数据具有客观性，能呈现令人信服的信息依据，所以探寻数据、挖掘规律成为了寻找所需信息的最有利手段之一。
但数据也并非万能，有时候会传递错误的信息。在梳理数据分析流程和数据打交道的过程中，“聪明的数据分析师”经常会犯一些错误，导致分析结论于实际经验呈现较大的偏差。
因此，这里总结了数据分析过程中的几个深坑，以告诫大家警惕这几个误区。
坑1：样本容量差异导致结论偏差
某年篮球比赛，A球员的三分投篮命中率为42%，B球员的三分投篮命中率为28%，那么能否说明A球员的三分投篮命中率要比B球员高？
我们分析了数据的来源，发现那年比赛，A球员所在团队只打了10场球，投了28个三分球；B球员所在团队打了19场球，投了57个三分球。
因此，两者对比的样本容量不同，样本环境不同，单从这一数据来做评价，有失偏颇。
所以在选取样本对照时，要保证其它变量一致，提高结论分析的科学性。
2、逻辑混乱，不知因果关系
有同学会笑话，这样简单的逻辑也会搞错，没错，就是这样。
最简单的电商，比如你认为商品评论数和销售量成正相关的关系，即一个商品的评论数量越多，那商品的销售额也会越高；或者相反，一个商品的销售量越多，评论数也会越高，两者是相辅相成的关系。
假如你认定前者，数据分析的结论就会指导我们用一些手段来创造更多的商品评论，以此带动商品销量。
但事实上，并不是所有的商品销量都和评论有很大关联，正向思考一下，商品的销量和价格、质量、活动、广告、页面等等诸多因素有关，每个因素都占据一定权重，销量低应该从不足的地方补上。
因此，在分析前应后果时，要明确目的和逻辑关系，以免混乱。
3、数据表达不科学被蒙蔽
从以上图表来看，似乎第二幅图的结果更喜人，整体均衡向上，左边的数据差异就比较大。
但事实上，两个图表的数据都一样，只是改变了纵坐标值轴的范围，却改变了人的视觉印象。
因此，在做数据分析时，我们需要警惕一些数据处理的小伎俩，不要被数据的视觉效果所蒙蔽。同时在做这类数据分析时，值轴的选取要合理科学，按标准来。
4、唯“数据”论
经常会有人义正言辞地将“用数据说话”，这在有些场景是合理的，但如果过度依赖数据，一方面会做很多没有价值的数据分析；另一方面，也会限制对业务本身的实际思考。
数据分析，仍以“业务”为主，业务的分析一方面来源经验的判断，另一方面依靠数据的辅助分析。很多优秀甚至伟大的产品决策，并非通过数据发现。
很多企业会将数据分析技术交由信息IT部门，而需求者却是业务人员，两者沟通不畅相互脱节会造成很多问题。所以不管是业务人员通过FineBI这一类BI工具的使用，来自助进行分析，参考数据结果来做分析；或是业务人员参与日常报表和数据可视化的开发，都是解决这一类问题的有效途径。
网友评论