說一個東西重要，肯定要講為什么，不然絕對是要被拿著刀追幾條街的。
那么，數(shù)據(jù)分析為什么重要呢？至少有以下好處：
相比“似乎”、“好像”，能夠更加客觀的呈現(xiàn)真實現(xiàn)狀；
相比“我以為”、“我覺得”，數(shù)據(jù)的改變是對產(chǎn)品”改變”做出的最直觀、最無聲的投票，數(shù)據(jù)可以佐證“改變”是否正確、恰當(dāng)以及效果如何；
相比所謂的“經(jīng)驗”、“年紀(jì)”、“職位”，數(shù)據(jù)能夠排除掉這些太不可控的“主觀”的影響/壓力，作為另一個相對客觀的決策依據(jù)；
說的更加大白話一些的，那就是：
你剛接手個新業(yè)務(wù)，搞不清現(xiàn)狀，小伙伴也東一嘴西一嘴的講的碎碎的，你可以看數(shù)據(jù)；
如果你想做某個需求，人家不給你做，你可以甩數(shù)據(jù)給他看，證明需求的必要性；
如果你不想做某個需求，但人家硬要你做，你還是可以甩數(shù)據(jù)，證明需求無意義或者效果不理想；
如果你做了需求不知道要不要繼續(xù)迭代下去，你還是可以看數(shù)據(jù)，去看用戶的無聲投票如何；
數(shù)據(jù)是產(chǎn)品、運營、技術(shù)日常裝備中必不可少的矛和盾。至于什么時候是矛，什么時候是盾，那就看不同場合不同情況了。
// 補(bǔ)充：數(shù)據(jù)分析輔助決策，但并不是決策的唯一要素。我并不鼓吹數(shù)據(jù)分析天下第一，請注意，合理使用才是王道。
數(shù)據(jù)的最大天坑
數(shù)據(jù)分析，字面意思，數(shù)據(jù)分析由兩個部分組成：一是數(shù)據(jù)，二是分析，看起來跟廢話一樣，但卻也是絕大多數(shù)人都忽略的。
大多數(shù)人在講到數(shù)據(jù)分析的時候，更加注重的是分析，而并不是數(shù)據(jù)本身，這就造成了 數(shù)據(jù)分析最大的誤區(qū)：不關(guān)心數(shù)據(jù)怎么來，使勁兒做無用功 。
舉個簡單的例子唄？
在App的新版本上，產(chǎn)品經(jīng)理新加了個子頻道。版本上了一段時間數(shù)據(jù)穩(wěn)定后，產(chǎn)品經(jīng)理從數(shù)據(jù)發(fā)現(xiàn)，哎喲，這個子頻道很吊炸天啊，點擊率、登錄比等數(shù)據(jù)同比甩其他子頻道N條街啊，恩，說明這個子頻道用戶很需要呀，以后要接著往這個方向上做。
看似，產(chǎn)品經(jīng)理好像做了正確決策吧？
然而，oh，no，不幸的消息來了！
程序員在數(shù)據(jù)埋點的時候不小心埋錯了，他把另一個熱門子頻道的數(shù)據(jù)和這個新頻道埋在了一起，數(shù)據(jù)計算的是這兩個頻道的總和！（抱歉，程序員又一次實力背鍋，之后會為你們正名）
因為錯誤的數(shù)據(jù)，得出了錯誤的分析結(jié)果，并且還做了后續(xù)錯誤方向的工作，這在日常中其實并不少見，雖然真的很蠢。
有效數(shù)據(jù)分析的前提，是對正確的數(shù)據(jù)做分析。
分析的最大天坑
數(shù)據(jù)怎么來的，是基礎(chǔ)。得來的數(shù)據(jù)怎么分析，是進(jìn)階。光有數(shù)據(jù)不分析，假把式，還糟蹋了人家的SQL。
這就引來了一個重要問題： 為什么要分析？
用基本的分析去了解現(xiàn)狀以及趨勢；
用針對的分析去驗證或者踢翻自己的想法；
看似很簡單，實際做起來卻一點兒都不簡單。又要舉個常見例子唄：
新版本發(fā)布了一段時間，數(shù)據(jù)也穩(wěn)定了，產(chǎn)品經(jīng)理讓實習(xí)生A、B、C分別做一份用戶對新版本各項修改內(nèi)容的數(shù)據(jù)分析反饋報告。
實習(xí)生A：這個簡單啊，數(shù)據(jù)組的同學(xué)一定有數(shù)據(jù)，拿過來就是了。
最后他把各種原始數(shù)據(jù)表發(fā)給了產(chǎn)品經(jīng)理；
產(chǎn)品經(jīng)理內(nèi)心獨白：X，我要你有個啥用？
實習(xí)生B：這個工作，數(shù)據(jù)同學(xué)說不定已經(jīng)做了，直接找他問就好了嘛。
最后他把數(shù)據(jù)挖掘童鞋的口述內(nèi)容寫成了報告發(fā)給了產(chǎn)品經(jīng)理；
產(chǎn)品經(jīng)理內(nèi)心獨白：雖然比之前的那個好，但依舊X，你自己的腦子呢？
實習(xí)生C：這個報告不是那么好寫的，至少得：
看下新增、優(yōu)化、影響了哪些地方做重點觀察；
圍繞著這些地方，分別列好目標(biāo)和可能的猜想；
找數(shù)據(jù)挖掘童鞋聊并且記錄根據(jù)他的角度數(shù)據(jù)處于什么樣的情況，還得記得拿原始數(shù)據(jù)；
自己再做一次針對性的數(shù)據(jù)分析工作；
得出一些結(jié)論，保留一些疑惑等；
最后他把根據(jù)以上步驟得出的觀點做成了報告發(fā)給了產(chǎn)品經(jīng)理，同時附帶了原始數(shù)據(jù)的各種變形計算；
產(chǎn)品經(jīng)理內(nèi)心獨白：這個上道，可以的可以的。
實習(xí)生A、B其實都屬于沒有搞清楚為什么要分析，分析的目的到底是什么。沒有想清楚這一環(huán)節(jié)，自然給到的分析結(jié)果也沒什么用了。
分析目的是指南針，只有方向?qū)α耍罄m(xù)的各種分析方法以及分析結(jié)果才有意義。
上文舉的例子，其實一部分說明了數(shù)據(jù)分析過程中除了以上兩大坑之外的一些其他小坑坑，下面也來簡單列一列：
1. 小團(tuán)隊的數(shù)據(jù)正確性很難被保證
這個就是上文舉例的時候我說會為開發(fā)同學(xué)正名的部分。大公司暫且不說，畢竟，光是數(shù)據(jù)支持團(tuán)隊就比人家小公司一整個團(tuán)隊的人還要多了。
小公司往往沒有資源去組建自己的數(shù)據(jù)團(tuán)隊，這個時候就要使用各種第三方的統(tǒng)計軟件來做數(shù)據(jù)埋點。然而，各個統(tǒng)計軟件又有各自的問題：
GA ：需要翻墻，數(shù)據(jù)會計漏；
百度 ：額，不說了；
友盟 ：統(tǒng)計大的數(shù)據(jù)ok，但是在細(xì)致的用戶行為方面就比較菜了，代碼埋點也是個坑，數(shù)據(jù)也不圖表化！（好久前用的，可能現(xiàn)在已經(jīng)慢慢有圖表了吧？）；
fabric ：和友盟其實差不多，但是強(qiáng)在程序報錯上，另外數(shù)據(jù)圖表化做的也是很炫酷，但，還是坑爹的代碼埋點；
growing io/諸葛io ：強(qiáng)于細(xì)致的用戶行為數(shù)據(jù)分析，同時宣稱可以無代碼埋點。然而無代碼埋點又是另一個不亞于代碼埋點的大坑，必須符合他的框架寫法才行，不然數(shù)據(jù)統(tǒng)計不上或者出錯。然而，框架寫法又沒有明確的文本說明，開發(fā)也不一定能改掉自己的寫法。另外，細(xì)致的用戶行為數(shù)據(jù)分析，在實際分析操作上也是很蛋疼的；
完蛋，扯遠(yuǎn)了，這塊如果感興趣，可以專門搞篇文章寫寫。想說的是，代碼埋點會產(chǎn)生很多問題，例如：
可能因為不同程序員的頁面代碼寫法不同，計算結(jié)果不同；
可能因為埋點過程中沒有溝通好，出現(xiàn)理解偏差，計算結(jié)果不同；
可能因為開發(fā)不小心埋錯點，計算結(jié)果不同；
可能因為版本迭代修改了某個地方，導(dǎo)致計算結(jié)果不同；
非常多可能性，導(dǎo)致埋點錯誤，從而導(dǎo)致數(shù)據(jù)錯誤。每次看移動端數(shù)據(jù)，都要ios和android端一起對著看，誰能懂？特么的跟偵探一樣樣的。
2. 存在已久并不代表一定正確
這個存在已有，不僅是指數(shù)據(jù)，同樣也指分析結(jié)果。
某個數(shù)據(jù)存在已有，所有人都對Ta沒有質(zhì)疑，這就能說明這個數(shù)據(jù)沒錯了么？
其實不一定哦，也許這個數(shù)據(jù)從未被人注意過，也有可能大家都把質(zhì)疑數(shù)據(jù)的正確性這個前提給忽略掉了。
所以，如果在分析的過程中發(fā)現(xiàn)，數(shù)據(jù)的橫向?qū)Ρ然蛘呖v向?qū)Ρ龋Y(jié)果存在一定的違背，那么這個時候就要注意了。
至于分析結(jié)果的存在已久嘛，沒啥好說的，產(chǎn)品功能、產(chǎn)品運營手法都有可能導(dǎo)致數(shù)據(jù)的大變動，分析時段自然要比較新鮮才有用。
3. 數(shù)據(jù)條件很重要
數(shù)據(jù)條件是什么意思？說白了就是放在數(shù)據(jù)這兩字前的定語，即：什么樣的數(shù)據(jù)。（這是定語還是形容詞，傻傻搞不清）
舉個例子：
極度活躍用戶、一般活躍用戶、不活躍用戶、沉默用戶、流失用戶。在用戶之前的字就是數(shù)據(jù)條件。
為啥說數(shù)據(jù)條件很重要呢？原因在于不同條件的數(shù)據(jù)在各項指標(biāo)上可能都會差異非常大，而無法用簡單的均值來做概括。例如極度活躍用戶在活躍天數(shù)、活躍時長、日活躍次數(shù)、留存率等上都會甩掉其他用戶好幾個級別。
當(dāng)然，更為日常的情況是，在和數(shù)據(jù)同學(xué)溝通的時候，一定要先確保大家的溝通前提處在同一條件下，不然很可能出現(xiàn)的情況是：拿到的數(shù)據(jù)是正確的，但是條件是偏差的。
4. 第一手分析很重要
很多小伙伴喜歡偷懶，覺得有數(shù)據(jù)挖掘同學(xué)分析數(shù)據(jù)就可以了，但其實并不是這樣的。
其一：除了數(shù)據(jù)本身是客觀的之外，對數(shù)據(jù)做的任何處理都是主觀的，不管是用模型還是各種數(shù)據(jù)之間的變形計算，都是主觀的，差別在于主觀的程度多少而已，每個人都會站在自己的背景知識去處理數(shù)據(jù)，如何保證別人的和自己相同呢？
其二：在分析數(shù)據(jù)的過程中，一般來說，各種橫縱向?qū)Ρ龋强梢园l(fā)現(xiàn)一些自己之前沒有注意過的結(jié)論的。而這點，別人幫你分析的過程中，一般這些信息無形中就不見了。
5. 分析具有聯(lián)動性
絕大多數(shù)情況下，單獨看某一個數(shù)據(jù)，一般意義不那么大，或者說達(dá)不到更好的效率。
舉些例子：
評價某模塊做的好不好，只看絕對uv，而不同時看模塊登錄比，介是耍流氓；
評價內(nèi)容做的好不好，只看生產(chǎn)的絕對量，而不同時看不同類型內(nèi)容的分別用戶uv占比/生產(chǎn)量，介也是耍流氓；
聯(lián)動的看數(shù)據(jù)，才能更加綜合的去判斷。
本文轉(zhuǎn)載自網(wǎng)絡(luò)，版權(quán)歸原作者所有！文章轉(zhuǎn)載請保留網(wǎng)址：http://aberdeenanguscattle.com/news/industry/1898.html
