数据分析的5个常见误区

有些人在进行数据分析时持有一种固执的观念，追求所谓的尖端的、高级的、显示自己技术水准的分析技术，认为分析技术越高级越好，越尖端越厉害。明明有现成的、简单的、又非常适用的方案不采用，而把时间用在对数据算法追求上。

追求技术的进步和发展本身没有错，但不能一味强调高级方法。节约时间、节省资源，拿出高性价比的解决方案才是企业需要的工作态度，所以不论是高级的方法还是低级方法，只要能解决问题，就是好方法。

前面已经说过，数据分析需要全面了解业务。

这个全面体现在数据分析不仅要关注技术层面，还要对市场、营销和管理领域的知识十分了解，只有这样储备下做出的数据分析才不会和业务环节出现脱节。有的分析报告内容看上去非常漂亮、专业、复杂，但是让老板看起来非常吃力，缺少的是业务逻辑，很难指导业务实践。

面对茫茫数据，我们常常会觉得好像身处大海之中，盲无方向，不知所措，用什么分析方法，做什么图表，需要哪些数据，写什么形式的报告往往使我们百般纠结。

对于一个项目而言，首先要根据业务方的需求，明确为什么要做数据分析，要解决什么问题，也就是分析的目的。然后针对分析目的，搭建分析框架，选择分析方法和具体分析指标，以及明确抽取哪些数据，用到哪些图表等分析思路，只有对分析目的有清晰的认识，才会避开为分析而分析的误区，分析的结果和过程就越有价值。

明确了数据分析的目的，就要紧紧围绕这个目的展开。

这个展开就是数据分析的思路和框架。如何把分析目的逐层拆解为子问题，如何把拆解后的子问题转化为数据指标，数据指标又会受到哪些维度的影响，如何表征影响的程度和趋势，如何找到问题的关键因素。

这个过程就是业务到数据的过程，尽量大胆地列举出所有可能的假设，然后把假设转化为数据指标和维度进行小心求证。

切忌拿到需求就立马着手分析，所谓数据未动，思路先行。在没有理清思路之前千万不要分析数据，否则百分百是要重新分来过的。把思路梳理清楚了，数据分析已经完成了一大半，而且整个问题的逻辑也会清晰很多。

这个就是具体的实现层面了，思维纵然清晰了，但是在具体分析的过程中，分析方法不当也难以得出准确的结论。

1、只关注单一环节，没有全流程意识

比如发现这期活动用户报名明显降低了，不仅要关注用户在报名各环节的流失情况，还要关注更前置的环节，包括各渠道推广投入，各文案资源的点击转化等都需要考虑。

2、只关注单一指标，不去做关联分析

只看单一指标，只做简单归因，找到了一个指标就认为是影响问题的所有因素，由此推论问题原因。

这里往往忽略了很多问题并非只有单个因素，且多个因素和问题之间并非是因果关系，只是一种相关关系，我们要做的就是找到更多更相关的因素进行近似的“归因”。

3、只关注分析本身，没有结合业务动作

举个常见的例子，需要用RFM模型对用户进行高/中/低价值分层，那消费金额M的阈值如何取？自己拍脑袋？为何不结合业务动作进行设定呢？分层的目的不就是为了针对性的制定动作么？如果业务准备对高/中/低价值用户分别发放5000/3000/1000的优惠券，那阈值是不是就出来了？

4、只去做表面分析，不解决具体问题

报表做了一堆，没有抓住应该重点关注的业务指标；发现异常指标，没有结合数据分析去采取有效措施；复盘罗列数据，没有总结出有助于业务发展的结论。这些都是＂形式主义＂式的数据分析，看似没有问题，实际没有任何指导意义。