數(shù)據(jù)分析過程中幾個(gè)可能常見的陷阱

前言 很多的數(shù)據(jù)分析人員往往太過于去關(guān)注數(shù)據(jù)或者分析方法論等，尤其是對(duì)于剛?cè)腴T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(jì)口徑、分析方法、業(yè)務(wù)經(jīng)驗(yàn)、思考方式等因素影響，就會(huì)出現(xiàn)一些容易忽視的“陷阱”，以致于得出的結(jié)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(jìn)數(shù)據(jù)分析的“陷阱”里。

那么，本文我們將從業(yè)務(wù)層面的視角，來探討和梳理在數(shù)據(jù)分析過程中幾個(gè)可能常見“陷阱”，目的是主要給剛?cè)腴T的、產(chǎn)品、運(yùn)營等提供一些有益經(jīng)驗(yàn)分享，幫助大家在實(shí)際工作場景中遇到這些情況的時(shí)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(zhǔn)確性。 比如，一個(gè)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(shí)間數(shù)據(jù)穩(wěn)定后，業(yè)務(wù)人員從數(shù)據(jù)發(fā)現(xiàn)，此某個(gè)渠道的落地頁點(diǎn)擊率、轉(zhuǎn)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(gè)渠道來的用戶效果很好，以后就要加大這個(gè)渠道的投放。然而，突然接到技術(shù)人員的反饋，在數(shù)據(jù)埋點(diǎn)的時(shí)候不小心埋錯(cuò)了，導(dǎo)致統(tǒng)計(jì)數(shù)據(jù)出現(xiàn)問題，這個(gè)渠道的數(shù)據(jù)是其他兩個(gè)渠道總和！ 因?yàn)殄e(cuò)誤的數(shù)據(jù)，得出了錯(cuò)誤的分析結(jié)果，并且還做了后續(xù)錯(cuò)誤決策。由此可見，有效數(shù)據(jù)分析的前提，是對(duì)正確的數(shù)據(jù)做分析。尤其是在小公司的人員，沒有強(qiáng)大的數(shù)據(jù)團(tuán)隊(duì)，可能就會(huì)借用各種各種第三方的統(tǒng)計(jì)軟件來做數(shù)據(jù)埋點(diǎn)，此時(shí)首要確認(rèn)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(zhǔn)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(jì)數(shù)據(jù)和分析方法以及分析結(jié)果才有意義。當(dāng)明確目的后，才有后續(xù)的分析思路。 比如，一個(gè)考勤軟件的App的業(yè)務(wù)人員提出轉(zhuǎn)化率較低，是否有優(yōu)化的空間的需求。

然而我們并沒有進(jìn)一步的確認(rèn)是哪個(gè)環(huán)節(jié)轉(zhuǎn)化率低，就開始直接拉取數(shù)據(jù)進(jìn)行分析，其實(shí)業(yè)務(wù)人員說的是新用戶會(huì)員成單的轉(zhuǎn)化率，是不是來源不精準(zhǔn)，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(shí)候也未能進(jìn)一步的明確分析目的，就是直接拉取各個(gè)環(huán)節(jié)的轉(zhuǎn)化率，導(dǎo)致拉取的數(shù)據(jù)與原始問題不匹配。

因此，根據(jù)業(yè)務(wù)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(duì)分析目的，搭建分析框架，選擇分析方法和具體分析指標(biāo)，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(duì)分析目的有清晰的認(rèn)識(shí)，才會(huì)避開為分析而分析的誤區(qū)，分析的結(jié)果和過程就越有價(jià)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(zhǔn)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(diǎn)，分析時(shí)不能預(yù)設(shè)觀點(diǎn)，只傾向于那些能夠支持自己的觀點(diǎn)的數(shù)據(jù)，并在數(shù)據(jù)清洗中，合理的識(shí)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?？傮w樣本中，任意一個(gè)群體樣本的平均值，都會(huì)圍繞在這個(gè)群體的整體平均值周圍。基于這個(gè)原理，我們便可以采用隨機(jī)抽樣的方式來對(duì)整體樣本中的一個(gè)小群體進(jìn)行分析，得出的結(jié)論是會(huì)比較接近真實(shí)情況的。但是你采集數(shù)據(jù)的過程是否是真的隨機(jī)。

比如，在一個(gè)考勤軟件APP應(yīng)用升級(jí)期間，通過衡量用戶的日活、留存率、活躍企業(yè)數(shù)等指標(biāo)，來判斷用戶對(duì)新版本的喜歡是否優(yōu)于老版本。但這里實(shí)際就隱藏了選擇性偏見，因?yàn)樾掳姹景l(fā)布時(shí)，第一批升級(jí)上來的用戶往往就是最活躍的用戶。

這批用戶在這些指標(biāo)上，本來表現(xiàn)就是優(yōu)于一般用戶的，因此指標(biāo)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?cè)诜治瞿程囟ǖ挠脩粜袨閿?shù)據(jù)時(shí)，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?qū)傩赃M(jìn)行交叉后，得到很少的用戶樣本。

此時(shí)，得出的分析結(jié)果未必可信。因?yàn)榇髷?shù)定律，只有當(dāng)數(shù)據(jù)量達(dá)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(gè)考勤軟件APP應(yīng)用新上了學(xué)習(xí)打卡的新功能，但由于前期無預(yù)算做推廣，導(dǎo)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(shí)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(shí)間線拉長，這樣可能會(huì)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(yán)重不合理或?qū)τ趯?shí)際業(yè)務(wù)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(duì)指標(biāo)的準(zhǔn)確度影響較大。

比如，我們要分析在一個(gè)考勤軟件APP中各個(gè)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(gè)人打卡并不是我們要分析的目標(biāo)群體或者有人的工種的特殊性，就會(huì)造成打卡規(guī)則的分布不規(guī)則的情況，容易造成對(duì)用戶喜好的誤判。因此，對(duì)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(wù)時(shí)，也要針對(duì)特定業(yè)務(wù)，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(biāo)不合理，數(shù)據(jù)具備時(shí)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(biāo)，進(jìn)行數(shù)據(jù)分析，其數(shù)據(jù)分析的結(jié)果通常是各種各樣的指標(biāo)，每個(gè)指標(biāo)都有自己的統(tǒng)計(jì)邏輯，反映的事物的某些方面的本質(zhì)。 比如，很多時(shí)候我們會(huì)使用平均值來描述一組數(shù)據(jù)的集中趨勢。

我們?cè)谥贫I(yè)務(wù)閾值時(shí)，也經(jīng)常會(huì)參考平均值。但是，有些業(yè)務(wù)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(duì)最終結(jié)果影響不一致的數(shù)據(jù)。這種時(shí)候，你就要考慮其他指標(biāo)，如加權(quán)平均值、百分位數(shù)、小數(shù)值合并后再求平均值。 因此，在進(jìn)行數(shù)據(jù)分析時(shí)，如果不能選擇正確的指標(biāo)，也可能會(huì)走入誤區(qū)，從而得出錯(cuò)誤的結(jié)論。數(shù)據(jù)是具備一定的時(shí)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(biāo)。

5

套用方法論，分析結(jié)論不嚴(yán)謹(jǐn)

明確好數(shù)據(jù)分析指標(biāo)，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(jié)論，支持業(yè)務(wù)決策。數(shù)據(jù)分析方法論是對(duì)一個(gè)數(shù)據(jù)分析項(xiàng)目的整體工作起到指導(dǎo)作用的思路模型。然而，在數(shù)據(jù)分析學(xué)習(xí)時(shí)或許習(xí)慣了各種解題套路，但實(shí)操時(shí)其實(shí)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。 比如，在實(shí)際工作場景中，數(shù)據(jù)分析需要對(duì)數(shù)據(jù)表現(xiàn)作出快速判斷，進(jìn)而指導(dǎo)運(yùn)營決策，并不像學(xué)術(shù)研究那樣嚴(yán)謹(jǐn)，不需要在每次分析前都去驗(yàn)證樣本群體是否符合某種統(tǒng)計(jì)分布等，實(shí)際工作中，考驗(yàn)得更多的是對(duì)業(yè)務(wù)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(yīng)重視業(yè)務(wù)的理解。 因此，每一次分析，應(yīng)該結(jié)合業(yè)務(wù)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(wù)，與實(shí)際場景脫節(jié)

數(shù)據(jù)不等同與實(shí)際場景，實(shí)際場景往往比數(shù)據(jù)更加復(fù)雜，分析時(shí)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(xué)者極易犯的錯(cuò)誤，只懂工具不懂業(yè)務(wù)不能真正理解業(yè)務(wù)需求。好的分析人員需要既懂工具又懂業(yè)務(wù)，也要多去一線了解業(yè)務(wù)運(yùn)作，幫助解決業(yè)務(wù)運(yùn)營中遇到的各種問題。

比如，結(jié)構(gòu)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(yīng)用的模型。來積累豐富的數(shù)據(jù)分析模型庫以應(yīng)對(duì)各種業(yè)務(wù)場景。 因此，數(shù)據(jù)分析人員結(jié)合實(shí)際業(yè)務(wù)場景，需要具體問題具體分析，服務(wù)于業(yè)務(wù)的應(yīng)用。及時(shí)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(jià)值。所以作為數(shù)據(jù)分析人員，要結(jié)合業(yè)務(wù)需求，保持獨(dú)立思考的心態(tài)，大膽假設(shè)，小心求證，警惕和避免走進(jìn)數(shù)據(jù)分析的陷阱。

總結(jié)

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

編輯：jq