避坑指南！数据分析最容易被忽略的7大误区
接下来小九来介绍在数据分析过程中常见的几个误区，为大家的数据分析之路扫清障碍。
本文旨在帮助大家正确认识数据分析中的“误判”现象，避免决策上的失误。建立在统计学基础之上的数据分析，照理来说其科学性毋庸置疑，然而在日常事务中仍存在被误导的情况。要想找出问题产生的原因，得先来看下数据分析的一般流程。不难发现，数据分析的整个过程都需要人参与。数据是客观的，但解读数据的人是主观的，因此在涉入时会存在踏入误区的可能。若错误地理解数据，致使分析结果与事实不一致，就会引起决策失误。接下来小九来介绍在数据分析过程中常见的几个误区，为大家的数据分析之路扫清障碍。
01认为数据分析很高大上
许多人提到数据分析，就觉得那只是少数掌握高级的分析方法或者分析模型的人的事情。其实不然，真理至简。各种看起来复杂的分析方法和分析模型，都是由简演变而来的。
以分析模型举例，我们常见的ABC分析、AARRR分析、RFM分析、购物篮分析、用户留存分析等等，都是经过验证的简单有效的分析模型。我们根据不同情况用这些模型，就是站在“前人的肩膀”上做分析。
（九数云分析模型）
再回到分析工具上，做数据分析也并不要求大家都掌握 Python、精通算法，只要有合适的分析方法和分析模型，找到关键性的指标，我们每个人都能用九数云、Excel这样的简易工具完成分析。
02认为需要大数据才能支撑分析
日常我们听到数据分析，往往都是和“大数据”这个词挂钩，但实际上两者并无任何依赖关系，更多是在炒作大数据这个概念。数据分析需要特定的数据，而不是更多的数据。
大数据在很多情况下，其实是无法人力剔除脏数据的情况下的方案，通过放大数据量，减少这些内容的影响。这种对于实际业务毫无意义的脏数据破坏性比较大，对指标的准确度影响也较大。
所以如果我们的样本，已经可以反映全量数据、具有较好的质量，那就可以直接针对特定业务进行分析，并且得到的结论也具有足够的可信度。
03脱离实际业务
分析是无止境的，因为有着无穷无尽的变量。但我们不能为了分析而分析，任何脱离实际业务的数据分析都只能沦为一盘散沙，所以我们必须带有明确的目的性去分析数据。
解决这个误区最管用的办法，首先就是要找到最核心的指标（北极星指标）。举个例子，比如我们当前核心目标是app促活；再明确我们能做的事情，比如分析发现给的红包力度越大，用户越频繁使用，留存率越好。但这明显不是可行方案。那我们最终的结论很可能是长期通过运营内容，周期性通过红包促活，这样才能保证合理的获客成本，实现良性的循环。
04过分依赖数据
过分依赖数据，一方面会让我们自己做很多没有价值的数据分析；另一方面，也会限制本身应有的灵感和创意。数据分析是达到目标的一个科学手段，但不是唯一的手段，过分依赖数据会变得不科学。
当数据缺失或是问题简单时，数据分析并不是必要的步骤。假如你去造一个汽车，分析以往马车的情况意义不大，甚至还限制了对汽车舒适度和速度的想象。
05辛普森悖论
先通过一个案例了解一下什么是辛普森悖论：
这个表格中，不管是商学院，还是法学院，男生的录取比例都比女生高很多，但是总体来看，女生录取率却是男生的两倍。这种在分组比较中都占优势的一方，在总评中有时反而是失势的一方的情况，就是辛普森悖论。
再举一个用户分析的例子。1. 结合图表可知，某应用的用户每日平均访问时长提升了。我们可以得出结论：用户的粘性提升了。
图片
2. 但这个结论不一定就是正确的。如果此时我们把用户根据类型拆分来看，可能会得到如下的结论：核心用户和非核心用户的日均访问时长都没有变化。
3. 这个结论似乎与之前的结论相悖。所以此时我们就可以进一步分析，去查看核心和非核心用户的占比情况。
通过图表可知：核心用户占比提升了，才拉高了整体的日均访问时长。
4. 分析到这其实还没结束，因为这个结论很有可能还有“坑”。我们需要再看一下各类用户的具体数量。
于是我们得出了最终结论：原来是非核心用户的减少，有大批用户的流失，才让产品的指标看上去显得变好了。
因此，我们不能只是看最终日均访问时长结果，更应该加上用户数这个观测指标，或是通过合理的规划，将用户数的作用体现在最终指标里。
回避辛普森悖论的方法是：
1.斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响。
2.了解该情境是否存在其他潜在要因而进行综合考虑。
这里在平均值一文中有给大家介绍，详情参见：平均值的秘密。
06因果陷阱
在介绍因果陷阱之前，先给大家举日常生活中经常会看到的观点：
打篮球能让人长高。
喝咖啡可以长寿。
不吃早饭容易变胖。
会撒娇的女人更好命。
然而事实并非如此。下面我们来分别给出这几个常见观点隐藏的因果陷阱：
07幸存者偏差
在讲述幸存者偏差之前，先给大家举几个例子：
淘宝上卖极限运动设备的商家，尤其卖降落伞、滑翔伞的卖家好评都是满的，从来没有差评（出事故的人：“我倒是想有差评的机会。”）。别人家的孩子都比你强（日常接触会放大瑕疵，偶尔接触会放大优点）。读书无用论、成功学（天时地利人和缺一不可，哪怕只从自己身上看，态度勤奋可以争取，挫折都可以模仿，但头脑远见几乎不能复制。）
幸存者偏差出现的原因是逻辑和统计上出现了错误，本质是统计时忽略了样本的随机性和全面性，用局部样本代替了总体随机样本，从而对总体的描述出现偏差。当然，幸存者偏差还很大程度上反映了人性的弱点，人性总是会让我们忽略或筛选信息，最终导致幸存者偏差的现象产生。
要避免幸存者偏差有以下几个方法：
1.关注沉默的数据，当我们已经习惯了在热搜上看到年入百万、豪车豪宅，拼多多的崛起让「沉默证据」发力：原来下沉市场才是更为广阔的人群。
2.学习数学统计知识，避免公式错误。就像讲述辛普森悖论里的案例，表面欣欣向荣，其实暗藏了用户流失的风险。
3.提升认知水平和逻辑思维能力，发生幸存者偏差很大程度是因为认知不够宽广，只知道表面信息，没抓住关键信息，最后导致判断失误。
数据分析
数据分析之路存在很多隐形的“坑”，看似是建立在客观事实和数据之上的雄辩，到最后可能还是会沦为诡辩。
大数据时代，企业数据体量不断扩大，业务需求和数据分析环境也在时刻变化。所以在处理和分析数据时，我们都应该在业务场景下进行综合考虑，做到不为数据量的多少所羁绊，不过分依赖数据，有的放矢地得出结论，让客观数据和主观意识完美融合。
上一篇: 折线图制作免费工具，打工人必备！
下一篇: 功能详解｜不用函数和VB居然能一秒算出标准差和方差？
