你知道吗？每过去1分钟，Instagram上就多了1736111个赞，Snapchat上就多了284722个照片/视频分享，Tinder上就多了590278次“翻牌子”。移动应用和手机游戏的飞速发展催生了巨量级的数据资料，这些数据生动地刻画了用户的使用轨迹和行为习惯，价值难以估量。
于是，针对这些数据开展专业研究工作的数据分析人员成了香饽饽，他们的分析结论有可能对一个产品的发展走向带来巨大的影响。而作为数据分析人员，要在大量的数据中找到有意义、有价值的内容并不是易事。
photo-1429051883746-afd9d56fbdaf
过去，数据分析师绝大多数来自统计学或编程学的人才。随着越来越多企业发现，数据分析人员应该同时具备数据分析能力以及商业运作能力，这种情况在近几年才有所转变。
对数据的解读能力、问“正确”问题的能力以及解答问题时的灵活性，都是衡量一名数据分析人员是否足够称职的关键。
数据分析师Pavel Trejbal持有认知信息学硕士学位，就职于AppAgent（为移动游戏工作室和创业团队提供营销服务的一家企业）。他的学术领域涉及到许多学科，包括经济教育学、心理学、脑科学、语言学、人工智能以及哲学。Pavel表示：“我不敢妄言自己是这些领域的专家，不过对这些领域的广泛认识的确帮助我在面对难题时以出其不意的角度找到解决方法。”
在数字的海洋里翻滚了六年，Pavel有过不少成功的表现，也有过很糟糕的分析结论。在这里，他给我们分享了数据分析人员最常犯的五个错误，以及对应的预防方法/建议。
错误一：执着于完美的算法
明明有现成的、简单的但非常适用的方案不采用，偏偏把时间花在对数据算法的钻牛角尖上，这是数据分析人员所犯的最常见的错误。与其花上一整个月的时间交出一份无比详尽的长文报告，不如在短时间内交出一份简洁的数据分析。也许后者在一些细枝末节上不够精确，但具有直接参考价值的结论才是你的上级亟需的。直击要点才是最有效率的做法，在商业战争里时间太重要了！
错误二：迷信完美通用的方法论
千万不要这样做。每一个业务，每一次分析，都是有区别的。完美通用的方法论听上去很美好，但具体的方案必须由自己思考得出。对待每次分析，都应该是面对全新挑战的姿态，开放思考、亲自分析，不能依赖过往的类似案例。
错误三：只看数据，忽视其他分析依据
如果在数据分析过程当中发现一些特别突出的数据变化，记住：三人行，必有我师焉。在定论出来之前，主动找到产品运营、社区运营或者游戏策划商量，毕竟这些同事才是与用户有最直接接触、最理解产品的人。异样的数据变化，经常来自于不科学的解读方法或者数据采集过程中的技术错误。
错误四：清理数据的方式不科学
清理数据在数据分析工作里是个比较无趣的工序，而且往往要花上大部分的时间，但这个工序是绝对不能忽视的。在清理数据的过程当中，你会了解到哪些地方分析错了或者遗漏了、哪些地方限制了你的解读能力。如果跳过这个工序，分析结果很可能不靠谱，甚至得出与客观情况完全相反的结论。
错误五：无法分辨不同的工具和指标
因为总会存在不同的技术设定或者指标定义，所以每一款数据分析工具都是独一无二的。使用这些工具之前，一定要清楚区别在哪里。最近我们就有用Google Analytics采样分析里的转化率和收入数据来进行A/B测试。刚开始，A变量在两项指标中都比B变量有更好的表现，但我们没有直接采用这个结论。我们把原始数据下载下来进行手动的分析。这次的分析结果跟之前完全相反，A变量在两项指标中都比B变量差很多。
离开座位，多多走动
Pavel确信，身为数据分析人员，无论如何都不应该守在自己的“象牙塔”里。相反，数据分析人员应该更多参与到公司的日常业务里，比如出席运营营销体系、产品策划团队的会议。如此，数据分析人员才能更好地理解策划人员及决策者的需求，接收更多跟产品直接相关的信息，并且适时提出数据分析提高产品表现的方案。除此之外，决策者们也更能理解到数据分析的价值，并且激励整个团队的钻研精神。
数据分析是非常重要的一环，虽然很复杂，但掌握一定逻辑和方法后，应该说不会有太多难处。而且，这不有我们作为前车之鉴吗？请不要再犯这些错误才好。
作者：Peter Fodor
于是，针对这些数据开展专业研究工作的数据分析人员成了香饽饽，他们的分析结论有可能对一个产品的发展走向带来巨大的影响。而作为数据分析人员，要在大量的数据中找到有意义、有价值的内容并不是易事。
photo-1429051883746-afd9d56fbdaf
过去，数据分析师绝大多数来自统计学或编程学的人才。随着越来越多企业发现，数据分析人员应该同时具备数据分析能力以及商业运作能力，这种情况在近几年才有所转变。
对数据的解读能力、问“正确”问题的能力以及解答问题时的灵活性，都是衡量一名数据分析人员是否足够称职的关键。
数据分析师Pavel Trejbal持有认知信息学硕士学位，就职于AppAgent（为移动游戏工作室和创业团队提供营销服务的一家企业）。他的学术领域涉及到许多学科，包括经济教育学、心理学、脑科学、语言学、人工智能以及哲学。Pavel表示：“我不敢妄言自己是这些领域的专家，不过对这些领域的广泛认识的确帮助我在面对难题时以出其不意的角度找到解决方法。”
在数字的海洋里翻滚了六年，Pavel有过不少成功的表现，也有过很糟糕的分析结论。在这里，他给我们分享了数据分析人员最常犯的五个错误，以及对应的预防方法/建议。
错误一：执着于完美的算法
明明有现成的、简单的但非常适用的方案不采用，偏偏把时间花在对数据算法的钻牛角尖上，这是数据分析人员所犯的最常见的错误。与其花上一整个月的时间交出一份无比详尽的长文报告，不如在短时间内交出一份简洁的数据分析。也许后者在一些细枝末节上不够精确，但具有直接参考价值的结论才是你的上级亟需的。直击要点才是最有效率的做法，在商业战争里时间太重要了！
错误二：迷信完美通用的方法论
千万不要这样做。每一个业务，每一次分析，都是有区别的。完美通用的方法论听上去很美好，但具体的方案必须由自己思考得出。对待每次分析，都应该是面对全新挑战的姿态，开放思考、亲自分析，不能依赖过往的类似案例。
错误三：只看数据，忽视其他分析依据
如果在数据分析过程当中发现一些特别突出的数据变化，记住：三人行，必有我师焉。在定论出来之前，主动找到产品运营、社区运营或者游戏策划商量，毕竟这些同事才是与用户有最直接接触、最理解产品的人。异样的数据变化，经常来自于不科学的解读方法或者数据采集过程中的技术错误。
错误四：清理数据的方式不科学
清理数据在数据分析工作里是个比较无趣的工序，而且往往要花上大部分的时间，但这个工序是绝对不能忽视的。在清理数据的过程当中，你会了解到哪些地方分析错了或者遗漏了、哪些地方限制了你的解读能力。如果跳过这个工序，分析结果很可能不靠谱，甚至得出与客观情况完全相反的结论。
错误五：无法分辨不同的工具和指标
因为总会存在不同的技术设定或者指标定义，所以每一款数据分析工具都是独一无二的。使用这些工具之前，一定要清楚区别在哪里。最近我们就有用Google Analytics采样分析里的转化率和收入数据来进行A/B测试。刚开始，A变量在两项指标中都比B变量有更好的表现，但我们没有直接采用这个结论。我们把原始数据下载下来进行手动的分析。这次的分析结果跟之前完全相反，A变量在两项指标中都比B变量差很多。
离开座位，多多走动
Pavel确信，身为数据分析人员，无论如何都不应该守在自己的“象牙塔”里。相反，数据分析人员应该更多参与到公司的日常业务里，比如出席运营营销体系、产品策划团队的会议。如此，数据分析人员才能更好地理解策划人员及决策者的需求，接收更多跟产品直接相关的信息，并且适时提出数据分析提高产品表现的方案。除此之外，决策者们也更能理解到数据分析的价值，并且激励整个团队的钻研精神。
数据分析是非常重要的一环，虽然很复杂，但掌握一定逻辑和方法后，应该说不会有太多难处。而且，这不有我们作为前车之鉴吗？请不要再犯这些错误才好。
作者：Peter Fodor
