意識誤區
1、資料分析很高大上
許多人在提到資料分析時，就覺得那只是少數掌握高階的分析方法或是分析技能的人的事情。
其實不然，真理至簡。在分析方法上，我們常說的四象限分析、SPAN圖、SWOT分析，都是經過驗證的簡單有效的分析模型，我們根據不同情況用這些模型，就是站在“前人的肩膀”上做分析。
在分析工具上，做資料分析也並不要求大家都掌握 Python、精通演算法，只要有合適的分析方法，找到關鍵性的指標，我們每個人都能用BI、Excel這樣的簡易工具完成分析。
2、 需要大數據才能支撐分析
日常我們聽到資料分析，往往都和大數據這個詞掛鉤，但實際上兩者並無任何依賴關係，更多是在炒作大數據這個概念。
分析需要的是特定資料，而不是更多的資料。大數據在很多情況下，其實是無法人力剔除髒資料的情況下的方案，透過放大資料量，減少這些內容的影響。但是如果我們的樣本，已經可以反映全量資料，那就已經直接進行分析，並且得到的結論也具有足夠的可信度。
3、與實際業務脫鉤
分析是無止境的，因為有著無窮無盡的變數，但是我們做分析是帶有明確目的性的，不要為了分析而分析。
解決這個誤區最管用的辦法，首先要找到最核心的指標（北極星指標），比如我們當前核心目標是app促活；再明確我們能做的事情，比如分析發現給的紅包力度越大，使用者越頻繁使用，留存率越好，但這明顯不是可行方案。那我們最終的結論很可能是長期透過運營內容，週期性透過紅包促活，這樣才能保證合理的獲客成本，實現良性的迴圈。
4、過分依賴資料過分依賴資料
過分依賴資料過分依賴資料一方面，會讓我們自己做很多沒有價值的資料分析；另一方面，也會限制產品經理本身應有的靈感和創意。
資料分析是達到目標的一個科學手段，但不是唯一的手段，而且過分依賴資料也會變得不科學。當資料缺失或是問題簡單時，資料分析並不是必要的步驟。假如你去造一個汽車，分析以往馬車的情況意義不大，甚至限制了對汽車舒適度和速度的想象。
邏輯誤區
1、辛普森悖論
先透過一個案例瞭解一下什麼是辛普森悖論：
這個表格中，不管是商學院，還是法學院，男生的錄取比例都比女生高很多，但是總體來看，女生錄取率卻是男生的兩倍。這種在分組比較中都佔優勢的一方，在總評中有時反而是失勢的一方的情況，就是辛普森悖論。
再舉一個例子，A 應用的使用者每日平均訪問時長提升了，因此我們得到了結論，使用者的粘性提升了，大家做的真棒！
但這是真的嗎，如果此時我們把使用者根據型別拆分來看，可能會得到如下的結論。
這能反映什麼呢？核心使用者和非核心使用者的日均訪問時長都沒有變化，似乎與之前的結論相悖。
此時我們就可以進一步分析，去檢視核心和非核心使用者的佔比情況。我們可以看到核心使用者佔比提升了，哦，原來是核心使用者佔比高，所以整體來看，拉高了日均訪問時長，此時又忍不住想誇一句大家做得真棒！
但這難道就是真的嗎，我們需要再看一下各類使用者的具體數量。
此時我們才得到了真正的結論，原來是非核心使用者減少了，有大批使用者的流失，才讓我們的指標看上去顯得變好了。
在這個問題中，我們就不只是看最終日均訪問時長結果，更應該加上使用者數這個觀測指標，或是透過合理的規劃，將使用者數的作用體現在最終指標裡。
迴避辛普森悖論的方法是：斟酌個別分組的權重，以一定的係數去消除以分組資料基數差異所造成的影響；瞭解該情境是否存在其他潛在要因而綜合考慮。
2、因果陷阱
在介紹因果陷阱之前，先給大家舉日常生活中經常會看到的觀點：打籃球能讓人長高、喝咖啡可以長壽、不吃早飯容易變胖、會撒嬌的女人更好命……然而事實真的是這樣嘛？下面我們來分別給出這幾個常見觀點隱藏的因果陷阱：
3、倖存者偏差
在講述倖存者偏差的之前，先給大家舉幾個例子：
🔶Amazon上賣極限運動裝置的商家，尤其賣降落傘、滑翔傘的賣家好評都是滿的，從來沒有差評。（出事故的人：“我倒是想有差評的機會”）；
🔶別人家的孩子都比你強。（日常接觸會放大瑕疵，偶爾接觸會放大優點）；
🔶讀書無用論、成功學。（天時地利人和缺一不可，哪怕只從自己身上看，態度勤奮可以爭取，挫折都可以模仿，但頭腦遠見幾乎不能複製。）
倖存者偏差出現的原因是邏輯和統計上的錯誤，本質是統計時忽略了樣本的隨機性和全面性，用區域性樣本代替了總體隨機樣本，從而對總體的描述出現偏差。當然倖存者偏差還很大程度上反映了人性的弱點，人性總是會讓我們忽略或篩選資訊，最終導致倖存者偏差。
要避免倖存者偏差有一下幾個方法：
🔷關注沉默的資料，當我們已經習慣了在熱搜上看到年入百萬、豪車豪宅，tiktok的崛起讓「沉默證據」發力：原來下沉市場才是更為廣闊的人群。
🔷學習數學統計知識，避免公式錯誤。就像講述辛普森悖論裡的案例，表面欣欣向榮，其實暗藏了使用者流失的風險。
🔷提升認知水平和邏輯思維能力，發生倖存者偏差很大程度是因為認知不夠寬廣，只知道表面資訊，沒抓住關鍵資訊，最後導致判斷失誤。
文章來源：帆軟大師兄
文章連結：https://mp.weixin.qq.com/s/OisAq1i6RU8TO9La6DB9FA
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
文章推薦
◆跟資料打交道的人都得會的這8種資料模型，滿足工作中95%的需求
回顧十週入門數據分析系列文：
關注數據君的臉書：
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，會有豐富資料包贈送唷！
