常見的資料分析誤區

　　在很多人的心裡，資料就代表著科學，科學就意味著真相。“資料不會騙人”，也成了說服別人時常用的口頭禪，事實果真如此嗎?讓我們來談談那些常見的誤區。

　　1.控制變數謬誤

　　在做A/B測試時沒有控制好變數，導致測試結果不能反映實驗結果。或者在進行資料對比時，兩個指標沒有可比性。舉個例子，為測試不同營銷時間點對下的轉化的影響，但A實驗使用簡訊營銷、B實驗使用電話營銷，未控制變數(營銷方式)，導致實驗無法得出結論。

　　2.樣本謬誤

　　(1)樣本量不夠

　　統計學的基礎理論基石之一就是大數定律，只有當資料量達到一定程度後，才能反映出特定的規律。如果出現樣本量極少的情況，建議把時間線拉長，獲得足量的樣本。或者將不重要的限定條件去掉，增加樣本數。

　　(2)存在選擇性偏見或者倖存者偏見

　　統計學的另一大理論基石是中心極限定理。簡單描述就是，總體樣本中，任意一個群體樣本的平均值，都會圍繞在這個群體的整體平均值周圍。

　　舉個例子，在應用升級期間，衡量登入使用者數、交易使用者數等指標，來判斷使用者對新版本的喜歡是否優於老版本。聽上去非常合理，但這裡實際就隱藏了選擇性偏見，因為新版本釋出時，第一批升級上來的使用者往往就是最活躍的使用者，往往這批使用者的指標較好，但不代表新版本更好。

　　(3)混入髒資料

　　這種資料的破壞性比較大，可能得出錯誤的結論。通常我們會採用資料校驗的手段，遮蔽掉校驗失敗的資料。同時，在分析具體業務時，也要針對特定業務，對所使用的資料進行合理性限定，過濾掉異常離群值，來確保擁有比較好的資料質量。

　　3.因果相關謬誤

　　會誤把相關當因果，忽略中介變數。比如，有人發現雪糕的銷量和河溪溺死的兒童數量呈明顯相關，就下令削減雪糕銷量。其實可能只是因為這兩者都是發生在天氣炎熱的夏天。天氣炎熱，購買雪糕的人就越多，而去河裡游泳的人也顯著增多。

　　4.辛普森悖論

　　簡單來說，就是在兩個相差較多的分組資料相加時，在分組比較中都佔優勢的一方，會在總評中反而是失勢的一方。

　　5.個人認知謬誤

　　主觀臆斷、經驗當事實、個體當整體、特徵當全貌、眼見當事實。

　　舉個主觀臆斷的例子：某個產品A頁面到B頁面的轉化率30%，直接判斷為很低，推匯出可以提高到75%。但實際類似產品或者使用者行為決定頁面的轉化率就只有這麼高，得出一個錯誤的結論。標準至關重要，資料+標準=判斷。有了判斷才能深入分析。通過分組對比找標準(象限法、多維法、二八法、對比法)，有標準通過分析對比，找到“好/壞”的點

　　統計學規律和理論不會錯，犯錯的是使用它的人。因此，我們在進行資料分析時，一定要格外小心，錯誤的資料，披上科學的外衣，就很難分辨了。

　　常見的資料分析誤區.中琛魔方大資料平臺表示大資料時代，企業的資料體量不斷擴大，業務需求不斷變化，資料分析的環境也不斷變化。我們要實時更新知識和工具庫，也要警惕和避免踩中上面這些資料分析的誤區。