今天，再聊聊关于数据分析的一些话题。
1.数据只是表象。
以前的文章，更多的是从数据的理解、定义和数据分析的技巧方面。
提到数据，我们就必须想到数据的主体——指标。
离开指标，谈数据，就是镜中花、水中月。
指标是根，数据是果。
我们平时挂在口头上的数据分析，其本意还是看指标。
所以，数据永远是表象，只有指标才是核心。
2.数据会骗人
永远记住，数据是死物。
是死物，就有局限性和欺骗性。
举个例子，二战时英军发现从战场飞回来的战机，机身上的弹孔比引擎和油箱上的要多得多，根据这个数据很容易得出要加强机身的防护的建议。但事实的真相是引擎和油箱上中弹的飞机已经回不来了，更应加强引擎和油箱的防护，这就是常说的“幸存者偏差”。
数据分析的“结论”，有时候取决于分析的人想让你看到什么样的结论。从不同角度去“解读”指标，总会找到“合适”的理由去支持结论。
数据，本身具有欺骗性，要善于去掉伪装。
3.数据是可以被“修饰”的
还有，就是数据本身也许就是“假的”，至少不那么真。
如店铺的评论，如电影的评分。
现在的直播人数。
这些数据，都是可以被人为操纵的。
数据，就像历史，可以被打扮，也可以被“创造”。
就像，KPI指标考核里面的“坎贝尔定律”。
该定律认为，“当一个指标被用作决策时，它就会失去其有效性。”也就是说，如果某个指标被过度使用或被滥用，就会导致其不再能够准确地反映问题的实际情况。
坎贝尔定律提醒管理者，在使用指标来做出决策之前，需要考虑到指标本身的局限和可能的缺陷。此外，还需要采取多种不同的指标进行综合评估，以获取更准确的数据来辅助决策。
单纯一个指标不能代表一切，数据也不一定客观真实。
就像“平均住院日”，单看这一个指标，本质上是个没有任何意义的。
4.数据分析的前提是理解业务
那么，如何避免以上这些问题？
我想，最重要的应该是理解业务。
数据分析的工具和方法，都是技巧层面的，比较浅，或者低水平。
更深层面的分析和解读数据，必然是对业务本身的运作规律是有充分认知和理解的。
脱离业务的分析都是纸上谈兵。
不理解业务的数据分析，都是隔靴搔痒。
5.数据分析的核心是“见路不走”
即便理解了业务，我们依然会犯错。
而且，很有可能就是因为我们太了解，所以更容易犯错。
什么错？主观意识的先入为主。
很多情况下，我们是先认为结论在那里，然后我们用数据去“验证”。
正巧，数据又验证了结论，然后我们就得出了理所当然的结论。
越是这样，你越会深信，事实就是这样。
你相信自己的判断，你相信数据，你相信数据揭示了真理
如何破解？——见路不走。
路，就是前人的经验或者大多数人的选择，就是经验。
所谓见路不走就是不要轻信过去的经验或者盲从大多数人的选择。
见路不走，是一种极致的实事求是，认清了自己的局限性和可能性。
见的是因果，不是路。
从业务出发，用数据探寻，找出因果。
每一次分析，都是新的开始，都要回到原点再出发。
对于因果和路，记得要多听听一线人的声音和观点。
数据分析，无诀窍，就是不断实践，然后出错。
出错多了，自然而然就理解的透彻了。
最后，给大家介绍一些数据分析的方法。
常用到的一些分析方法如下：
将两个或两个以上的指标或比率进行对比，以便计算出它们增减变动的方向、数额、以及变动幅度的一种分析方法。
将两个或两个以上指标对比，寻找其中规律。静态对比，不同指标横向对比。动态对比，同一指标纵向对比
把一种产品或一种市场现象，放到一个两维以上的空间坐标上来进行分析。
根据用户与产品之间的互动程度进行划分，以更好经营用户。
用户抽样，具体观察用户在行为、交易上的特征数据，以观察是否具有显著特征，反推宏观数据，找出数据规律。
对业务流程节点进行划分，建立整个业务流程的转化漏斗，并追踪分析。
用户注册后，追踪该用户次日/周/月的活跃情况。
A/B测试的实质是对照试验，即通过对几个不同的版本进行对比，从而选出最优解。
联系客服
