想提高數據分析水平，一方面需要有益經驗的積累，另一方面要盡量規避錯誤的方法和思維。

[[391657]]

本文列舉5個做數據分析時常會陷入的誤區，幫助大家在以后的分析中少走彎路。

1、數據一定客觀

數據是會騙人的。

舉個有名的例子，二戰時英軍發現，從戰場飛回來的戰機，機身上的彈孔比引擎和油箱上的要多得多，根據這個數據，我們很容易得出要加強機身的防護的建議。

但事實的真相卻是，那些引擎和油箱上中彈的飛機已經回不來了，我們更應加強引擎和油箱的防護，這就是常說的“幸存者偏差”。 

再者，數據是可能被人為操縱的。比如店鋪的評論，比如電影的評分，比如某公司發布的關于其所在行業的分析報告，都具有一定的主觀性。

基于錯誤的數據，做出的分析結論是無益甚至是有害的。所以在數據分析前，我們先要考證數據的來源及可信度，還要關注不符合常理的數據變化，對數據采集方法進行調整。

2、過度依賴數據

對于業務決策來說，數據分析只是輔助手段，而不是核心推動力。

許多數據是無意義的，過度依賴數據于決策無益甚至會引導上級做出錯誤的決策。

在書籍《大數據時代》中，提到了這樣一種情況：

瑪麗莎·邁爾在任谷歌高管期間，有時會要求員工測試41種藍色的陰影效果，哪種被人們使用最頻繁，從而決定網頁工具欄的顏色。

這是陷入“數據之上”的誤區，這樣的數據是毫無意義的，訪客能不能看出細微的差別不說，幾乎沒有人會因為陰影效果的不同而決定訪問/不訪問這一網頁。 

所以，一份靠譜的分析結論，既來源于對關鍵數據的分析，也來源于經驗的積累，來源于分析師對業務的認識。如果簡單地把論證過程簡單地簡化為數據分析過程，事實上是一種偷懶行為。

3、輕視業務

這是數據分析初學者極易犯的錯誤，只懂技術不懂業務，就不能真正理解業務需求。很多新手認為工作中只需要勤勤懇懇敲代碼就行——無數SQL boy/girl就是這么誕生的。

最好的分析師一定是既懂技術又懂業務的。因為技術是為業務服務的，公司衡量技術的價值，不在于分析技術有多高超，而是對業務有沒有貢獻。

所以，數據分析師也要多去一線了解業務運作，幫助解決業務運營中遇到的各種問題。

除了深入了解業務，我們還需要積累豐富的數據分析模型庫以應對各種業務場景，比如金字塔模型、KANO分析模型、RFM模型、購物籃分析模型、四象限模型......這些經典且廣泛應用的模型。

當然，這些模型如果用傳統工具搭建，通常需要花費大量時間，而且不夠靈活，一點小的調整就帶來大量的工作量，很不友好。

好的數據分析師擅于用好的工具，如果借助FineBI，只需通過鼠標操作就能快速搭建出各種模型，而且可以根據需要隨時調整，進行探索式分析。數據分析做成這樣，還有誰會說對業務沒有價值呢! 

4、忽略效率

數據分析是整個商業活動的一環，而商業是追求效率的。很多新人容易陷入追求完美算法的陷阱，放著簡單的方案不用，非要花大量時間在鉆數據算法的牛角尖上，最后交出一份領導懶得看的長文報告。

對企業來說，這樣的工作態度并不可取。

推動分析結論落地是數據分析價值的體現，數據分析師除了要用最具效率的算法，還需要拿出讓決策層和執行層都信服的分析報告。

前面說到的FineBI工具不僅有豐富的圖表樣式滿足各種分析場景，還可以用多個圖表搭建駕駛艙，通過圖表聯動和上探下鉆，讓用戶自由探索數據背后的價值，制作和應用的效率都很高。 

5、“套路式”分析

在數據分析學習時我們或許習慣了各種解題套路，但在實操時其實并不存在通用的分析套路。不同的行業、不同的業務，不同的階段，哪怕用的是同一種分析方法，結論都應有所區別。

比如to C和to B行業的客戶運營就是不一樣的，比如互聯網初創公司可能追求用戶增長，步入成熟期后追求利潤率提高。 

對待每一次分析，我們應該結合業務場景中思考，結論要有針對性，不能被套路束縛住，也不能簡單依賴過往的類似案例。 

大數據時代，企業的數據體量不斷擴大，業務需求不斷變化，數據分析的環境也不斷變化。我們要實時更新知識和工具庫，也要警惕和避免踩中上面這些數據分析的誤區。