作为一名数据从业人员，从日常的工作需求和思考中，我愈发认为：数据分析的基本方法是统计，核心是业务理解和逻辑推理。
为了能更全面地介绍数据分析，这篇文章我将从：什么是数据分析、数据分析的基本步骤、数据分析的误区和构建指标监控体系的必要性这四个方面展开。
1.什么是数据分析？
如果用一句话概括什么是数据分析，在我看来，就是：数据分析是用适当的统计分析方法，对收集来的大量数据进行分析，提取有用信息和形成结论的过程。
一个完整的数据分析体系应该是如下图所示：
| 完整的分析体系 | 内容 | 报告类型 | 层级 |
|---|---|---|---|
| 发生了什么事？ | 常规报表、即时查询、多维分析、监测预警 | 描述性报告 | 描述阶段 |
| 这事为什么发生？ | 统计分析 | 探索性报告 | 挖掘阶段 |
| 会产生什么影响？ | 预测和预报 | 预测性报告 | 挖掘阶段 |
| 应如何应对？ | 优化策略 | 咨询性报告 | 挖掘阶段 |
| 能达到什么效果？ | 验证分析 | 验证性报告 | 挖掘阶段 |
其中，描述性数据分析属于初级分析方法，是我们工作中最常用的数据分析方法；探索性数据分析侧重于数据中探索性的特征，验证性数据分析侧重于验证之前假设的真伪性。
2.数据分析的基本步骤
一般而言，数据分析的基本步骤包括以下6部分：
- 明确分析目的
- 数据收集
- 数据处理
- 数据分析
- 数据展现
- 报告撰写
这里，我会着重介绍以下数据分析的目的，数据分析的其他步骤，在我的上一篇文章已经有写到，这里就不再赘述。感兴趣的读者可以查看：https://blog.csdn.net/Monica114/article/details/108195231
2.1 明确分析目的
明确数据分析的目的不仅是数据分析的开端，而且在整个数据分析中有着举足轻重的作用。在进行数据分析之前，梳理分析思路并构建分析框架，把分析目的分解成若干个不同的分析要点，是非常有必要的。
常见的分析目的包括：
- 分析解决问题：通过必要的数据试验才能追溯到问题源头，进而制定合理的解决方案，从而彻底解决问题；
- 支持运营活动：公司的产品功能上线后效果怎么样？A方案和B方案哪个效果更好？
- 评估产品机会：产品机会评估对后期产品设计及迭代都至关重要，甚至说决定了一个产品的未来和核心理念。
- 预测优化产品：数据分析的结果可以预测未来发生了什么，缩短迭代周期，进而精益求精。
3.数据分析的误区
在数据分析的过程中，也很容易走近误区。这里，我会列举一些常见的数据分析误区：
（1）忽略沉默用户：用户的迫切需求≠产品的核心需求
从产品的用户角度出发，可以大致将产品的用户分为粉丝、呐喊者和沉默的大多数。这三类用户群对产品的反应是完全不同的：
A、粉丝：无条件地热爱一个产品，盲目地推崇产品的一切，认为他们热爱的产品是完美的；
B、呐喊者：因为产品使用中碰到的问题而大声呐喊，他们会通过各种途径投诉，给出一些意见反馈或建议；
C、沉默的大多数：如果满意，他们下次就会再来；如果不满意，他们就会默默地离开。
在数据分析中，我们很容易忽略沉默用户，而很多时候，这部分沉默用户在整个用户群占比很大，因此，忽略沉默用户会给我们的分析带来很大的偏差。
（2）相关关系≠因果关系
这个误区，我举一个例子来解释：因果关系错误，或者我们忽略了关键因素，比如A和B的数据高度相关，有人就片面地认为A影响了B，或者B影响了A。但真实情况很可能是这样：C同时影响了A和B，而C被我们忽略掉了。
（3）样本量足够时，误差才会较小，结论才会可靠。
比如：A的三分投篮命中率为100%，B的三分投篮命中率为32%，看似A的命中率比B高，但实情很可能是：A只投了一个三分球，而B投了53个。
（4）平均数使用不当
当比尔·盖茨走进一个普通的酒吧时，一瞬间，酒吧里面的所有人都变成了亿万富翁。
所以，当数据的分布极度不均匀时，看“平均数”不如看“中位数”和“众数”。
（5）不匹配的对比
在我们使用对比分析时，不同变量必须是同类的或具有相同性质的，而且必须是处于同一个时间区间内。否则，这样的对比其实没有啥意义。
（6）别被数据的表达技巧所蒙蔽
这两个图是一样的数据，却是不同的图形。因此，有时候，虽然图表很直观，但也很容易欺骗你的眼睛。
（7）基于个案下结论
（8）分析目的不明确，为了分析而分析
（9）缺乏行业、公司业务认知，分析结果偏离实际：数据必须和业务结合才有意义
（10）忽略环境是动态变化的，数据分析的方法和标准并不是一成不变
（11）盲目依赖数据，对数据中呈现的问题缺乏求证
4.构建指标监控体系的重要性
在工作中就会发现，对某个业务的数据分析逐渐增多之后，对该业务的数据指标监控体系的搭建是非常有必要的，因为这是数据沉淀的必然结果。
4.1为什么要搭建指标体系？
1.建立业务量化衡量的标准
指标体系就是你对业务理解的量化呈现，无法量化，也就无法衡量。
2.避免重复造轮子（直接减少数据分析师的工作量）
指标体系建立后应该能覆盖大部分临时的数据分析需求。
3.快速定位问题（间接珍惜数据分析师的生命）
有了指标的前后关联关系，就可以通过回溯与下钻，快速找到关键指标波动的原因。
4.2如何搭建有效的指标体系？
1、多和业务方交流，他们基于自身的业务，基于考核关键指标应该去关注哪些数据？
2、最好从关键点出发，认识当前业务的关键问题，先解决当前阶段最重要的第一优先指标。