數(shù)據(jù)分析人員常犯的五大錯(cuò)誤以及預(yù)防方法

你知道嗎？每過去1分鐘，Instagram上就多了1736111個(gè)贊，Snapchat上就多了284722個(gè)照片/視頻分享，Tinder上就多了590278次“翻牌子”。移動應(yīng)用和手機(jī)游戲的飛速發(fā)展催生了巨量級的數(shù)據(jù)資料，這些數(shù)據(jù)生動地刻畫了用戶的使用軌跡和行為習(xí)慣，價(jià)值難以估量。

于是，針對這些數(shù)據(jù)開展專業(yè)研究工作的數(shù)據(jù)分析人員成了香餑餑，他們的分析結(jié)論有可能對一個(gè)產(chǎn)品的發(fā)展走向帶來巨大的影響。而作為數(shù)據(jù)分析人員，要在大量的數(shù)據(jù)中找到有意義、有價(jià)值的內(nèi)容并不是易事。

過去，數(shù)據(jù)分析師絕大多數(shù)來自統(tǒng)計(jì)學(xué)或編程學(xué)的人才。隨著越來越多企業(yè)發(fā)現(xiàn)，數(shù)據(jù)分析人員應(yīng)該同時(shí)具備數(shù)據(jù)分析能力以及商業(yè)運(yùn)作能力，這種情況在近幾年才有所轉(zhuǎn)變。

對數(shù)據(jù)的解讀能力、問“正確”問題的能力以及解答問題時(shí)的靈活性，都是衡量一名數(shù)據(jù)分析人員是否足夠稱職的關(guān)鍵。

數(shù)據(jù)分析師Pavel Trejbal持有認(rèn)知信息學(xué)碩士學(xué)位，就職于AppAgent（為移動游戲工作室和創(chuàng)業(yè)團(tuán)隊(duì)提供營銷服務(wù)的一家企業(yè)）。他的學(xué)術(shù)領(lǐng)域涉及到許多學(xué)科，包括經(jīng)濟(jì)教育學(xué)、心理學(xué)、腦科學(xué)、語言學(xué)、人工智能以及哲學(xué)。Pavel表示：“我不敢妄言自己是這些領(lǐng)域的專家，不過對這些領(lǐng)域的廣泛認(rèn)識的確幫助我在面對難題時(shí)以出其不意的角度找到解決方法?！?/span>

在數(shù)字的海洋里翻滾了六年，Pavel有過不少成功的表現(xiàn)，也有過很糟糕的分析結(jié)論。在這里，他給我們分享了數(shù)據(jù)分析人員最常犯的五個(gè)錯(cuò)誤，以及對應(yīng)的預(yù)防方法/建議。

錯(cuò)誤一：執(zhí)著于完美的算法

明明有現(xiàn)成的、簡單的但非常適用的方案不采用，偏偏把時(shí)間花在對數(shù)據(jù)算法的鉆牛角尖上，這是數(shù)據(jù)分析人員所犯的最常見的錯(cuò)誤。與其花上一整個(gè)月的時(shí)間交出一份無比詳盡的長文報(bào)告，不如在短時(shí)間內(nèi)交出一份簡潔的數(shù)據(jù)分析。也許后者在一些細(xì)枝末節(jié)上不夠精確，但具有直接參考價(jià)值的結(jié)論才是你的上級亟需的。直擊要點(diǎn)才是最有效率的做法，在商業(yè)戰(zhàn)爭里時(shí)間太重要了！

錯(cuò)誤二：迷信完美通用的方法論

千萬不要這樣做。每一個(gè)業(yè)務(wù)，每一次分析，都是有區(qū)別的。完美通用的方法論聽上去很美好，但具體的方案必須由自己思考得出。對待每次分析，都應(yīng)該是面對全新挑戰(zhàn)的姿態(tài)，開放思考、親自分析，不能依賴過往的類似案例。

錯(cuò)誤三：只看數(shù)據(jù)，忽視其他分析依據(jù)

如果在數(shù)據(jù)分析過程當(dāng)中發(fā)現(xiàn)一些特別突出的數(shù)據(jù)變化，記住：三人行，必有我?guī)熝?。在定論出來之前，主動找到產(chǎn)品運(yùn)營、社區(qū)運(yùn)營或者游戲策劃商量，畢竟這些同事才是與用戶有最直接接觸、最理解產(chǎn)品的人。異樣的數(shù)據(jù)變化，經(jīng)常來自于不科學(xué)的解讀方法或者數(shù)據(jù)采集過程中的技術(shù)錯(cuò)誤。

錯(cuò)誤四：清理數(shù)據(jù)的方式不科學(xué)

清理數(shù)據(jù)在數(shù)據(jù)分析工作里是個(gè)比較無趣的工序，而且往往要花上大部分的時(shí)間，但這個(gè)工序是絕對不能忽視的。在清理數(shù)據(jù)的過程當(dāng)中，你會了解到哪些地方分析錯(cuò)了或者遺漏了、哪些地方限制了你的解讀能力。如果跳過這個(gè)工序，分析結(jié)果很可能不靠譜，甚至得出與客觀情況完全相反的結(jié)論。

錯(cuò)誤五：無法分辨不同的工具和指標(biāo)

因?yàn)榭倳嬖诓煌募夹g(shù)設(shè)定或者指標(biāo)定義，所以每一款數(shù)據(jù)分析工具都是獨(dú)一無二的。使用這些工具之前，一定要清楚區(qū)別在哪里。最近我們就有用Google Analytics采樣分析里的轉(zhuǎn)化率和收入數(shù)據(jù)來進(jìn)行A/B測試。剛開始，A變量在兩項(xiàng)指標(biāo)中都比B變量有更好的表現(xiàn)，但我們沒有直接采用這個(gè)結(jié)論。我們把原始數(shù)據(jù)下載下來進(jìn)行手動的分析。這次的分析結(jié)果跟之前完全相反，A變量在兩項(xiàng)指標(biāo)中都比B變量差很多。

離開座位，多多走動

Pavel確信，身為數(shù)據(jù)分析人員，無論如何都不應(yīng)該守在自己的“象牙塔”里。相反，數(shù)據(jù)分析人員應(yīng)該更多參與到公司的日常業(yè)務(wù)里，比如出席運(yùn)營營銷體系、產(chǎn)品策劃團(tuán)隊(duì)的會議。如此，數(shù)據(jù)分析人員才能更好地理解策劃人員及決策者的需求，接收更多跟產(chǎn)品直接相關(guān)的信息，并且適時(shí)提出數(shù)據(jù)分析提高產(chǎn)品表現(xiàn)的方案。除此之外，決策者們也更能理解到數(shù)據(jù)分析的價(jià)值，并且激勵整個(gè)團(tuán)隊(duì)的鉆研精神。

數(shù)據(jù)分析是非常重要的一環(huán)，雖然很復(fù)雜，但掌握一定邏輯和方法后，應(yīng)該說不會有太多難處。而且，這不有我們作為前車之鑒嗎？請不要再犯這些錯(cuò)誤才好。