避坑指南！資料分析最容易被忽略的10個錯誤

本文總結了資料分析的幾個階段中最常犯的10個錯誤，以及規避的方法，收藏起來，分析不翻車！

一、資料採集階段

1、資料失真

資料是可能騙人的，比如店鋪、電影的評分，可能被人為操控；比如某公司釋出的行業分析報告，也具有很大的主觀性。

基於錯誤的資料，做出的分析結論是無益甚至是有害的。所以在採集資料時，我們先要考證資料的來源及可信度，還要關注不符合常理的資料變化，對資料採集方法進行調整。

2、倖存者偏差

就算資料是真實的，也不能輕信。

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的多，根據這個資料，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“倖存者偏差”。

造成倖存者偏差的原因，其實是取樣出現了偏差，在資料採集時，我們要避免主觀臆斷，推演各類可能性，科學取樣。

二、資料處理階段

1、原始資料沒有備份

很多新手在拿到原始資料後，喜歡在原始資料基礎上把異常值剔除，再備份再做資料處理。但時常到後面發現刪除的值其實並非異常值或者仍然有價值，這時候想找回值就麻煩了。所以，當我們拿到原始資料後，第一件事就是要做好備份。

2、不重視資料清洗

拿到資料後，大量繁瑣的資料清洗工作常常讓資料分析師們感到煩惱，很多人會圖省事略過一些步驟，但這常常會造成返工，拖延了專案進度。

乾淨的資料來源是我們一切分析工作的基礎，我們需要重視資料清洗。當然了，為了提高資料處理效率，我們可以採用專業的資料分析工具。就拿我在用的

FineBI

來說，極大簡化了資料處理流程，僅需拖拽就能完成資料的清洗、轉化、抽取、合併、計算等功能，我們不需要花大量時間在資料處理上，可以把精力聚焦在業務分析上。

三、資料分析階段

1、過度追求技巧

熟練使用各種資料分析工具如Excel、SQL、FineBI、Python，以及各類經典的分析方法，是每個資料分析大神的基本功，但這並不意味著，好的資料分析，就一定要用到各種高階的工具和方法。

很多資料分析新人會去搜羅各種最新的分析方法和思路，套用在專案中，以證明自己的工作能力。但真正優秀的資料分析，依靠的是不斷深入地探索，以及嚴謹的邏輯鏈條。再好的工具和方法，都是為人服務的，合適的就是最好的。

2、過度依賴套路

我們不能過度追求技巧，但必要的方法論儲備是要有的。在資料分析行業，並不存在“一招鮮，吃遍天”。

我們在剛開始學習資料分析時，會學習各種解題套路，但真正實操時，其實並不存在通用的套路。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，比如網際網路初創公司可能追求使用者增長，步入成熟期後追求利潤率提高。

這裡並不是鼓勵大家盲目追求技術，而是我們要在日常工作中多學習積累分析思路和方法，豐富自己的武器庫，將來勝任更多的應用場景。

3、相關性≠因果性

在分析時，我們常常將不同指標的資料進行關聯分析，找出問題的原因。但這樣往往會犯一個錯誤，就是錯把相關當成因果。

我們透過統計，發現常吃海參的人比不吃海參的人智商要高一些，但這背後其實是因為吃海參的人普遍比較富裕，因而受教育水平高，測出的智商高，我們不能說為了提高智商趕緊去吃海參。

為了避免這一錯誤，我們在對資料間的相關性進行邏輯推演時，應時刻帶著批判性思維，考慮各種中介變數。

4、由結果推原因

錯誤的資料，披上科學的外衣，是很危險的事。如果我們在開始分析前，就已經在心裡預設了一個結論，帶著結論找原因，射箭畫靶，那做出的分析可能毫無價值甚至可能帶來極大的損失

資料分析的優勢，在於尊重客觀資料而並非人的主觀臆斷。所以，我們在進行資料分析前，應摒棄主觀臆想和經驗主義，相信常識和客觀資料，分析時還要多次檢查邏輯的嚴謹性。

四、分析報告階段

1、誤導性圖表

業內都說字不如表、表不如圖，但比不用圖表更可怕的，是用誤導性圖表。比如下面這兩張圖，光看左邊會明顯感知到資料在飛速增長，而看到右邊才能得知真正的增長速度。

我認為，報告還是應當追求真實，不逃避問題、不美化缺陷，也是分析師的職責所在。

2、結論脫離業務實際

很多人在彙報結論時，只是簡單把資料分析結果說了一通，得出一些模擬兩可或者大家都知道的廢話，並沒有聯絡到業務實際，也並不具備可行性，這樣的報告參考價值很低。

業務決策不光是業務人員的事，資料分析人員往往能從客觀的角度提出獨特的見解。我建議大家多和業務人員交流，至少要熟悉各個業務環節，瞭解提出資料分析需求的原因，最終得出的結論要有針對性，給出具體可落地的實質建議。

分享一下這個分析工具，回個“

資料分析

”就能拿得！