想做数据分析？先避开这4个新手常见的错误！

般聊到如何做数据分析的文章，从各个视角去介绍数据分析的思路和流程。但今天篇文章，不告诉你怎么按1234的步骤做数据分析，而是告诉你在数据分析中，不要做什么。

正如查理芒格所言：“在生活和事业，很多成功都来自于你避免了某些事情：比如早逝、糟糕婚姻等。” 我相信，和“要做到好而深入数据分析”相比，“不在数据分析踩坑”会是更易于执事情，这是也这篇文章诞生原。

的错误集合，都是从身边的真实案例总结而来的。从错误发，会给我们认为正确的做法和思路，希望对大的真实工作场景有启发。

错误1：最后一刻才想起要数据分析

典的场景是，领导和你说：明天交一个总结ppt给我。这时候你才想起来数和分析，很可为时已晚。如果是规的数据可看的数据平台获取；但如果是个性的看数需求，就必须经历这些步骤：确定埋点方案、开发埋点、与数据分析师的具体数需求沟通、实际数、整数据、最终分析。在这么长的链路中，如果有哪一步漏了，都有可导致你拿到想要的数据。

解法：从项目初始阶需要有数据思维

正确是怎样呢？应该是从项目开始，根据你案，去定义你应该看什么数据来衡量最终设计成败。这样来好处是，首先会倒逼我们从考虑案时候，专注于能带来实数据提升案，避免自嗨型案、没有办法衡量结成败案；其是这样才能保证，我们在埋时候不会漏掉本该埋数据，避免最终上线出现没有埋数据，导致法衡量结情况。

错误2：对基础数据指标的定义不了解

不了解基本数据指标概念，也是个常犯误。例如说我们常遇到团队新会有这样疑问：客单价和 UV 价值有什么？UV 击率和曝击率有什么？这是于数据指标基本概念理解不足造成。如连指标都含义都没有了解晰，于进步数据分析头雾也是难免。

解法：从定义来初步认识，从影响素和场景来加深理解

首先，最简单粗暴，是读指标解释。般数据平台都有地专解释这个指标背后公，这些解释会帮助我们立不指标初步理解。前也写过篇文章《电商设计，你必须懂10条数据指标》，希望能加深大家于数据指标理解。

更进步，有两个度可以尝试去思考。​例如以客单价和单 UV 价值案例来说，第个度，是看这个指标关键影响素。像客单价，是更容易受到货属性影响，奢侈品客单价天然会趋于比消费品客单价更高；单 UV 价值，更容易受到流量质量影响，比如把促销敏感型用户导入了奢侈品频，这个时候，般 UV 价值是会极低，而客单价可能没有太大变化。第个度是看这个数据指标使用场景。如客单价，可以用来看这个业务品类特征如何，UV 价值，是用来看流量与业务匹配度，以及判断业务潜力。比如，看要不要到这个业务更多资，可以看 UV 价值，为 UV 价值高，代表了这个地更多类流量，它 GMV 会更高。​

错误3：分析逻辑链缺失

个典型案例，是看了 GMV 上涨，下定论说代表我策略是成功。为什么有问题呢？为 GMV 上涨是各变量综合导致结，如不去深入分析其到底是什么变量导致了 GMV 上涨，是不能接跳过逻辑链去下判断。

解法：拆公、拆链路

首先是从式上直接开始分析。假设你之前的策略是提升转化率——么在上图的式拆中，虽最终的gmv是提升的，但因为gmv提升主要是由浏览UV的提升带来的，因此转化率相关的策略以说是失败。

二个思路，是由观到微观的方式去排查问题的方式。电场中，我们以先看易数据，看下是否达到当初的预期，与历史对比是涨还是跌；看流量数据，因为流量是影响 gmv的最大因素之一，时就以分析易数据的涨跌，是否是因流量的涨跌导致的；或者说是流量质量导致的转化率低等等；果分析完，现流量的影响不大，时以进下一级，去分析核心的节点是否存在问题。比在电黄金流程场中，我们看搜索、详、加购等核心页面的漏斗；而在大促场中，我们能去看主场的主推楼们是否达成预期的产出。个就是以观到微观去排查问题的思路。

错误4：只抓了一条变量，忽略其他关键变量

有时，我们的分析看来有理有据、是有数据支撑的，初步看来逻辑没有大问题。例说，根据以下个点击率的图表，似乎以直接推测出个页面里，除XX楼以外，其他的楼表现不佳。是我们以直接下结论说：未来还做样的页面的时，迭代的方向，就是直接把表现不佳的楼去掉，只留下个表现的楼吗？——样的结论是失之轻率的。到底问题出在哪里呢？

问题在：我们似乎建立一个前提，即样的数据结论是仅仅源自“楼的定位或者设计”一个变量而导致的。因此数据=楼的定位和设计成功，要延续；数据差=楼的定位和设计成功，要复用。但是现情况，永远比我们设想的要复。仅抓一条变量就贸下结论，风险是比大的。

法：找到各种关键变量，排除或确认个变量的影响

回到业务场，现还有更变量。在个案例中，我们二个要考虑的变量，是流量渠道。以上图表是APP的楼数据，么M端是否是一样的趋势呢？拉出来M端的点击率图表一看，现趋势完是不一致的：

此时有一个猜测：APP端流量更内部自流量，M端更外推流量，因此我们以得出，个点击率反映的是JD自有流量和外推流量对个页面完不同的行为特征。

那为什么带来用户和站内用户，个页需求异那么大呢？为这是个以 IP 内容为主页，页大部分区域都是 IP类商品，是带有定粉丝。到页很下才有 IP 度商品，这里商品是全品类。说到这里，大家应该意识到了：这里有第三个变量——楼层内容异。此时把第个变量与第三个变量交判断，是本数据分析关键问题：楼层内容与流量渠匹配度高低。

根据上分析，我们可以出最终结论：

• 外推带来的用户，对页面的主推 IP 内容更感兴趣，说明次外推触达的用户是更精准符合个页面的用户群；
• 而站内用户，于页主内容是缺乏兴趣，有看到全品类楼层才有兴趣，说明站内自有流量与本 IP 页不太匹配；
• 综上，在后续进行同类的 IP 页面的营时，若想要达成更精准的人货匹配，建议把流量重点放在外推的流量上，而降低对流量的效果的预期。

以上是如何排除各自变量影响分析案例。基本思路是：不要满足于你手上抓住那条变量，而是尽可能多地找到这个场景里关键变量，再个个变量去排除或者确认它影响，最终才到较合理结论。

小结：跨过分析门槛→深挖分析深度

结以上问题，发现这些问题本质上是从分析小白→到分析进阶者遇到些槛。如下图样，要输出份符合逻辑、能业务有实帮助数据分析，我们需要避免踩到这些坑。

而我们解法，有踏实做好以下事情：

• 在链路有数据意识，避免在最一步才想要数据分析；
• 数据指标有基本认识，避免拿着指标头雾；
• 分析时要有溯源逻辑，避免仅通过一个指标判断成败；
• 穷举各种可能的变量，避免只抓一个变量就下判断。

上就是于数据分析如何才踩坑的个人心得，如果有任何数据相问题想讨论，在章方留言~

欢迎关注「JellyDesign」的程序：