Логарифм для аналитика: где он спасает отчет, а где его ломает

Модель прогноза выручки занижала цифры вдвое из-за ошибки в одной строке — неправильного использования np.exp() вместо обратного преобразования логарифмов. Статья разбирает этот кейс и объясняет, почему логарифмическое преобразование широко применяется в аналитике: для декомпозиции роста (отделение тренда от сезонности), расчета эластичности (как изменение фактора влияет на целевую переменную), проведения A/B-тестов и использования поправки Дуана для несмещенных оценок. Материал содержит код на Python и числовые примеры.

Особое внимание уделяется подводным камням: неправильная обратная трансформация может привести к катастрофическим ошибкам в прогнозах. Для аналитиков киноиндустрии это означает, что при работе с кассовыми сборами, зрительской активностью или ценами на билеты необходимо строго следить за математикой. Статья будет полезна всем, кто использует логарифмические модели в отчетах. Полный набор примеров и объяснений — в исходном тексте на Хабре.