數據分析常見(jiàn)的三大誤區

關(guān)于數據分析常見(jiàn)的三大誤區

我們要意識到，用戶(hù)“怎么說(shuō)”和“怎么做”不同，甚至經(jīng)常有矛盾，有時(shí)候用戶(hù)的行為比語(yǔ)言更能反映出他的真實(shí)需求。比如用戶(hù)說(shuō)在搜索買(mǎi)家的時(shí)候應該加一個(gè)“按交易額搜索”的條件，也許只是他某次特殊的需要使然，但如果我們聽(tīng)他的做了這個(gè)功能，之后通過(guò)用戶(hù)行為的數據分析發(fā)現，只有1/10000 的人用過(guò)，那就表明我們被用戶(hù)的說(shuō)法騙了，但數據永遠不會(huì )騙我們。不過(guò)，在數據分析時(shí)也會(huì )有一些特定的問(wèn)題，下面讓我們逐一分析。

第一，過(guò)于學(xué)術(shù)，沉迷于“科學(xué)研究”。

我在讀研的時(shí)候，做的就是統計分析、數據挖掘相關(guān)的課題，所以工作中開(kāi)始遇到數據分析的時(shí)候，我挺興奮的，感覺(jué)可以好好地研究一番了。但漸漸我體會(huì )到，實(shí)際的生產(chǎn)和科研是有很大不同的�？茖W(xué)研究通常只注重“性?xún)r(jià)比”的性，只要結果好，往往不在乎投入，因為相對而言科研的結果不是為了馬上應用，而是為了證明實(shí)力。但實(shí)際生產(chǎn)環(huán)境就更注重綜合的性?xún)r(jià)比了，所以我們日常的數據分析方法也就顯得不那么嚴謹了，我特指小步快跑的創(chuàng )業(yè)團隊，他們可能不需要在每次分析前都去驗證樣本群體是否符合某種統計分布，也可能不需要用“人工神經(jīng)網(wǎng)絡(luò )”等“高科技手段”去預測產(chǎn)品將來(lái)的用戶(hù)數，甚至給出“A>B”的結論時(shí)也用不著(zhù)做“顯著(zhù)性檢驗”，一切的一切需要的只是一種感覺(jué)，一種對數據的敏感，對商業(yè)的敏感�，F實(shí)和理想的差距

第二，雖然數據不會(huì )主動(dòng)騙人，但我們經(jīng)常無(wú)意或有意地誤讀數據。

無(wú)意地誤讀數據，舉個(gè)例子，對一個(gè)人群，人們的身高用平均數來(lái)衡量是有意義的，因為我們知道身高屬于典型的正態(tài)分布，中間多兩邊少，所以一個(gè)平均值就能了解群體的大致情況，而對人們的收入，就不能用平均值來(lái)衡量了，一個(gè)超級富豪和1000個(gè)零收入的人一平均，很可能得出人均收入100 萬(wàn)的荒謬結論。這個(gè)問(wèn)題的對策，是學(xué)習統計學(xué)的知識，這是一個(gè)很實(shí)際的問(wèn)題，我們經(jīng)常在做決策的時(shí)候才想起來(lái)數據分析，但忽然發(fā)現，努力提高自己的水平。主動(dòng)地誤讀數據，是比較有趣的現象。在提取數據之前，我們心中通常已經(jīng)有一些結論了，無(wú)非是想驗證它，而抱著(zhù)這點(diǎn)思想，就總能找到數據來(lái)證明自己已有的想法，并且技術(shù)越嫻熟的人越容易做到這點(diǎn)。對于這點(diǎn)，我想一個(gè)簡(jiǎn)單的對策就是對數據保持中立的態(tài)度，盡量不要“為了迎合一個(gè)觀(guān)點(diǎn)而去找數據”，減少利益牽扯，比如為了證明老板的判斷，或者為了保持自己之前拍腦袋的英明形象等，你明白我的意思。

第三，平時(shí)不燒香，臨時(shí)抱佛腳。

這是一個(gè)很實(shí)際的問(wèn)題，我們經(jīng)常在做決策的時(shí)候才想起來(lái)數據分析，但忽然發(fā)現手頭沒(méi)有數據可分析。一次又一次地發(fā)生同樣的情況……為了避免，我們應該在產(chǎn)品設計的時(shí)候就把數據分析的需求加進(jìn)去，比如記錄每個(gè)按鈕的點(diǎn)擊次數、統計每個(gè)用戶(hù)的登錄頻率等，這也算一種典型的非功能需求，這樣做對產(chǎn)品的可持續發(fā)展非常必要。

【數據分析常見(jiàn)的三大誤區】相關(guān)文章：

銷(xiāo)售數據的分析方法07-25

大數據分析07-20

數據分析報告07-28

大數據分析07-25

多維數據分析方法04-07

數據分析主管的職責01-13

數據分析工作職責07-28

數據分析簡(jiǎn)歷模板02-17

數據分析報告【推薦】03-07

【推薦】數據分析報告03-01