Построение корреляции в PowerBI. Часть 2

Записаться

Подготовка и настройка визуализации

Мы установили пакет. Это можно было сделать альтернативной командой InstallPackages (установка пакетов); она также сработала. Проверить загрузку пакета можно командой library (библиотека). Пакет загружается, значит, всё должно работать.

Для проверки удалим компоненту и запустим её снова. В Values (значения) добавляем Net Sales (NL Sales), годовые продажи, Количество сотрудников и SquareFit. Появляется график корреляции. Фильтры закрываем, окно визуализации немного сокращаем. Раскрываем Параметры отображения графика и делаем ячейки квадратными.

Чтение корреляционной матрицы

Наводим порядок, чтобы график было удобно читать. Уровень (level) отображается хорошо. В параметрах проверяем, что нет суммирования. Переходим в полноэкранный режим. На графике корреляции видим густо-синий цвет. Справа есть подсказка: чем ближе корреляция к 1, тем густее синий цвет; около 0 цвет белый; при -1 — глубокий красный.

Корреляция находится в интервале от -1 до 1. Если она равна -1, наблюдается строго обратно пропорциональная зависимость: чем меньше одна величина, тем больше вторая. Если корреляция близка к 1, зависимость прямая: с ростом одного параметра растёт и второй.

Важно: коэффициент корреляции описывает линейную зависимость. При сложных зависимостях — экспоненциальных и других — корреляция может быть низкой или отсутствовать, хотя взаимосвязь есть, просто она нелинейная. Для линейной связи корреляционный анализ хорошо показывает, какие две величины и как связаны.

Шкала: значения в районе 0 и до 0,4 — незначительная корреляция, её можно не учитывать; от 0,4 до 0,6–0,7 — на корреляцию можно присмотреться; от 0,8 и выше — ярко выраженная линейная зависимость.

Интерпретация примера

По диагонали стоят единицы: это взаимосвязь фактора с самим собой. Чем больше фактор, тем больше он становится, поэтому корреляция с самим собой равна 1.

Смотрим дальше: взаимосвязь годовых продаж с числом сотрудников — 0,954, с площадью помещения — 0,997, то есть почти единица. Значит, продажи, площадь помещения и количество сотрудников находятся в прямой зависимости друг от друга. Для нашего магазина это означает: имеет смысл рассмотреть расширение площадей — это может положительно влиять на продажи.

Но делать такой вывод сразу нельзя. Нужно учитывать затраты: постоянные и переменные издержки на каждый лишний квадратный метр. Если помещение арендуется, растёт аренда; если покупается — возникает крупный единовременный платёж, который не факт, что окупится в обозримые сроки. Также растут расходы на электричество и другие коммунальные платежи. При росте числа сотрудников увеличиваются расходы на заработную плату и другие выплаты персоналу, например ДМС, а также налоговые отчисления из-за роста персонала и площадей.

Значит, нужно оценить, каким будет денежный прирост по сравнению с издержками на каждый лишний квадратный метр или сотрудника. Это предмет отдельного анализа. Но уже по наблюдаемой картине можно заключить: имеет смысл рассмотреть кейс расширения магазина или увеличения числа сотрудников — это позволит увеличить годовые продажи.

Переход к кластеризации

Теперь вернёмся к отчёту и откроем новую страницу. Сделаем задачу кластеризации. Это следующий тип задачи — выявление устойчивой группы внутри данных. Сейчас мы это проделаем.

Краткие итоги

Корреляционный анализ в аналитической работе выполняет роль первичной разведки данных. Он позволяет быстро увидеть, какие показатели движутся согласованно, и сузить поле для дальнейших гипотез. Однако высокая связь лишь указывает на совместную линейную изменчивость. Поэтому решение, например расширение площади или увеличение штата, нельзя принимать только по коэффициенту. Нужно сопоставлять ожидаемый прирост продаж с дополнительными постоянными и переменными издержками, включая аренду, коммунальные платежи, оплату труда, налоги и расходы на персонал. Это превращает корреляцию из технического показателя в инструмент экономической оценки.

Далее важно учитывать ограничение метода: он чувствителен именно к линейной зависимости. Если связь нелинейна, коэффициент может быть низким, хотя взаимосвязь существует. Поэтому низкая корреляция не всегда означает отсутствие влияния. Практическая ценность возникает при сочетании матрицы, визуального анализа и проверки порогов: слабые значения можно отбросить, средние — изучить, высокие — проверить на устойчивость и экономический смысл. Диагональ матрицы с единицами напоминает, что показатель всегда связан сам с собой, и служит ориентиром для чтения.

После выявления связей логично перейти к кластеризации: она помогает найти устойчивые группы внутри данных, которые могут вести себя по-разному. Такой переход отражает общую логику анализа: сначала увидеть связи, затем выделить однородные объекты, а уже потом строить более точные решения. В прикладном смысле это означает, что корреляция подготавливает почву для кластеризации, а кластеризация — для адресных управленческих действий. Главный практический вывод: аналитический результат становится ценным не сам по себе, а через связку с затратами, ограничениями и последующими задачами.