数据分析这点事：如何看懂数据 用好数据？

1、因果关联错误，或忽略关键因素，A和B的数据高度相关，有人就片面认为A影响了B，或者B影响了A；但是，有时候真实原因是C同时影响了A和B，有时候C被忽略掉了。

2、忽略沉默的大多数，特别是网上投票，调查，极易产生这种偏差，参与者往往有一定的共同诉求，而未参与者往往才是主流用户。

3、数据定义错误，或理解歧义，在技术与市场、产品人员沟通中产生信息歧义，直接导致所处理的数据和所需求的数据有偏差，结果显著不正确。

4、强行匹配；不同公司，不同领域的数据定义可能不一致，在同一个公司内或领域内做对比，往往没有问题，大家对此都很习惯，却有评论家不懂装懂，强行将不同定义的数据放在一起对比做结论，显著失真；海外著名金融机构在分析中国页游和端游市场就连续犯这类错误。

5、忽略前提；有些数据结论是基于某种前提，符合某种特定场景下得出的，但是解读者有意或无意忽略前提，将结论扩大化，显著误读。

6、忽略交互；在商业模式改造和产品改进，往往都会出这类问题，最简单说，你游戏中的道具降价，对收入的影响是增还是减？如果忽略交互，仅仅依赖于数据推算，当然是减，但是实际呢？做运营的都知道。

7、缺乏常识；如果对一些重要的纪念日，节日，或者网购节不了解，那去处理有关数据显然就不知所云了。做行业报告更是如此，很难想像对行业不了解的人能做出怎样的报告。

8、无视样本偏差；我们通常做数据调研，是基于样本数据，而采样过程本身很难做到完全的公平和分散，样本偏差要控制在合理范畴内，即便无法控制，在结论中也需要标注；这才是严谨的数据解读，对样本偏差视而不见，甚至为了某种宣传目的刻意寻找偏差的样本，都不可能做出好的数据结论。

那么， 数据处理也多说一点，虽说是个技术活，但是有些不那么技术的事情，也必须做到位才行；很多时候，我看到一个数据，不符合我的预期，我第一反应，是了解数据来源和处理逻辑，我们通常面对的数据，包括大量的干扰，噪音数据，以及一些识别上容易产生歧义甚至误判的数据，这都是需要处理的，很多时候工程师只关心算法层面、效率层面，不愿意也不关心这些东西，所得出的数据结论失真度就非常高，越是大公司，这种情况越普遍；在我效力的巨头公司时，这样的范例非常多，处理方法其实很简单，多看看源数据，对中间的噪音和干扰数据正确识别标注，对容易误判的数据进行二次判定，全是苦力活，没啥技术含量，但是这是必须的。

最后，很多人想知道我怎么看数据，或者想问我，他们每天看很多数据，不知道怎么去看，我其实有很简单的三板斧，一学就会，一用就灵，对常见的数据场景，可解决绝大部分日常需求。 简单说就是“对比，细分，溯源” 六字真言，没了。

对比，数据放在那里，是没意义的，你说你游戏周流失率80%，啥情况？不知道，你问我我也不知道。对比起来才知道。

一是横比，你拿出50款游戏来比，别人平均流失率90%，你80%，你游戏还不错勒，别人要平均流失65%，你80%，这就有问题了。

二是纵比，和自己时间轴比，你两个月前1.0版本流失率90%，你现在80%，有进步么，你要是两个月前是50%，现在80%，好好反思喽。

所以，我特别强调，在通常企业数据监控，显示一大屏数据的界面上，对比特征要最大体现，比如所有同比下降超过多少比例的一概红色体现，所有上升多少比例的一概绿色体现，公司运营状况一目了然。

细分，数据出现对比异常，你当然想知道原因，那就需要细分了。

细分先分纬度，再分粒度，什么是纬度？你按照时间去分，就是时间纬度，按照地区去分，就是地区纬度，按照来路去分，就是来路纬度，按照受访去分，就是受访纬度；你说今天网站访问量涨了5%，咋回事不知道，你细分一看，大部分网页都没涨，某个频道某个活动页涨了300%，这就清楚了，这就是细分最简单的范例，其实很多领域都通用。 粒度是什么，你时间纬度，是按照天，还是按照小时？这就是粒度差异，你来路纬度，是来路的网站，还是来路的url，这就是粒度的差异；这样可以将对比的差异值逐级锁定，寻找原因。

溯源，有时候我对比，细分锁定到具体纬度，具体粒度了，依然没有结论，怎么办，溯源，依据锁定的这个纬度和粒度作为搜索条件，查询所涉及的源日志，源记录，然后基于此分析和反思用户的行为，往往会有惊人的发现，我们正是基于这一逻辑发现过产品的一些缺陷，而且你不断通过这个方式分析数据，对用户行为的理解也会逐步加深。

其实，这个话题还有很多延伸，比如，如何看一个年轻人有没有数据分析潜质；以及如何培养数据分析和产品分析人才，等等，不过，就这样吧。今天说的不少了，我水平有限，吃饭的就这几招，而且又老又笨，大家都会了我离下岗也不远了，您就凑活看吧。

（编辑：佛山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!