Exemple fictif : 60 secondes ou 40 secondes
Dans un même périmètre, 6000 secondes d’engagement sont enregistrées pour 100 utilisateurs actifs et 150 sessions. La moyenne par utilisateur actif vaut 60 secondes ; la moyenne par session vaut 40 secondes. Les libellés et dénominateurs doivent accompagner le chiffre.
| Mesure fictive | Valeur | Dénominateur ou unité |
|---|---|---|
| Temps total enregistré | 6000 | Secondes. |
| Utilisateurs actifs | 100 | Sur toute la période. |
| Sessions | 150 | Même périmètre de mesure. |
| Moyenne par utilisateur actif | 60 | 6000 / 100, en secondes. |
| Moyenne par session | 40 | 6000 / 150, en secondes. |
Éviter les comparaisons trompeuses
- Distinguez temps d’engagement, durée écoulée et nombre de sessions. Un onglet au premier plan ne prouve pas que la personne lit ou comprend.
- Ne faites pas une moyenne simple des moyennes quotidiennes : les utilisateurs peuvent revenir plusieurs jours. Recalculez avec les totaux et le bon dénominateur sur toute la période.
- Documentez collecte, filtres, appareils et contexte du parcours. Vérifiez les données manquantes avant d’interpréter un temps nul ou très court.
Améliorer la tâche plutôt que prolonger l’attente
Pour une information pratique, moins de temps peut signifier une réponse plus facile à trouver ; pour une démarche, plus de temps peut signaler une difficulté. Croisez durée, achèvement, erreurs et recherche utilisateur. N’ajoutez ni étapes ni interactions artificielles pour augmenter une moyenne.
Références primaires
Données manquantes : distinguer absence, zéro et estimation
Éviter qu’un remplacement silencieux des valeurs absentes change le sens des indicateurs.
- Cause et règle de traitement
- Population, compte et unités
- Méthode, version et sensibilité
Cas de recette à reproduire
Exemple fictif : ces données ne décrivent aucun client ni résultat réel.
Voir les données du cas
{
"values": [
10,
null,
0
],
"observed_count": 2,
"mean_observed": 5,
"mean_if_missing_replaced_with_zero": 3.3333333333,
"extended_sample": {
"values": [
10,
null,
0,
20,
null,
30
],
"known_count": 4,
"expected_count": 6,
"known_sum": 60,
"mean_observed": 15,
"mean_after_zero_fill": 10
},
"missing_only_sample": {
"values": [
null,
null
],
"known_count": 0,
"mean_observed": null
}
}Décision attendue
La moyenne des deux valeurs observées est 5. Remplacer l’absence par zéro modifie la population et le résultat.
Même jeu, deux moyennes : rendre la règle visible
Jeu fictif : [10, absence, 0, 20, absence, 30]. Quatre valeurs connues sur six observations attendues ; somme connue : 60. Le zéro présent est une valeur observée.
| Traitement | Calcul de moyenne | Interprétation |
|---|---|---|
| Valeurs connues seulement | 60 ÷ 4 = 15 | La moyenne décrit les quatre valeurs connues. Elle ne prouve pas que les deux absences auraient la même distribution. |
| Absences remplacées par zéro | 60 ÷ 6 = 10 | Deux zéros ont été ajoutés par une règle, pas observés. Cette moyenne répond à une autre question ; justifiez la règle avant de comparer les résultats. |
| Autre jeu : [absence, absence] | Non calculable | Aucune valeur connue : afficher un état indisponible. Une moyenne de zéro ferait croire à une observation qui n’existe pas. |
Procédure de vérification
- Distinguez valeur absente, zéro et valeur estimée.
- Calculez la moyenne avant et après exclusion des absences.
- Conservez effectifs et règle de traitement par variable. Rejouez aussi un groupe entièrement sans valeur et vérifiez qu’il n’est pas présenté comme une mesure nulle sans règle explicite.
Faut-il remplacer les absences par zéro ?
Seulement si la définition métier démontre qu’absence signifie réellement zéro. Sinon cela modifie le sens du résultat.
Référence primaire : pandas — Working with missing data. Méthode connexe : consulter le guide pratique.