Про визуализацию данных
#DataViz #HealthTech #ŌURA

В одном из недавних постов Оуры в инсте был любопытный график — сравнение точности классификации фаз сна между нашим кольцом и обычным порошком другими девайсами. Сравнение, бесспорно, в пользу Оуры. Нас недавно в очередной раз тестировали независимые институты и результаты кольца оказались самими близкими к медицинскому стандарту — полисомнографии.

Но сейчас не об этом. На графике с тремя столбцами (он же bar chart), в лучших традициях How To Lie with Statistics, самый маленький столбец визуально отличается от самого большого ровно в два раза. При том, что абсолютное отличие составляет всего 5.4%.

Если бы график строили по всем правилам, со значениями, начинающимися с нуля, то высота первого столбца была бы всего на ~7.5% больше последнего (что, конечно, не так эффективно продается).

Ту же самую информацию можно было бы преподнести корректнее и даже с таким же визуальным вау эффектом. Вместо абсолютных значений качества, взять отклонение от медицинского золотого стандарта — ручной разметки фаз сна. В среднем, когда исследователи вручную размечают PSG данные, коэффициент согласия составляет примерно 80% (то есть одни и те же сегменты/фазы сна специалисты могут разметить по-разному в 20% случаев):

Overall, even the gold-standard PSG is subject to classification errors and inter-scorer differences. There is an average agreement of 80% between human scorers of PSG [source]

Это означает, что гипотетический идеальный Sleep Staging алгоритм может достигнуть максимум 80% точности. Считаем от этого отклонения и получаем, что Oura всего в 3.7% от идеала, в то время как “Wearable 2” нужно добить 9.1% — визуально даже больше, чем двукратное преимущество у кольца.

Про качественные визуализации и грамотное построение графиков есть много годных книг, порекомендую вот эти (осталось только нашим SMM тоже их пролистать):

📕 Storytelling with Data: A Data Visualization Guide for Business Professionals [тык]

📗 How Charts Lie: Getting Smarter about Visual Information [тык]

Открытая лекция
#OTUS

Сегодня вечером в 20:00 по Москве буду рассказывать в Отусе про "Структуру и построение ML команды”. Расскажу, из кого состоит ML/DS команда и как её нормально строить, чтобы нормально было.

Приходите послушать, посмотреть на мемы, и поддержать лайком. Ссылка на мероприятие [тык]. За 5 минут до начала еще скину прямую ссылку на трансляцию.

Открытая лекция
#OTUS

Сегодня снова в 20:00 по Москве проведу открытый урок [тык]. На этот раз будем говорить про карьерные пути в этом нашем дата сайенсе и что должен делать тимлид для развития своей команды.

Ссылку на трансляцию закину в комментарии за 5 минут до начала :)

Dog Poop Compass: Bayesian Analysis of Canine Business
#DataWondering

Как и многие владельцы собак, во время прогулок с Аури я всё время наблюдаю один и тот же ритуал. Перед тем, как приняться за пёсьи дела, он каждый раз много-много раз крутится вокруг своей оси, пока не выстроится поудобнее.

В один прекрасный момент я начал делать скриншоты компаса, чтобы когда-нибудь оценить, а рандомно ли собака усаживается или нет? И вот, спустя много месяцев кропотливого сбора грязных (во всех смыслах этого слова) данных, у меня появился ответ.

Если вам тоже интересно узнать, как при помощи байесовских методов можно отвечать на такие важные жизненные вопросы, то добро пожаловать по ссылке: Dog Poop Compass

P.S. Статью опубликовали в TowardsDataScience! И теперь на меня еще можно подписаться и читать на английском на Substack.