数据是客观的，但解读数据的人是主观的。同一份数据，受经验、思维、心态的影响，由不同的数据分析师得出的结果很可能截然不同。
想提高数据分析水平，一方面需要有益经验的积累，另一方面要尽量规避错误的方法和思维。
本文列举5个做数据分析时常会陷入的误区，帮助大家在以后的分析中少走弯路。
1、数据一定客观
数据是会骗人的。
举个有名的例子，二战时英军发现，从战场飞回来的战机，机身上的弹孔比引擎和油箱上的要多得多，根据这个数据，我们很容易得出要加强机身的防护的建议。
但事实的真相却是，那些引擎和油箱上中弹的飞机已经回不来了，我们更应加强引擎和油箱的防护，这就是常说的“幸存者偏差”。
再者，数据是可能被人为操纵的。比如店铺的评论，比如电影的评分，比如某公司发布的关于其所在行业的分析报告，都具有一定的主观性。
基于错误的数据，做出的分析结论是无益甚至是有害的。所以在数据分析前，我们先要考证数据的来源及可信度，还要关注不符合常理的数据变化，对数据采集方法进行调整。
2、过度依赖数据
对于业务决策来说，数据分析只是辅助手段，而不是核心推动力。
许多数据是无意义的，过度依赖数据于决策无益甚至会引导上级做出错误的决策。
在书籍《大数据时代》中，提到了这样一种情况：
玛丽莎·迈尔在任谷歌高管期间，有时会要求员工测试41种蓝色的阴影效果，哪种被人们使用最频繁，从而决定网页工具栏的颜色。
这是陷入“数据之上”的误区，这样的数据是毫无意义的，访客能不能看出细微的差别不说，几乎没有人会因为阴影效果的不同而决定访问/不访问这一网页。
所以，一份靠谱的分析结论，既来源于对关键数据的分析，也来源于经验的积累，来源于分析师对业务的认识。如果简单地把论证过程简单地简化为数据分析过程，事实上是一种偷懒行为。
3、轻视业务
这是数据分析初学者极易犯的错误，只懂技术不懂业务，就不能真正理解业务需求。很多新手认为工作中只需要勤勤恳恳敲代码就行——无数SQL boy/girl就是这么诞生的。
最好的分析师一定是既懂技术又懂业务的。因为技术是为业务服务的，公司衡量技术的价值，不在于分析技术有多高超，而是对业务有没有贡献。
所以，数据分析师也要多去一线了解业务运作，帮助解决业务运营中遇到的各种问题。
除了深入了解业务，我们还需要积累丰富的数据分析模型库以应对各种业务场景，比如金字塔模型、KANO分析模型、RFM模型、购物篮分析模型、四象限模型......这些经典且广泛应用的模型。
当然，这些模型如果用传统工具搭建，通常需要花费大量时间，而且不够灵活，一点小的调整就带来大量的工作量，很不友好。
好的数据分析师擅于用好的工具，如果借助FineBI，只需通过鼠标操作就能快速搭建出各种模型，而且可以根据需要随时调整，进行探索式分析。数据分析做成这样，还有谁会说对业务没有价值呢！
4、忽略效率
数据分析是整个商业活动的一环，而商业是追求效率的。很多新人容易陷入追求完美算法的陷阱，放着简单的方案不用，非要花大量时间在钻数据算法的牛角尖上，最后交出一份领导懒得看的长文报告。
对企业来说，这样的工作态度并不可取。
推动分析结论落地是数据分析价值的体现，数据分析师除了要用最具效率的算法，还需要拿出让决策层和执行层都信服的分析报告。
前面说到的FineBI工具不仅有丰富的图表样式满足各种分析场景，还可以用多个图表搭建驾驶舱，通过图表联动和上探下钻，让用户自由探索数据背后的价值，制作和应用的效率都很高。
5、“套路式”分析
在数据分析学习时我们或许习惯了各种解题套路，但在实操时其实并不存在通用的分析套路。不同的行业、不同的业务，不同的阶段，哪怕用的是同一种分析方法，结论都应有所区别。
比如to C和to B行业的客户运营就是不一样的，比如互联网初创公司可能追求用户增长，步入成熟期后追求利润率提高。
对待每一次分析，我们应该结合业务场景中思考，结论要有针对性，不能被套路束缚住，也不能简单依赖过往的类似案例。
大数据时代，企业的数据体量不断扩大，业务需求不断变化，数据分析的环境也不断变化。我们要实时更新知识和工具库，也要警惕和避免踩中上面这些数据分析的误区。
