[[392113]]

做一份客觀的數(shù)據(jù)應(yīng)該規(guī)避的常見數(shù)據(jù)分析誤區(qū)：

1、數(shù)據(jù)一定客觀

其實數(shù)據(jù)也會騙人，舉個例子，二戰(zhàn)時英軍發(fā)現(xiàn)從戰(zhàn)場飛回來的戰(zhàn)機，機身上的彈孔比引擎和油箱上的要多得多，根據(jù)這個數(shù)據(jù)很容易得出要加強機身的防護的建議。但事實的真相是引擎和油箱上中彈的飛機已經(jīng)回不來了更應(yīng)加強引擎和油箱的防護，這就是常說的“幸存者偏差”。

數(shù)據(jù)可能被人為操縱。如店鋪的評論，如電影的評分，如某公司發(fā)布的關(guān)于其所在行業(yè)的分析報告都具有一定的主觀性。基于錯誤的數(shù)據(jù)做出的分析結(jié)論是無益甚至是有害。在數(shù)據(jù)分析前先要考證數(shù)據(jù)的來源及可信度還要關(guān)注不符合常理的數(shù)據(jù)變化，對數(shù)據(jù)采集方法進行調(diào)整。

2、過度依賴數(shù)據(jù)

對于業(yè)務(wù)決策來說數(shù)據(jù)分析只是輔助手段，而不是核心推動力。許多數(shù)據(jù)是無意義的，過度依賴數(shù)據(jù)于決策無益甚至會引導(dǎo)上級做出錯誤的決策。

在書籍《大數(shù)據(jù)時代》中，提到了這樣一種情況：瑪麗莎·邁爾在任谷歌高管期間，有時會要求員工測試41種藍色的陰影效果，哪種被人們使用最頻繁從而決定網(wǎng)頁工具欄的顏色。這是陷入“數(shù)據(jù)之上”的誤區(qū)，這樣的數(shù)據(jù)是毫無意義，訪客能不能看出細微的差別不說，幾乎沒有人會因為陰影效果的不同而決定訪問/不訪問這一網(wǎng)頁。

一份靠譜的分析結(jié)論既來源于對關(guān)鍵數(shù)據(jù)的分析來源于經(jīng)驗的積累，來源于分析師對業(yè)務(wù)的認識。如果簡單地把論證過程簡單地簡化為數(shù)據(jù)分析過程事實上是一種偷懶行為。

3、輕視業(yè)務(wù)

數(shù)據(jù)分析初學(xué)者極易犯的錯誤，只懂技術(shù)不懂業(yè)務(wù)不能真正理解業(yè)務(wù)需求。很多新手認為工作中只需要勤勤懇懇敲代碼就行，無數(shù)SQL boy/girl就這么誕生。好的分析師既懂技術(shù)又懂業(yè)務(wù)。因為技術(shù)為業(yè)務(wù)服務(wù)，公司衡量技術(shù)的價值不在于分析技術(shù)有多高超而是對業(yè)務(wù)有沒有貢獻。

數(shù)據(jù)分析師也要多去一線了解業(yè)務(wù)運作，幫助解決業(yè)務(wù)運營中遇到的各種問題。除了深入了解業(yè)務(wù)，還需要積累豐富的數(shù)據(jù)分析模型庫以應(yīng)對各種業(yè)務(wù)場景，比如金字塔模型、KANO分析模型、RFM模型、購物籃分析模型、四象限模型......這些經(jīng)典且廣泛應(yīng)用的模型。

4、忽略效率

數(shù)據(jù)分析是整個商業(yè)活動的一環(huán)，而商業(yè)是追求效率的。很多新人容易陷入追求完美算法的陷阱，放著簡單的方案不用，非要花大量時間在鉆數(shù)據(jù)算法的牛角尖上，最后交出一份領(lǐng)導(dǎo)懶得看的長文報告。對企業(yè)來說，這樣的工作態(tài)度并不可取。推動分析結(jié)論落地是數(shù)據(jù)分析價值的體現(xiàn)，數(shù)據(jù)分析師除了要用最具效率的算法，還需要拿出讓決策層和執(zhí)行層都信服的分析報告。

5、“套路式”分析

在數(shù)據(jù)分析學(xué)習時或許習慣了各種解題套路，但實操時其實并不存在通用的分析套路。不同的行業(yè)、不同的業(yè)務(wù)，不同的階段，哪怕用的是同一種分析方法結(jié)論都應(yīng)有所區(qū)別。

對待每一次分析，應(yīng)該結(jié)合業(yè)務(wù)場景中思考，結(jié)論要有針對性，不能被套路束縛住，也不能簡單依賴過往的類似案例。大數(shù)據(jù)時代，企業(yè)的數(shù)據(jù)體量不斷擴大，業(yè)務(wù)需求不斷變化數(shù)據(jù)分析的環(huán)境也不斷變化。要實時更新知識和工具庫也要警惕和避免踩中上面這些數(shù)據(jù)分析的誤區(qū)。