本文總結了數據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！工具
1、數據採集階段
一、數據失真學習
數據是可能騙人的，好比店鋪、電影的評分，可能被人爲操控；好比某公司發佈的行業分析報告，也具備很大的主觀性。spa
基於錯誤的數據，作出的分析結論是無益甚至是有害的。因此在採集數據時，咱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，對數據採集方法進行調整。blog
二、倖存者誤差數據分析
就算數據是真實的，也不能輕信。class
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，根據這個數據，咱們很容易得出要增強機身的防禦的建議。但事實的真相倒是，那些引擎和油箱上中彈的飛機已經回不來了，咱們更應增強引擎和油箱的防禦，這就是常說的「倖存者誤差」。效率
形成倖存者誤差的緣由，實際上是取樣出現了誤差，在數據採集時，咱們要避免主觀臆斷，推演各種可能性，科學取樣。基礎
2、數據處理階段
一、原始數據沒有備份變量
不少新手在拿到原始數據後，喜歡在原始數據基礎上把異常值剔除，再備份再作數據處理。但時常到後面發現刪除的值其實並不是異常值或者仍然有價值，這時候想找回值就麻煩了。因此，當咱們拿到原始數據後，第一件事就是要作好備份。互聯網
二、不重視數據清洗
拿到數據後，大量繁瑣的數據清洗工做經常讓數據分析師們感到煩惱，不少人會圖省事略過一些步驟，但這經常會形成返工，拖延了項目進度。
乾淨的數據源是咱們一切分析工做的基礎，咱們須要重視數據清洗。固然了，爲了提升數據處理效率，咱們能夠採用專業的數據分析工具。就拿我在用的FineBI來講，極大簡化了數據處理流程，僅需拖拽就能完成數據的清洗、轉化、抽取、合併、計算等功能，咱們不須要花大量時間在數據處理上，能夠把精力聚焦在業務分析上。
3、數據分析階段
一、過分追求技巧
熟練使用各類數據分析工具如Excel、SQL、FineBI、Python，以及各種經典的分析方法，是每一個數據分析大神的基本功，但這並不意味着，好的數據分析，就必定要用到各類高級的工具和方法。
不少數據分析新人會去搜羅各類最新的分析方法和思路，套用在項目中，以證實本身的工做能力。但真正優秀的數據分析，依靠的是不斷深刻地探索，以及嚴謹的邏輯鏈條。再好的工具和方法，都是爲人服務的，合適的就是最好的。
二、過分依賴套路
咱們不能過分追求技巧，但必要的方法論儲備是要有的。在數據分析行業，並不存在「一招鮮，吃遍天」。
咱們在剛開始學習數據分析時，會學習各類解題套路，但真正實操時，其實並不存在通用的套路。不一樣的行業、不一樣的業務，不一樣的階段，哪怕用的是同一種分析方法，結論都應有所區別。好比to C和to B行業的客戶運營就是不同的，好比互聯網初創公司可能追求用戶增加，步入成熟期後追求利潤率提升。
這裏並非鼓勵你們盲目追求技術，而是咱們要在平常工做中多學習積累分析思路和方法，豐富本身的武器庫，未來勝任更多的應用場景。
三、相關性≠因果性
在分析時，咱們經常將不一樣指標的數據進行關聯分析，找出問題的緣由。但這樣每每會犯一個錯誤，就是錯把相關當成因果。
咱們經過統計，發現常吃海蔘的人比不吃海蔘的人智商要高一些，但這背後實際上是由於吃海蔘的人廣泛比較富裕，於是受教育水平高，測出的智商高，咱們不能說爲了提升智商趕忙去吃海蔘。
爲了不這一錯誤，咱們在對數據間的相關性進行邏輯推演時，應時刻帶着批判性思惟，考慮各類中介變量。
四、由結果推緣由
錯誤的數據，披上科學的外衣，是很危險的事。若是咱們在開始分析前，就已經在內心預設了一個結論，帶着結論找緣由，射箭畫靶，那作出的分析可能毫無價值甚至可能帶來極大的損失
數據分析的優點，在於尊重客觀數據而並不是人的主觀臆斷。因此，咱們在進行數據分析前，應摒棄主觀臆想和經驗主義，相信常識和客觀數據，分析時還要屢次檢查邏輯的嚴謹性。
4、分析報告階段
一、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。好比下面這兩張圖，光看左邊會明顯感知到數據在飛速增加，而看到右邊才能得知真正的增加速度。
我認爲，報告仍是應當追求真實，不逃避問題、不美化缺陷，也是分析師的職責所在。
二、結論脫離業務實際
不少人在彙報結論時，只是簡單把數據分析結果說了一通，得出一些模擬兩可或者你們都知道的廢話，並無聯繫到業務實際，也並不具有可行性，這樣的報告參考價值很低。
業務決策不光是業務人員的事，數據分析人員每每能從客觀的角度提出獨特的看法。我建議你們多和業務人員交流，至少要熟悉各個業務環節，瞭解提出數據分析需求的緣由，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「數據分析」就能拿得！