Котятки🐱, Утром читала материал про черри-пикинг: у меня в работе отчет с построением прогнозов, и результат может быть достаточно чувствительным к такому явлению. В статистике и в ML черри-пикинг - это буквально выбор удобного набора данных, который подтверждает определенную гипотезу. Короче, когда все в датасете правда, но это не вся правда🤦‍♀️ В BI чуть сложнее, ведь у нас два уровня манипуляции - датасет и визуализация. С помощью сторителлинга мы, конечно, вряд ли сделаем чистый черри-пикинг, однако простроить анализ так, чтобы отсекать у пользователя возможность формирования каких-то «нежелательных» гипотез - на изи:) Что почитать: 1)Ниже монументальный материал с исследованиями, который раскрывает вопросы: -как оградиться от черри-пикинга при визуализации -как его распознать в датавизе -как создать пространство работы, которое исключит черри-пикинг -как стимулировать критическое мышление юзеров https://dl.acm.org/doi/full/10.1145/3706598.3713385 Материал не в стиле ‘когда графики врут’, а чуть глубже, но про это там тоже есть) Грузился долго, но читать интересно. 2)Статья для легкого чтения с понятийным аппаратом, раскрывающая основные риски: https://statisticseasily.com/cherry-picking/