反馈已提交

网络繁忙

数据分析误区

  • 文档创建者:Roxy
  • 编辑次数:2次
  • 最近更新:Roxy 于 2022-06-15
  • 1. 什么是数据分析误区

    先看一下字典对误区的定义:由于某种原因而形成的不正确的认识或看法。

    再结合我们对数据分析的理解:

    把某事物分解成较简单的组成部分进行研究,找出这些部分的本质属性和彼此间的关系。通过认识事物或现象的区别与联系,细致地寻找能够解决问题的主线,并以此解决问题。

    因此,所有阻碍了解决问题或是误导问题判断的情况,都是数据分析的误区。

    本文将为你简单介绍几个在数据分析过程常见的误区,以便你能在做分析时更好的规避它们。

    2. 意识误区

    正如我们刚才说的,阻碍解决问题的都是误区,因此并不止逻辑上的误区,许多意识层面的问题也会导致结论出错,甚至无法开展数据分析。

    希望通过了解下面几个意识层面的误区,能够让大家拥有进行数据分析的想法,并保证分析思路能尽量切合实际。

    2.1 数据分析很高大上

    许多人在提到数据分析时,就会天然有种固执的感觉,那就是数据分析只针对少数掌握高级的分析方法或是分析技能的人。

    其实不然,真理至简。

    我们的分析是从业务中来到业务中去:

    在分析方法上,我们常说的四象限分析、SPAN图、SWOT分析,就都是简明扼要且极富实际意义的分析模型,通过这些具有简单的美感的模型,就能很大程度上保证决策不「迷路」。

    在分析工具上,做数据分析也并不要求大家掌握 Python、精通算法等,只要有合适的分析方法,找到关键性的指标,那处理流程自然水到渠成,只要你的分析能驱动与业务,用 Excel 也未尝不可。而且企业内部对于不同需求自然有分工处理,过于复杂的分析可以通过协调数据运营等资源进行开展。

    • 就像对于元素规律的大胆分析,诞生了所有人必学的元素周期表。

    • 通过田间地头杂交的豌豆,总结出了完整的遗传学规律。

    因此要敢于分析,跨过这个最初也是最严重的误区。

    2.2 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,可以一定程度上反映全量数据,那就已经可以进行分析,并且得到的结论也具有足够的可信度。

    2.3 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,而且动作也是有明确限制的,因此一定要警惕为了分析而分析。

    解决这个误区最管用的办法是找到最合适的指标(北极星指标),再就是认清现状,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。

    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。

    2.4 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。

    在比如数据缺失或是问题简单时,数据分析可能并不是必要的步骤。

    假如你去造一个汽车,分析以往马车的情况并无意义,甚至限制了对汽车舒适度和速度的想象。

    3. 逻辑误区

    3.1 辛普森悖论

    先通过一个案例了解一下什么是辛普森悖论:

    学院

    女生申请

    女生录取

    女生录取率

    男生申请

    男生录取

    男生录取率

    合计申请

    合计录取

    合计录取率

    商学院

    100

    49

    49%

    20

    15

    75%

    120

    64

    53.3%

    法学院

    20

    1

    5%

    100

    10

    10%

    120

    11

    9.2%

    总计

    120

    50

    42%

    120

    25

    21%

    240

    75

    31.3%

    在这个表格中,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。

    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。

    这里在平均值中有给大家介绍,详情参见:平均值

    3.2 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

    • 爱笑的女孩子通常运气都不会太差

    • 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:

    观点说明因果陷阱类型
    打篮球能让人长高这很有可能是因为长高的人都会去打篮球,而不是打篮球让人长高因果倒置
    喝咖啡可以长寿常喝咖啡的人一般都是白领阶级,他们的营养供给更高,所以他们可以长寿,而不是因为咖啡让他们长寿相关性而非因果关系
    不吃早饭容易变胖
    吃不吃早饭其实和你肥不肥胖没有什么关系,运动健康才和你的肥胖有关系相关性而非因果关系
    爱笑的女孩子通常运气都不会太差爱笑的女孩其实运气也有差的,最后她就不笑了,事实是因为运气好的女孩她们才会爱笑因果倒置
    会撒娇的女人更好命女人好不好命其实与另一半或者周围的人和环境更有关系,而不是和你会不会撒娇有关系需要找到遗漏的 X 变量

    3.3 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、极端女拳、成功学。(天时地利人和缺一不可,哪怕只从自己身上看,头脑远见几乎不能复制,态度勤奋可以争取,挫折都可以模仿。但是只会鼓吹最后两项)

    幸存者偏差出现的原因是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,当我们已经习惯了某乎上刚下飞机,年入百万,朋友圈名牌豪车,拼多多的崛起让「沉默证据」发力:原来购买廉价产品,为了几毛钱动员砍价的人,才是中国人口最广的群体。

    • 学习数学统计知识,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。

    • 提升认知水平和逻辑思维能力,很大程度发生幸存者偏差上是因为自身认知水平确实有限,也就是自己只知道某些表面的信息,根本不知道那些关键信息的存在,最后导致判断失误。比如传销和成功学,就是未曾全局思考事物,没有想清楚利益背后的逻辑与风险



    附件列表


    主题: 数据分析方法
    已经是第一篇
    已经是最后一篇
    • 有帮助
    • 没帮助
    • 只是浏览

    售前咨询电话

    400-811-8890转1

    在线技术支持

    在线QQ:800049425

    热线电话:400-811-8890转2

    总裁办24H投诉

    热线电话:173-1278-1526

    文 档反 馈

    鼠标选中内容,快速反馈问题

    鼠标选中存在疑惑的内容,即可快速反馈问题,我们将会跟进处理。

    不再提示

    10s后关闭