小心陷阱！数据分析的7大误区，你有踩雷吗？
数据是客观的，但解读数据的人是主观的。如果对数据产生误解，导致分析结果和事实不符，则可能造成决策失误。
所以今天，大师兄就来给大家介绍几个在数据分析过程常见的误区，帮助大家更好地规避它们！
01意识误区
1、数据分析很高大上
许多人在提到数据分析时，就觉得那只是少数掌握高级的分析方法或是分析技能的人的事情。
其实不然，真理至简。在分析方法上，我们常说的四象限分析、SPAN图、SWOT分析，都是经过验证的数据分析过程常见的简单有效的分析模型，我们根据不同情况用这些模型，就是站在“前人的肩膀”上做分析。在分析工具上，做数据分析也并不要求大家都掌握 Python、精通算法，只要有合适的分析方法，找到关键性的指标，我们每个人都能用FineBI、Excel这样的简易工具完成分析。
2、 需要大数据才能支撑分析
日常我们听到数据分析，往往都和大数据这个词挂钩，但实际上两者并无任何依赖关系，更多是在炒作大数据这个概念。
分析需要的是特定数据，而不是更多的数据。大数据在很多情况下，其实是无法人力剔除脏数据的情况下的方案，通过放大数据量，减少这些内容的影响。但是如果我们的样本，已经可以反映全量数据，那就已经直接进行分析，并且有价值的数据分析得到的结论也具有足够的可信度。
3、与实际业务脱钩
分析是无止境的，因为有着无穷无尽的变量，但是我们做分析是带有明确目的性的，不要为了分析而分析。解决这个误区最管用的办法，首先要找到最核心的指标（北极星指标），比如我们当前核心目标是app促活；再明确我们能做的事情，比如分析发现给的红包力度越大，用户越频繁使用，留存率越好，但这明显不是可行方案。那我们最终的结论很可能是长期通过运营内容，周期性通过红包促活，这样才能保证合理的获客成本，实现良性的循环。
4、过分依赖数据
过分依赖数据：一方面，会让我们自己做很多没有价值的数据分析；另一方面，也会限制产品经理本身应有的灵感和创意。
数据分析是达到目标的一个科学手段，但不是唯一的手段，而且过分依赖数据也会变得不科学。当数据缺失或是问题简单时，数据分析并不是必要的步骤，也就成了没有价值的数据分析。假如你去造一个汽车，分析以往马车的情况意义不大，甚至限制了对汽车舒适度和速度的想象。
03数据分析过程常见的数据逻辑误区
1、辛普森悖论
先通过一个案例了解一下什么是辛普森悖论：
这个表格中，不管是商学院，还是法学院，男生的录取比例都比女生高很多，但是总体来看，女生录取率却是男生的两倍。这种在分组比较中都占优势的一方，在总评中有时反而是失势的一方的情况，就是辛普森悖论。再举一个例子，A 应用的用户每日平均访问时长提升了，因此我们得到了结论，用户的粘性提升了，大家做的真棒！
但这是真的吗，如果此时我们把用户根据类型拆分来看，可能会得到如下的结论。
这能反映什么呢？核心用户和非核心用户的日均访问时长都没有变化，似乎与之前的结论相悖。此时我们就可以进一步分析，去查看核心和非核心用户的占比情况。我们可以看到核心用户占比提升了，哦，原来是核心用户占比高，所以整体来看，拉高了日均访问时长，此时又忍不住想夸一句大家做得真棒！
但这难道就是真的吗，我们需要再看一下各类用户的具体数量。此时我们才得到了真正的结论，原来是非核心用户减少了，有大批用户的流失，才让我们的指标看上去显得变好了。
在这个问题中，我们就不只是看最终日均访问时长结果，更应该加上用户数这个观测指标，或是通过合理的规划，将用户数的作用体现在最终指标里。回避辛普森悖论的方法是：斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响；了解该情境是否存在其他潜在要因而综合考虑。
2、因果陷阱
在介绍因果陷阱之前，先给大家举日常生活中经常会看到的观点：
打篮球能让人长高
喝咖啡可以长寿
不吃早饭容易变胖
会撒娇的女人更好命
然而事实真的是这样嘛？下面我们来分别给出这几个常见观点隐藏的因果陷阱：
3、幸存者偏差
在讲述幸存者偏差的之前，先给大家举几个例子：
淘宝上卖极限运动设备的商家，尤其卖降落伞、滑翔伞的卖家好评都是满的，从来没有差评。（出事故的人：“我倒是想有差评的机会”）
别人家的孩子都比你强。（日常接触会放大瑕疵，偶尔接触会放大优点）
读书无用论、成功学。（天时地利人和缺一不可，哪怕只从自己身上看，态度勤奋可以争取，挫折都可以模仿，但头脑远见几乎不能复制。）
幸存者偏差出现的原因是数据逻辑和统计上的错误，本质是统计时忽略了样本的随机性和全面性，用局部样本代替了总体随机样本，从而对总体的描述出现偏差。
当然幸存者偏差还很大程度上反映了人性的弱点，人性总是会让我们忽略或筛选信息，最终导致幸存者偏差。要避免幸存者偏差有一下几个方法：
关注沉默的数据，当我们已经习惯了在热搜上看到年入百万、豪车豪宅，拼多多的崛起让「沉默证据」发力：原来下沉市场才是更为广阔的人群。
学习数学统计知识，避免公式错误。就像讲述辛普森悖论里的案例，表面欣欣向荣，其实暗藏了用户流失的风险。
提升认知水平和数据逻辑思维能力，发生幸存者偏差很大程度是因为认知不够宽广，只知道表面信息，没抓住关键信息，最后导致判断失误。
立即沟通
