры: «Как клиенты оценивают скорость доставки от 1 до 5?», «Сколько раз за последний месяц клиент обращался в техподдержку?». Чем конкретнее формулировка, тем проще будет обработка.
- Определите выборку и соберите данные. Кого опрашивать? Всех покупателей за последний месяц или тех, кто обращался в службу поддержки? Решите это до старта. Для сбора информации используйте специализированные платформы. «Анкетолог» позволяет за 1–2 дня собрать нужную выборку и сразу увидеть распределения ответов — без Excel и ручных расчетов.
- Подготовьте данные. Вы получили 450 заполненных анкет. Теперь уберите некорректные анкеты: с логическими противоречиями в ответах или заполненные за подозрительно короткое время. Затем убедитесь, что у вас достаточно заполнений для каждого среза (например, по отделам или городам).
- Рассчитайте ключевые статистики. Не обязательно быть аналитиком — платформы делают это автоматически. Главное — знать, какой показатель для чего использовать (об этом — в следующем разделе).
- Опишите результаты. Зафиксируйте, что есть сейчас. «Удовлетворенность сервисом — 4.2 из 5», «45% опрошенных выбирают наш бренд как первый в категории», «медианный срок работы уволившихся — 14 месяцев». Не делайте выводов о динамике — это следующий этап исследования. Сначала просто опишите картину.
Получить правильные данные помогут подобные вопросы, но выбирать их следует в зависимости от задач исследования:
- «Оцените, насколько вы довольны качеством обслуживания (1 — совсем недоволен, 5 — очень доволен)»
- «Как часто за последние 3 месяца вы сталкивались с задержкой доставки? (не сталкивался / 1–2 раза / 3–5 раз / более 5 раз)»
- «Какова вероятность (от 0 до 10), что вы порекомендуете наш сервис коллеге?»
Ключевые показатели дескриптивного анализа: что считать и как понимать
Информация собрана — что теперь с ней делать? Основные показатели закроют 90% задач описательной аналитики. Рассмотрим их ниже.
Распределение частот. Процент ответивших по каждому варианту. Это база статистики. Вы видите не одну цифру, а всю картину: 30% поставили 5, 40% — 4, 20% — 3, 10% — 2 и ниже. Без этого показателя вы не поймете, однородно ли мнение или расколото на два лагеря.
Среднее арифметическое. Складываете все числа и делите на количество ответов. Работает при симметричном разбросе: например, респонденты поставили 2, 3, 4, 5 и еще раз 5 → среднее 3.8. Главная опасность — выбросы (значения, сильно отличающиеся от основной массы чисел). Например, 90 человек поставили 5 баллов, а 10 человек — 1 балл. Среднее арифметическое — 4.6, что является вроде и хорошим показателем, но по факту десятая часть клиентов крайне недовольна. Где применять: симметричные шкалы 1–5, CSAT, оценки характеристик продукта.
Медиана. Срединное значение в упорядоченном ряду. Если у вас 100 оценок, медиана — среднее между 50-й и 51-й. Устойчива к выбросам. Проверим на крайнем случае: 99 оценок «1» и одна «10» — медиана равняется 1. Где применять: зарплаты, сроки, eNPS.
Мода. Самое часто встречающееся значение. Если 60% сотрудников выбрали вариант «частично доволен» — это мода. Показывает типичный ответ, не чувствительна к их количеству. Где применять: частотные вопросы («как часто: часто / иногда / редко»).
Когда какой показатель смотреть — в таблице:
| Показатель | Когда применять | Осторожно |
| Среднее арифметическое | Симметричные распределения, шкалы 1–5 | Чувствительно к выбросам |
| Медиана | Асимметричные данные, зарплаты, сроки | — |
| Мода | Частотные вопросы | — |
| Распределение частот | Всегда, особенно при разбросе мнений | — |
Представим: вы провели опрос вовлеченности 200 сотрудников. Оценивалось по шкале от 1 до 10. 30% поставили 9–10, 40% — 7–8, 30% — 6 и ниже. Раскол: треть довольна, треть недовольна, треть в середине. При этом среднее арифметическое 6.8 сглаживает картину. Медиана 7 точнее отражает «типичного» сотрудника. Мода 8 говорит, что самый частый ответ — «скорее доволен». Главный вывод: среднего недостаточно — смотрите распределение.
«Анкетолог» автоматически дает готовую аналитику.
Когда описательный метод не подходит и что использовать вместо него
Такой метод не подходит в трех ситуациях: когда вы хотите объяснить причины, выявить динамику, установить связи между переменными.
1. Вы не знаете, какие переменные важны. Вы только начинаете исследовать новую область. Нет гипотез, нет анкет. Если вы не знаете, что измерять, — сначала разведочное исследование: глубинные интервью, фокус-группы, изучение открытых ответов в старых анкетах. Это поможет сформулировать гипотезы.
2. Объяснение причин. Для этого используется каузальная аналитика: эксперименты, регрессионные модели. Пример: вы изменили программу адаптации новичков и хотите понять, повлияло ли это на текучесть. Без каузального метода вы не докажете причину — будете гадать.
3. Динамика изменений. Разовое анкетирование дает срез на момент измерения. «В апреле вовлеченность — 68%» — это факт. Но как она менялась с января по апрель? Для трендов применяют временные ряды: сравнение периодов, расчет темпов роста.
Связи между переменными. Для этого используют корреляционную (начинается с расчета коэффициента корреляции) или регрессионную аналитику (если нужно предсказывать).
| Ситуация | Дескриптивный анализ | Что использовать вместо |
| Объяснение причин | ❌ не подходит | Каузальный |
| Динамика | ❌ не подходит (только срез) | Временные ряды, сравнение периодов |
| Связи между переменными | ❌ не подходит | Корреляционный / регрессионный |
| Описание текущей картины | ✅ идеально | — |
| Фундамент для гипотез | ✅ идеально (после разведочного) | — |
Ответы на часто задаваемые вопросы
«Почему анализ называется дескриптивным?»
Называется он так потому, что его основная цель — описание (от лат. descriptio — описание) свойств и наблюдаемой информации без построения вероятностных моделей. Таким образом, название подчеркивает его описательную, а не объяснительную или прогностическую функцию.
«Дескриптивный анализ — это то же самое, что описательная статистика?»
В строгом смысле, описательная статистика — это математический инструментарий. Дескриптивный анализ — его применение к конкретным бизнес-задачам. Но в практическом контексте оба термина, а также англоязычный descriptive research, используются как синонимы.
«Метод показывает, как менялись данные со временем?»
Нет, только срез на момент измерения. «В апреле наш рейтинг 4.2» — это факт, но он не скажет, росла она или падала с января. Для динамики используют временные ряды: сравните апрель с мартом, посчитайте темп роста. Описательный метод отвечает на вопрос «что сейчас», а не «как менялось».
«В чем разница между дескриптивным и корреляционным анализом?»
Особенность дескриптивного в том, что он показывает одну переменную: долю довольных, распределение оценок и т.д. и отвечает на вопрос «что с каждой переменной по отдельности». Корреляционный ищет связь между переменными: например, связан ли стаж работы с ее удовлетворенностью.
Начинайте исследования с «Анкетологом»
Описание — первый шаг любой работы с данными. Без него вы строите гипотезы на пустом месте. Он не заменяет каузальные или корреляционные методы — но они не работают без него.
Для дескриптивного анализа не обязательно являться аналитиком. «Анкетолог» собирает ответы и автоматически показывает распределения, доли — вы сразу видите картину без Excel и ручных расчетов.
