سلامت و کیفیت داده‌ها

یکی از سوال‌های رایج هنگام کار با ابزارهای تحلیلی این است که چرا اعداد نمایش‌داده‌شده در شاهین ممکن است با ابزارهای دیگر (مانند Google Analytics) دقیقا یکسان نباشد.

در بیشتر موارد، این اختلاف نشانه خطا نیست، بلکه نتیجه تفاوت در تعریف، زمان‌بندی یا روش پردازش داده‌هاست. در ادامه مهم‌ترین دلایل این تفاوت‌ها را توضیح می‌دهیم.

اولین و رایج‌ترین دلیل اختلاف داده‌ها، تعاریف متفاوت متریک‌ها در پلتفرم‌های تحلیلی است.

در چنین حالتی عددها ممکن است شبیه به هم باشند، اما چون «آنچه اندازه‌گیری می‌شود» یکسان نیست، انتظار برابری ۱۰۰٪ منطقی نیست.

داده‌ها همیشه در یک بازه زمانی مشخص معنا پیدا می‌کنند. اختلاف ممکن است به دلیل متفاوت بودن Time Zone پروژه‌ها، یا اختلاف چند ثانیه‌ای تا چند دقیقه‌ای در زمان ثبت و پردازش رویدادها رخ بدهد.

حتی اگر بازه تاریخی یکسانی انتخاب شود، تفاوت در زمان شروع/پایان روز یا تاخیر پردازش (Processing Delay) می‌تواند باعث اختلاف جزئی در اعداد شود.

ابزارهای تحلیلی معمولا به اجرای موفق اسکریپت در مرورگر کاربر وابسته‌اند. در برخی شرایط — مشکل شبکه یا اینترنت کاربر، قطع‌شدن درخواست‌ها، یا محدودیت‌های مرورگر — ممکن است داده به یک پلتفرم ارسال شود اما به پلتفرم دیگر نرسد (یا برعکس).

این نوع اختلاف‌ها معمولا پراکنده و غیرقابل پیش‌بینی هستند.

برخی متریک‌ها — به‌خصوص یونیک یوزرها — ذاتا قابل محاسبه ۱۰۰٪ دقیق نیستند. به همین دلیل، بسیاری از پلتفرم‌های تحلیلی (از جمله شاهین و ابزارهای مطرح دیگر) از الگوریتم‌های تخمینی مانند HyperLogLog استفاده می‌کنند.

ویژگی این الگوریتم‌ها:

• مصرف منابع کمتر،
• مقیاس‌پذیری بالا،
• دقت حدود ۹۰ تا ۹۵ درصد.

در نتیجه، اختلاف جزئی در این نوع متریک‌ها طبیعی و قابل انتظار است.