前言 很多的數(shù)據(jù)分析人員往往太過于去關注數(shù)據(jù)或者分析方法論等，尤其是對于剛入門的，在解讀數(shù)據(jù)過程中，受到數(shù)據(jù)來源、采集方法、統(tǒng)計口徑、分析方法、業(yè)務經(jīng)驗、思考方式等因素影響，就會出現(xiàn)一些容易忽視的“陷阱”，以致于得出的結果很可能出現(xiàn)偏差。所以，重視數(shù)據(jù)分析是好的，但也千萬不能掉進數(shù)據(jù)分析的“陷阱”里。

那么，本文我們將從業(yè)務層面的視角，來探討和梳理在數(shù)據(jù)分析過程中幾個可能常見“陷阱”，目的是主要給剛入門的、產(chǎn)品、運營等提供一些有益經(jīng)驗分享，幫助大家在實際工作場景中遇到這些情況的時候，可以盡量規(guī)避一些不太注意的“陷阱”。

1

不了解數(shù)據(jù)來源，不確保數(shù)據(jù)的正確性

在數(shù)據(jù)分析中更注重的是分析，而并不是數(shù)據(jù)本身，這就造成了數(shù)據(jù)分析最大的陷阱：不了解數(shù)據(jù)來源，不確保數(shù)據(jù)的正確性，就開始分析了。因此，數(shù)據(jù)分析的第一步就是了解數(shù)據(jù)來源，確保數(shù)據(jù)準確性。 比如，一個考勤軟件的App在做渠道投放，上線了新版的落地頁。

上線了一段時間數(shù)據(jù)穩(wěn)定后，業(yè)務人員從數(shù)據(jù)發(fā)現(xiàn)，此某個渠道的落地頁點擊率、轉化率等數(shù)據(jù)相比其他渠道的投放的效果高出很多，從數(shù)據(jù)中，可以看到說明這個渠道來的用戶效果很好，以后就要加大這個渠道的投放。然而，突然接到技術人員的反饋，在數(shù)據(jù)埋點的時候不小心埋錯了，導致統(tǒng)計數(shù)據(jù)出現(xiàn)問題，這個渠道的數(shù)據(jù)是其他兩個渠道總和！ 因為錯誤的數(shù)據(jù)，得出了錯誤的分析結果，并且還做了后續(xù)錯誤決策。由此可見，有效數(shù)據(jù)分析的前提，是對正確的數(shù)據(jù)做分析。尤其是在小公司的人員，沒有強大的數(shù)據(jù)團隊，可能就會借用各種各種第三方的統(tǒng)計軟件來做數(shù)據(jù)埋點，此時首要確認數(shù)據(jù)的正確性，去梳理數(shù)據(jù)來源。

2

需求不匹配，分析目的不明確

梳理了數(shù)據(jù)來源，確保數(shù)據(jù)的準確性，是前提。那么接下來就是需要明確分析目的，分析目的明確了，后面的各種統(tǒng)計數(shù)據(jù)和分析方法以及分析結果才有意義。當明確目的后，才有后續(xù)的分析思路。 比如，一個考勤軟件的App的業(yè)務人員提出轉化率較低，是否有優(yōu)化的空間的需求。

然而我們并沒有進一步的確認是哪個環(huán)節(jié)轉化率低，就開始直接拉取數(shù)據(jù)進行分析，其實業(yè)務人員說的是新用戶會員成單的轉化率，是不是來源不精準，能否優(yōu)化渠道或者停止投放，而我們得到的需求不明確，溝通的時候也未能進一步的明確分析目的，就是直接拉取各個環(huán)節(jié)的轉化率，導致拉取的數(shù)據(jù)與原始問題不匹配。

因此，根據(jù)業(yè)務方的需求，首先要明確為什么要做數(shù)據(jù)分析，要解決什么問題，也就是分析的目的。然后針對分析目的，搭建分析框架，選擇分析方法和具體分析指標，以及明確抽取哪些數(shù)據(jù)，用到哪些圖表等分析思路，只有對分析目的有清晰的認識，才會避開為分析而分析的誤區(qū)，分析的結果和過程就越有價值。

3

未清理數(shù)據(jù)，數(shù)據(jù)采集出現(xiàn)偏差

在了解數(shù)據(jù)來源、確保了準確性、明確分析需求后，下一步就是數(shù)據(jù)采集和數(shù)據(jù)清洗了，這也是最容易出問題的環(huán)節(jié)，有些問題甚至非常隱蔽難以發(fā)現(xiàn)。因此，數(shù)據(jù)本身沒有觀點，分析時不能預設觀點，只傾向于那些能夠支持自己的觀點的數(shù)據(jù)，并在數(shù)據(jù)清洗中，合理的識別數(shù)據(jù)容量大小、剔除臟數(shù)據(jù)。

注意選擇性偏見或者幸存者偏見。總體樣本中，任意一個群體樣本的平均值，都會圍繞在這個群體的整體平均值周圍。基于這個原理，我們便可以采用隨機抽樣的方式來對整體樣本中的一個小群體進行分析，得出的結論是會比較接近真實情況的。但是你采集數(shù)據(jù)的過程是否是真的隨機。

比如，在一個考勤軟件APP應用升級期間，通過衡量用戶的日活、留存率、活躍企業(yè)數(shù)等指標，來判斷用戶對新版本的喜歡是否優(yōu)于老版本。但這里實際就隱藏了選擇性偏見，因為新版本發(fā)布時，第一批升級上來的用戶往往就是最活躍的用戶。

這批用戶在這些指標上，本來表現(xiàn)就是優(yōu)于一般用戶的，因此指標數(shù)據(jù)更高并不能說明更好。 注意數(shù)據(jù)樣本容量不夠。我們在分析某特定的用戶行為數(shù)據(jù)時，可能用戶使用很少的情況。或者是在提取數(shù)據(jù)的過程中，增加了很多的限制條件或者多種用戶行為或屬性進行交叉后，得到很少的用戶樣本。

此時，得出的分析結果未必可信。因為大數(shù)定律，只有當數(shù)據(jù)量達到一定程度后，才能反映出特定的規(guī)律。但是樣本容量多少才算合理，通常只能是具體問題具體分析。 比如，在一個考勤軟件APP應用新上了學習打卡的新功能，但由于前期無預算做推廣，導致新功能只有在小部分老用戶群體中曝光，因此，從數(shù)據(jù)中來判斷此功能并不受歡迎。

但這里實際就存在數(shù)據(jù)樣本容量不夠，并不能說明問題。因此，遇到這種情況，建議可以把時間線拉長，這樣可能會獲得足量的樣本。還有一種做法是，將不重要的限定條件去掉，也可以增大樣本數(shù)。注意存在臟數(shù)據(jù)。臟數(shù)據(jù)是指嚴重不合理或對于實際業(yè)務毫無意義的數(shù)據(jù)，通常是由程序bug、第三方攻擊、人為等原因造成的。這種數(shù)據(jù)對指標的準確度影響較大。

比如，我們要分析在一個考勤軟件APP中各個企業(yè)類型打卡規(guī)則的分布情況，而用于分析用戶打卡視角中，有較多是個人打卡并不是我們要分析的目標群體或者有人的工種的特殊性，就會造成打卡規(guī)則的分布不規(guī)則的情況，容易造成對用戶喜好的誤判。因此，對臟數(shù)據(jù)的清洗和處理，也是數(shù)據(jù)分析人員日常工作中非常重要的一部分。在分析具體業(yè)務時，也要針對特定業(yè)務，過濾掉異常數(shù)據(jù)，來確保擁有比較好的數(shù)據(jù)質(zhì)量。

4

指標不合理，數(shù)據(jù)具備時效性

清洗完數(shù)據(jù)后，下一步就需要明確分析的數(shù)據(jù)指標，進行數(shù)據(jù)分析，其數(shù)據(jù)分析的結果通常是各種各樣的指標，每個指標都有自己的統(tǒng)計邏輯，反映的事物的某些方面的本質(zhì)。 比如，很多時候我們會使用平均值來描述一組數(shù)據(jù)的集中趨勢。

我們在制定業(yè)務閾值時，也經(jīng)常會參考平均值。但是，有些業(yè)務場景不適合使用平均值。就像變化比較大，存在極端值的數(shù)據(jù)，或者是對最終結果影響不一致的數(shù)據(jù)。這種時候，你就要考慮其他指標，如加權平均值、百分位數(shù)、小數(shù)值合并后再求平均值。 因此，在進行數(shù)據(jù)分析時，如果不能選擇正確的指標，也可能會走入誤區(qū)，從而得出錯誤的結論。數(shù)據(jù)是具備一定的時效性，不同情況下的數(shù)據(jù)，一些曾經(jīng)的數(shù)據(jù)可能不再適用，需要找到新的數(shù)據(jù)指標。

5

套用方法論，分析結論不嚴謹

明確好數(shù)據(jù)分析指標，接下來就是通過各種數(shù)據(jù)分析方法來分析數(shù)據(jù)，得出結論，支持業(yè)務決策。數(shù)據(jù)分析方法論是對一個數(shù)據(jù)分析項目的整體工作起到指導作用的思路模型。然而，在數(shù)據(jù)分析學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，不同的階段，哪怕用的是同一種分析方法結論都應有所區(qū)別。 比如，在實際工作場景中，數(shù)據(jù)分析需要對數(shù)據(jù)表現(xiàn)作出快速判斷，進而指導運營決策，并不像學術研究那樣嚴謹，不需要在每次分析前都去驗證樣本群體是否符合某種統(tǒng)計分布等，實際工作中，考驗得更多的是對業(yè)務的理解的把握能力。

所以，在開展數(shù)據(jù)分析工作過程中，不能完全依賴過往的類似案例以及分析方法，而應重視業(yè)務的理解。 因此，每一次分析，應該結合業(yè)務場景中思考，更不能被各種套路方法論給束縛住，也不能簡單依賴過往的類似案例。

6

輕視業(yè)務，與實際場景脫節(jié)

數(shù)據(jù)不等同與實際場景，實際場景往往比數(shù)據(jù)更加復雜，分析時需要了解具象化的場景，而不是抽象的數(shù)據(jù)，數(shù)據(jù)分析初學者極易犯的錯誤，只懂工具不懂業(yè)務不能真正理解業(yè)務需求。好的分析人員需要既懂工具又懂業(yè)務，也要多去一線了解業(yè)務運作，幫助解決業(yè)務運營中遇到的各種問題。

比如，結構化思維模型、KANO分析模型、RFM模型、四象限模型。。。。。。這些經(jīng)典且廣泛應用的模型。來積累豐富的數(shù)據(jù)分析模型庫以應對各種業(yè)務場景。 因此，數(shù)據(jù)分析人員結合實際業(yè)務場景，需要具體問題具體分析，服務于業(yè)務的應用。及時與企業(yè)各部門溝通，共享數(shù)據(jù)分析的成果，這樣才能體現(xiàn)數(shù)據(jù)分析的真正價值。所以作為數(shù)據(jù)分析人員，要結合業(yè)務需求，保持獨立思考的心態(tài)，大膽假設，小心求證，警惕和避免走進數(shù)據(jù)分析的陷阱。

總結

實際工作生活中，還有很多需要我們注意的關于數(shù)據(jù)分析的事項，這里就不一一開展，本文只是從業(yè)務層面的視角梳理了關于數(shù)據(jù)分析各個環(huán)節(jié)中可能存在的引發(fā)誤導的一些陷阱。

編輯：jq