一般聊到如何做數據分析的文章，都會從各個視角去介紹數據分析的思路和流程。但今天這篇文章，不會告訴你怎么按1234的步驟做數據分析，而是告訴你在數據分析中，不要做什么。

正如查理芒格所言：“在生活和事業中，很多成功都來自于你避免了某些事情：比如早逝、糟糕的婚姻等。” 我相信，和“要做到好而深入的數據分析”相比，“不在數據分析中踩坑”會是更易于執行的事情，這是也這篇文章的誕生原因。

以下的錯誤集合，都是從身邊的真實案例總結而來的。從錯誤出發，也會給出我們認為正確的做法和思路，希望能對大家的真實工作場景有所啟發。

錯誤1：最后一刻才想起要數據分析

典型的場景是，領導和你說：明天交一個總結ppt給我。這時候你才想起來去提數和分析，很可能為時已晚。如果是常規的數據可以看內部的數據平臺去獲取；但如果是個性化的看數需求，就必須經歷以下這些步驟：確定埋點方案、開發埋點、與數據分析師的具體提數需求溝通、實際提數、整理數據、最終分析。在這么長的鏈路中，如果有哪一步漏了，都有可能導致你拿不到想要的數據。

解法：從項目初始階段便需要有數據思維

正確的方式是怎樣的呢？應該是從項目開始，就根據你的方案，去定義你應該看什么數據來衡量最終的設計成敗。這樣一來的好處是，首先會倒逼我們從考慮方案的時候，就專注于能帶來實際數據提升的方案，避免自嗨型方案、沒有辦法衡量結果成敗的方案；其次是這樣才能保證，我們在埋點的時候不會漏掉本該埋的數據，避免最終上線出現沒有埋數據，導致無法衡量結果的情況。

錯誤2：對基礎數據指標的定義不了解

不了解基本的數據指標概念，也是一個常犯的錯誤。例如說我們常遇到團隊中的新人會有這樣的疑問：客單價和 UV 價值有什么差別？UV 點擊率和曝光點擊率有什么差別？這就是對于數據指標的基本概念理解不足造成的。如果連指標都的含義都沒有了解清晰，對于進一步的數據分析一頭霧水也是難免的。

解法：從定義來初步認識，從影響因素和場景來加深理解

首先，最簡單粗暴的方式，就是通讀指標解釋。一般數據平臺都有地方專門解釋這個指標的背后公式，這些解釋會幫助我們建立對不同指標的初步理解。之前也寫過一篇文章《電商設計，你必須懂的10條數據指標》，希望能加深大家對于數據指標的理解。

更進一步，有兩個角度可以嘗試去思考。?例如以客單價和單 UV 價值的案例來說，第一個角度，是看這個指標的關鍵影響因素。像客單價，是更容易受到貨的屬性影響的，奢侈品的客單價天然就會趨向于比消費品的客單價更高；單 UV 價值，更容易受到流量質量的影響，比如把促銷敏感型的用戶導入了奢侈品的頻道，這個時候，一般 UV 價值是會極低的，而客單價可能沒有太大的變化。第二個角度是看這個數據指標的使用場景。如客單價，可以用來看這個業務的品類特征如何，UV 價值，是用來看流量與業務匹配度，以及判斷業務的潛力。比如，看要不要給到這個業務更多的資源，就可以看 UV 價值，因為 UV 價值高，就代表了給這個地方更多的同類流量，它的 GMV 就會更高。?

錯誤3：分析邏輯鏈缺失

一個典型的案例，是只看了 GMV 上漲，就下定論說代表我的策略是成功的。為什么有問題呢？因為 GMV 上漲是各種變量綜合導致的結果，如果不去深入分析其中到底是什么變量導致了 GMV 上漲，是不能直接跳過中間的邏輯鏈去下判斷的。

解法：拆公式、拆鏈路

首先是從公式上直接開始分析。假設你之前的策略是提升轉化率——那么在如上圖的公式拆解中，雖然最終的gmv是提升的，但因為gmv提升主要是由瀏覽UV的提升帶來的，因此轉化率相關的策略可以說是失敗了。

第二個思路，是由宏觀到微觀的方式去排查問題的方式。電商場景中，我們可以先看交易數據，看下是否達到了當初的預期，與歷史對比是漲還是跌；然后再看流量數據，因為流量是影響 gmv的最大因素之一，這時候就可以分析交易數據的漲跌，是否是因流量的漲跌導致的；或者說是流量質量導致的轉化率低等等；如果分析完，發現流量的影響不大，這時候可以進入下一級，去分析核心的節點是否存在問題。比如在電商黃金流程場景中，我們看搜索、商詳、加購等核心頁面的漏斗；而在大促場景中，我們可能會去看主會場的主推樓層們是否達成了預期的產出。這個就是以宏觀到微觀去排查問題的思路。

錯誤4：只抓了一條變量，忽略其他關鍵變量

有時候，我們的分析看起來有理有據、是有數據支撐的，初步看起來邏輯沒有大問題。例如說，根據以下這個點擊率的圖表，似乎可以直接推測出這個頁面里，除了XX樓層以外，其他的樓層表現不佳。于是我們可以直接下結論說：未來還做這樣的頁面的時候，迭代的方向，就是直接把表現不佳的樓層去掉，只留下這個表現好的樓層了嗎？——這樣的結論是失之輕率的。那到底問題出在哪里呢？

問題在于：我們似乎建立了一個前提，即這樣的數據結論是僅僅源自“樓層的定位或者設計”這一個變量而導致的。因此數據好=樓層的定位和設計成功，要延續；數據差=樓層的定位和設計成功，要復用。但是現實情況，永遠比我們設想的要復雜。僅抓了一條變量就貿然下結論，風險是比較大的。

解法：找到各種關鍵變量，排除或確認這個變量的影響

回到真實業務場景，會發現還有更多變量。在這個案例中，我們第二個要考慮的變量，是流量渠道。以上圖表是APP的樓層數據，那么M端是否是一樣的趨勢呢？拉出來M端的點擊率圖表一看，會發現趨勢完全是不一致的：

此時有了第一個猜測：APP端流量更多內部自流量，M端更多外推流量，因此我們可以得出，這個點擊率反映的是JD自有流量和外推流量對于這個頁面完全不同的行為特征。

那為什么外推帶來的用戶和站內的用戶，對同一個頁面的需求差異那么大呢？因為這是一個以 IP 內容為主的頁面，頁面大部分區域都是 IP類商品，是帶有一定粉絲向的。直到頁面很下方才有非 IP 角度的商品，這里的商品是全品類的。說到這里，大家應該意識到了：這里還有第三個變量——樓層的內容差異。此時把第二個變量與第三個變量交叉判斷，就是本次數據分析的關鍵問題：樓層內容與流量渠道的匹配度高低。

根據上面的分析，我們可以得出最終的結論：

• 外推帶來的用戶，對于頁面的主推 IP 內容更感興趣，說明本次外推觸達的用戶是更精準符合這個頁面的用戶群體；
• 而站內的用戶，對于頁面的主推內容是缺乏興趣的，只有看到全品類樓層才有興趣，說明站內自有流量與本次 IP 頁面不太匹配；
• 綜上，在后續進行同類的 IP 頁面的運營活動時，若想要達成更精準的人貨匹配，建議把流量重點放在外推的流量上，而降低對站內流量的效果的預期。

以上就是一次如何排除各自變量影響的分析案例。基本的思路是：不要滿足于你手上抓住的那條變量，而是盡可能多地找到這個場景里的關鍵變量，再一個個變量去排除或者確認它的影響，最終才得到較合理的結論。

小結：跨過分析門檻→深挖分析深度

總結以上的問題，發現這些問題本質上是從分析小白→到分析進階者之間遇到的一些門檻。就如下圖一樣，要輸出一份符合邏輯、能對業務有實際幫助的數據分析，我們就需要避免踩到這些坑。

而我們的解法，就只有踏實做好以下的事情：

• 在全鏈路有數據意識，避免在最后一步才想起要數據分析；
• 對數據指標有基本認識，避免拿著指標一頭霧水；
• 分析時要有溯源邏輯，避免僅通過一個指標判斷成敗；
• 窮舉各種可能的變量，避免只抓到一個變量就下判斷。

以上就是關于數據分析如何才能不踩坑的個人心得，如果有任何數據相關問題想討論，歡迎在文章下方留言~

歡迎關注「JellyDesign」的小程序：