数据在改变着当下的世界，但同时它也蕴藏着巨大的陷阱。在数据还不叫统计数字的年代，马克·吐温有句名言：“统计数字经常欺骗我，特别是我自己整理它们时。针对这一情况，有一种说法十分准确：‘世界上有三种谎言：谎言、该死的谎言、统计数字。’”

生活中，我们已经听过太多实现数据掘金，赚取巨大回报的故事了。但实际工作中，我们自己处理数据时，它却很容易成为马克·吐温口中的谎言。而身陷这个巨大谎言陷阱中的我们，往往后知后觉，浪费了很多金钱和心血。

为了让更多的朋友不在深陷其中，中士哥根据自己服务过的300多家企业，上千个数据分析项目的实战经验，总结了18个让数据变成谎言的陷阱，让你能提早防范，并给出了逃离陷阱的建议，希望你能喜欢。

在分享这18个让数据变成谎言的陷阱之前，我们需要先看一看完整的数据分析工作大致是什么样的。通常有5个步骤：

1. 量化。用统一的标准（或者说统计口径）不重不漏的量化业务，并将业务数据均与财务数据关联。

2. 有数。根据统计口径、统计平台和项目进度，选择合适的采集技术，并正确运用采集技术，让采集回来的数据与统计口径相符。

3. 看数。根据查看者将数据可视化图表汇总&分类，并将重点指标根据波动大小设置阈值，一旦触发自动提醒需要关注数据的人。

4. 分析。以达成业务目标为分析目标，结合行业均值数据，选择合适的分析方法分析数据，切勿为了分析而分析。

5. 用数。根据分析结果，进行产品改动、推荐/推送/广告投放策略的调整、甚至文案和素材的调整等等。

做成这5个步骤，很可能会遇到如下18个让数据变成谎言的陷阱。

量化阶段的4个陷阱

在如今这个网站、APP、H5和各类小程序，共同构建在线业务的年代，选个现成的数据分析工具一接入，获取的数据就能满足数据分析需求的情况还有吗？有！但太少了，少到我不得不告诉你，也许你们的在线业务发展空间很大、很大、很大。

在如此复杂的在线业务面前，我们必须先做一些必要的规划工作才能有效的量化业务，绝大多数第三方公司管这个过程叫——指标体系搭建。（PS：包装的真好！）我们看一下这里面有哪4个陷阱，及如何应对他们。

陷阱一：统计口径不统一。

统计口径不统一是指：同一个指标每个平台得是一个意思，否则不同平台的数据对比也好和汇总也罢，意义都不大。

以阅读量为例，见如下表格：

虽然都叫阅读量，但这仨货明显不是一个东西，直接对比三者毫无意义。汇总三者顶多知道打开次数至少是三者之和 和 可能真的阅读了的次数至多是三者之和，得不到什么确切结论。

为什么会出现统计口径不统一的情况呢？一方面是因为，这么多平台，大概率是不同人运营，难免会有差异，统一起来需要时间；另一方面是因为，互联网行业还没有统一的行业标准，没有统一标准人员流动小也可以，至少可以自成一派，偏偏互联网又人员流动性大，总是你方唱罢我登场，就没个统一的时候。

写在应对建议前的话：如果你就是想割资本的韭菜，那看过上面的内容，你可能就把“阅读量”的统计口径统一成刷新+1了，我想劝你善良，但估计你会选择性失聪，所以，我就不多说了；如果你是要接盘的资本方，“阅读量”是不是“虚高”，也许你刷新一下就知道了。不扯了，进入正题。

陷阱一的应对建议，这是一个管理问题，管理问题管理手段才能解：

1) 制定一个名字与含义相符的、全平台适用的统计口径；

2) 协调可以管理各个平台的部门，以行政&财务手段，推行上述统计口径；

3) 相关职位新员工的入职培训和转正考核，统计口径均为必选项。

PS：想看现成的名字与含义相符的、全平台适用统计口径的朋友，记得留言告诉我，并关注及时查看更新，让你成为圈子里最像数据专家的那个人。

陷阱二：业务并未全面量化。

大数据已经聊了快10年了，完全不做量化的基本没有了，但量化不完整的，还是屡见不鲜，让人甚是惋惜。

例如，一个购物流程是：活动页>详情页>购物车>结算页>订单页>支付页>成功页，7个页面，但只有活动页、详情页和支付页进行了详细量化，其他页面没有量化。这些页面就成了“黑盒”，我们根本无法了解到底发生了什么，也就没法凭据十足的制定优化策略，更谈不上推动我们希望的优化方案落地了。

再举个例子，一波广告活动，要投放很多渠道，但有些渠道没有详细量化单元、计划和素材；结果只知道总转化，却不知道具体哪个单元、计划和素材效果更好，这事成“黑盒”了，没法把好钢用在刀刃上，提升投入产出。

为什么会出现部分业务并未全面量化的情况呢？一方面是不同平台业务流程并不完全相同，且很可能是不同的产品经理独立迭代，不同平台间有差异的地方，就特别容易在量化时遗漏；另一方面是虽然大家都能意识到可能存在这个问题，但这个事不是任何人的KPI，且都已经996了，谁还有余力做“分外”事呀。

陷阱二的应对建议：归根究底是这事没人负责，找能负责的人来管。注意，这里分产品里的业务流程和广告投放两部分。

1) 找能统一负责同一个产品，APP、网站和各小程序整体效果的人（一般是产品总监或产品VP）。负责产品业务流程的全面量化；或者这个事是数据分析师负责，但允许数据分析师协调这个能对产品整体负责的人推动这个事。

2) 找能统一负责同一个产品所有广告投放的人，负责产品广告投放的全面量化；或者数据分析师负责，但数据分析师可以协调能对该产品所有广告投放负责的人推动这个事。

PS：先找负责人，再说怎么推动，否则就是踢皮球，无解。

陷阱三：不与财务数据挂钩。

一切不与财务数据挂钩的业务量化，都是耍流氓。

我们看看下面这组数据：

这时，多数人会判定A渠道的价值更高，但加上一个成本数据后呢？

现在，你觉得哪个渠道的价值更高呢？再加上收入看看。

你和你老板说，A渠道转化率是B的3倍，他不一定会有反应。但你和他说，A渠道的成本是B的4倍，他很可能会皱一下眉。要是你能再告诉他，A渠道赚的钱是B渠道的5倍，且成本不到5倍，相信他会觉得A渠道比B渠道好。

这个场景只是些基础数据，但你应该能感受到，不考虑财务数据的量化，其实没有什么价值。任何一个财务数据的加入，都可能改变最终的分析结果。

陷阱三的应对建议：量化的时候，一定要和财务数据挂钩才全面，后续的分析才有价值。哪怕你是toB或者大C企业、单价高、线下成交，也要做这种关联。虽然，中间经历了很多环节，成本容易被低估，收入的归因可能不准确，但好过不做任何关联。

陷阱四：掉进钱眼里了。

凡事过犹不及，与财务数据挂钩是必须的，但掉进钱眼里，是会赔钱的，尤其是那种用户不直接在你这里花钱的、通过广告变现类的业务。我们以曝光计费广告为例，了解下为什么。

我们先看下此时广告收入的指标拆解公式。

广告收入 = 访问用户数 * 日人均访问次数 * 每访问浏览页数 * 被访问页面平均广告位个数 * 曝光单价。

一个垂直内容社区朋友的真实案例是这样的。

他认为：前3个指标只要坚持做优质内容就会持续上涨，最后一个指标主要取决于竞价，他只能接受，需要专门提升的是第4个指标——访问页面平均广告位个数。

他的策略简单粗暴：把页面做成了满屏广告的那种。你肯定见过，能想得出来那有多烦人。结果，单价大幅上升，前3个指标初期下降不多，总收入短期内上升了！

但随后是持续的下跌，那种广告位减少了，都无法挽回的下跌。我们事后总结，发现刚开始还有些老用户不知道已经满屏广告了，所以初期下跌不明显；但当老用户都知道广告太多时，他们就不来了，也不推荐了。

陷阱四的应对建议：要注意指标间的升降关系是否存在关联，如果本来就是不能同时提高的指标，即使他们都是乘法关系，也得舍弃一些。

PS：在非无限延长的页面上，被访问页面平均广告位个数 与 访问用户数、日人均访问次数、每访问浏览页数三者间的关系，大体符合：广告位从0到1，三者下降很大；广告位从1到某个数字，三者变化不大；广告位超过该数字，三者大幅下跌的情况。无限延长的页面上把一定的屏数当成1个页面，也有类似有趣的现象。

量化这部分聊完了，我们进入——有数。

有数阶段的5个陷阱

当我们根据指标体系把业务不重不漏的量化并与财务数据关联后，如何在技术和项目实施层面，真的将数据采集回来，就成了最重要的任务。毕竟，数都没有，你还分析个P呀！

在这个时候，很多企业发现自己从咨询公司花费重金建立了指标体系之后，却无法落地、无法产生效益，觉得钱都打了水漂，指标体系毫无用处。但这并不是因为指标体系搭建这个量化过程有什么问题，而是数据采集涉及了太多的技术、认知和多方协作的问题。稍有不慎你有的数，就成谎言了。

下面和大家分享有数阶段5个最常见，且危害最大的陷阱。

陷阱五：采集命名规则不统一。

指标体系搭建时，统一制定了用户ID的统计口径，写数据采集代码时，不能用中文，你觉得不同程序员会如何写用户ID呢？以下是真实案例：

5个程序员都认为自己是在采集用户ID，且它们的发音都一样。但在系统计算数据时，会把它们当成5个不同的东西，因为系统只知其名，不知其意。

陷阱一和陷阱五很像，但有区别；陷阱一是同一个词、写法相同、意思不同，陷阱五是意思一样、写法不同、电脑程序认为不是一个东西。

陷阱一容易识别，陷阱五隐蔽性极强。因为如果只是语言沟通，很可能所有人都觉得彼此相互理解，但一回数发现大家做的完全不是一回事。

陷阱五的应对建议：统计口径汇总表表头，一定要有英文名这个字段，且要有各平台该数据实际采集字段名的记录，并且这个记录动作要发生在实际采集代码撰写前。

PS：这样做是否一致，就像上面的表格一目了然了，且此时通常是程序员们先发现不一致，数据计算会存在问题，就自发统一了。

PPS：说远点，建议大家在做需要跨多个部门和工种协作的工作时，一定要写下来，让不同部门不同工种的同事看理解是否一致。不同部门不同工种的人对同一个词和用一个音的理解，千差万别；写下来看看，起码可以避免同音不同字的情况，导致的差异。

陷阱六：不同平台账号数据未打通。

这里主要有3种情况：

第1种，混合开发的APP，不打通。结果是：

用户的真实行为是：在原生页面A，点击能到H5的链接，到了H5页面，在H5页面点击能到原生页面B的链接，到了原生页面B。

你监测成了两个用户，小明和张三：小明在原生页面A点了个链接，很久后出现在了从A到不了的原生页面B上；另一个用户张三，突然出现在打开APP不能直接到的H5页面上。

第2种，跨平台（如：APP和微信小程序），不打通。结果是：

用户的真实行为：在APP里分享拼团到群里，然后通过分享入口进入小程序，在小程序里完成支付。

你监测成了两个用户，小明和张三：小明在APP里分享之后，啥也没干。张三通过小明的分享进入小程序完成支付。

PS：其他跨平台也类似，会监测成多个用户。

PPS：你想想如果上述例子中的APP还是混合开发的，也没打通，那数据会有多么“精彩绝伦”。

第3种，现在，一个人同时使用手机+电脑+pad访问同一个公司的网站、APP和小程序是很常见的现象。这时候，不打通的话，至少算3个人。

陷阱六的应对建议：使用相同的账号体系，让各平台统一把账号ID作为用户唯一身份标识。

灵魂拷问：我们公司APP、网站和小程序要分别注册账号不统一的，且永远不会统一，该怎么办呢？

答：鄙人才疏学浅，不知道有什么合法手段可以打通这种数据。有太多人问过我，不合法但能做到的方法是啥了，这种问答题了，我都选择性失聪。而问我不合法能做得到方法是不是啥啥啥，这种判断题的，我会回答YES or NO。但我劝你，即使是为了能睡得踏实，也别碰红线。

陷阱七：不知道转化来源。

简而言之，就是数据是下面这样的，不知道某个渠道的转化和收入。

你别笑，我服务的企业不乏月广告投放预算上亿的，但他们当中也有一半以上，刚开始的时候，不知道这个数据。80%以上的企业，我服务初期没有这个数据，包括很多拿过互联网营销大奖的公司。如果要的更细，比如，A渠道某个广告素材的转化和收入是多少，我服务初期能拿出这个数据的也就2-3%。

Why？！为什么会是这样？！这不是造孽吗？！

主要是4种情况：

1) 一部分人就是觉得拿不到这些数据，他们要么觉得技术上做不到，要么觉得媒体会想尽办法不让你知道，而根本不会去求证，然后不作为。

2) 不希望广告投放效果明确量化出来，也许是因为量化出来对他们不利吧。

3) 你知道广告投放这门生意有个东西叫“返点”吧！点到为止！点到为止！

4) 我确实想追溯到转化来源，但太麻烦了，1万个关键词，就要弄1万次。

前3种情况嘛，你永远叫不醒装睡的人。

针对陷阱七里的第4种情况的应对建议：

建议一：利用媒体开放的追踪API，如某些平台，只需要{placement}就能知道具体投放到了哪里，{keyword}就能知道所有关键词。

建议二：如果媒体没有开放追踪API，可以结合Excel模板和批量操作工具，用较低的工作量实现对来源数据的全面追踪。

PS：实现转化来源追踪，不同平台需要不同的技术，足够单独写篇文章了。这里先挖个坑，找机会填。

陷阱八：所有数据都追求绝对准确。

我们能追踪到的数据，一定比真实发生的要少！

随便举几个场景吧：

无痕浏览能准确追踪到数据吗？

屏蔽广告能准确追踪到数据吗？

用代理了能准确追踪到数据吗？

实时在线人数真能准确追踪到吗？

IT技术落后的国家，移动站还是WAP，都不支持JS能准确追踪到数据吗？

……

更不要说，数据接收、数据消费、数据存储和数据查询，这么多技术环节，多多少少都会出点问题，只是问题多大、多频繁的问题；更何况还有个人隐私保护法案这类东西，这年头追求所有数据的绝对准确，可能你会被赠送一副连在一起的手镯吧。

即使合法，即使技术上没问题，就要追求所有数据的绝对准确吗？数据本身也是有成本的：软件费、服务费、咨询费、硬件费、使用工具员工的薪酬等等。

通过这些数据的更加准确，能赚取到的收益有多少呢？

90%的准确率得出的结论和99%准确率得出的结论有什么差别吗？

90%的准确率能获取到的收益和99%准确率能获取到的收益有什么差别吗？

准确率从90%到99%，成本要提高20倍，还做吗？

更高准确率入不敷出的话，还要追求吗？

陷阱八的应对建议：在合法范围内，有几个分析价值巨大的数据，还是要尽可能追求准确的：页面打开次数（无限加载页面可以一定长度算1页）、账号登录次数（含自动登录）及其打通、来源追踪、收入和投放成本。

陷阱九：想一次性搞定数据采集。

我很能理解为什么这么多刚做数据采集的朋友想一次性解决数据采集问题，但应用开发的技术在不停升级、变化，数据采集技术也在不断演进，只有变才是不变的！除非你的应用不再继续迭代升级，不再做任何活动页面，只扩充内容或商品数量；否则，数据采集就总得随着应用本身的变化，而不断调整。

很多朋友觉得，起码首次上线解决大部分问题，然后，随着变化而变。

我对陷阱九的应对建议是：“二八原则”。很多工作中，我们都会用到它。优先采集那些容易产生效益数据，即：页面打开次数（无限加载页面可以一定长度算1页）、账号登录次数（含自动登录）及其打通、来源追踪、收入和投放成本，后面根据情况补充。

PS：如何更好地在数据采集时，用“二八原则”提高效益，也是能单独写篇文章的，这里只说个思路：例如：你细分页面标题查看页面流转图，发现搜索后付款的比例低于导航、推荐和运营位，那是不是可以考虑对搜索进行详细监测，看如何优化搜索功能呢？通常搜索后付款的比例不会是垫底的。

看数阶段的3个陷阱

做好数据采集后，我们有可以反映真实情况的数据了！那么，如何看数才能让人更容易从数据中看出门道呢？

刚开始做看数这项工作时，我总觉得看数就像写文案，好像谁都能看得出来什么是好文案，谁都能写两笔文案，似乎这项工作没什么门槛，谁都能做似的。做多了看数工作，我更觉得看数很像写文案了，确实没什么门槛，谁都能做；但文案金句不是谁都能写得出来的，不是谁都能让大家把数看好的。

我们来看看看数阶段的3个陷阱，你会发现避免起来，没那么难。但平凡中见神奇，把大多数人都能学会的事情做到出类拔萃，却是最难的。

陷阱十：只把数字图表化。

我们不追求自己也能做出那些，让人一眼惊艳的数据可视化作品。但把数字做成图表，真的还不够；数据可视化要帮助查看者更容易读懂数据包含的信息、甚至隐藏的秘密。

看看下面这组数据：

比较常规的数据可视化方法，就是做个饼图，表示构成比例：

但一眼没看到图例的话，不容易直接意识到哪部分是男，哪部分是女。如果想一下子，把比例和男女，两个信息都传达出去，也许可以这么做：

是不是一目了然了呢？我再抛砖引玉下：钱相关的可以用金币（甚至收入和成本用不同颜色）、省份可以用地图、设备占比可以用手机/PC/平板的icon等等。

除了这些以外呢？根据转化流程增加指标，是个好方法，如下图：

绝大多数人，应该一眼就能看到，哪个来源是最特殊的吧！

另外，两个坐标轴都平均数高个4象限，效果也十分明显，就不具体举例了。

相信大家开动脑筋，能想到更多好方法，让你的数据可视化变得更容易传递信息，更容易让人看出数据背后的秘密。先走出这一步，也许你就会成为人群中，那个与众不同的人了。

陷阱十一：不同KPI的人，看相同的数据。

这是最可怕的，往往导致内耗巨大，很多亟需解决的问题没人管，看相同数据的人相互之间无限踢皮球，就是不作为，企业效益每况愈下。

这事听起来像笑话，但总能碰见。为什么呢？主要是如下3种情况：

1) 被第一关键指标洗脑了，觉得全公司都应该看同一个指标，大家群策群力，甚至觉得程序员应该优先看市场传播类指标。

2) 虽然KPI不同，但却有很多交集。比如，销售和售前、产品经理和产品运营，KPI并不相同，交集却很大。（当然更搞笑的是：不同岗位的人，对同一个KPI负责）

3) 数据太少了，少到没得选。

陷阱十一的应对建议：

1) 情况1的应对说明。第一关键指标是指策略层面有个最重要的指标是目的，其他根据他拆解来的指标是手段，通过围观指标帮助我们避免在做数据分析时，本末倒置。以自愿为原则，让全公司参与第一关键指标的提升的头脑风暴是OK的，但强制性地让它成为所有人必须考虑的指标，有点奇怪。每个人优先看的数据，一定是他/她的KPI。

2) 情况2的应对说明。写在建议前的话：很多上了年纪的人，告诉我：“你太年轻，你不懂，这是老板的驭人之道，帝王权术！他就希望你们有矛盾，甚至是故意挑拨离间，他才能坐享其成！”我不惊讶于这个观点，但惊讶于这个观点的普遍性。我想说的是，暴利行业也许有这么作妖，企业收益降低，老板个人收益提升的空间，利润不高的小微企业，这么操作的空间不大。进入正题：明确“责·权·利”，并与KPI交集大的同事，商量好分工和协作方式，这之后你们看的数据就自然而然不一样了。

3) 情况3的应对说明。这我还能说啥呀，除了多搞点的数据，我还能说啥。要是你们这个业务本身就没啥数据，那可能它就不适合用数据分析这个方法。毕竟，数据分析只是个方式方法，不是万能灵药。

陷阱十二：关注计算型指标的实时变化。

有次和一位数据产品经理交流时，听到：“我们客户的需求就是，一个数据变化超过百分之多少，立刻收到一条短信或者微信，让他们知道！”非常典型的需求，你是不是也想立刻知道数据的实时巨变？

但不是所有的指标都适合关注实时变化的。

统计型指标、标量、累加的那种，比如：用户数、浏览次数、打开次数、访问次数、销量、销售金额等，在有大动作的时候，关注它们的实时变化，是很有意义的。比如，推广活动上线后，稍有延迟用户数就应该上升，没上升大概率是出了什么问题；再比如，做了个促销，销量应该上升等等。

但计算型指标，需要做个四则运算的，都不太适合关注实时变化，比如，转化率、留存率、每访问浏览页数、平均访问时长、视频观看完成率等，这些数据关注实时变化意义不大，因为他们是浮动型的，可涨可跌。你收到提醒，焦急地去查看波动巨大的原因，发现它们又到正常范围内了。另外，像留存率这种，最小时间颗粒度是天，看实时变化根本没有任何意义。

分析阶段的4个陷阱

终于到了直接创造价值的部分了！前面三个步骤，十二个陷阱，通常会占据数据分析工作80%以上的工作量，但大家感受不到他们的价值。那些工作的价值几乎都是隐性的，没有他们做基础，万万不能。但让那些付出产生回报的分析里，却藏着4个是最容易让数据变成谎言的陷阱。

陷阱十三：不剔除假流量就做数据分析。

近5年，在线广告的假流量占比持续降低，但平均下来占比也高达30%，虽然假流量的比例在逐年下降，但即使是最乐观的估算2020年这个占比也能到四分之一。而某些重灾区，这个数字甚至会超过50%，更有甚者超过80%。

这么大的比例，不剔除出去，数据分析还有什么意义！

为什么会有这么大的比例呢？

首先，造假的直接成本太低。机器人假流量的直接成本很低，是真流量的千分之一！即使是那种技术含量很高，很难识别的机器人假流量，直接成本也不到真流量的百分之一。而“肉鸡”则更难识别，且直接成为也不到真流量的五十分之一。利润太大了，总是有人抵抗不住这种诱惑的。

其次，广告主买到假流量仍赚钱就没事。我们拿最夸张的80%举例，只要这20%的真流量带来的收益，比广告投放成本高，广告主就没必要较真，当做流量的真实价格是标价的5倍就好。除非有另一平台，带来的收益更高，那即使假流量更大，广告主也会考虑换到那里。

再次，实锤假流量很难。造假技术也是在不断升级的，能升级到什么程度呢？《猫鼠游戏》里有段台词说得好：“技术上来讲，他不是在做假支票，就是在做真支票。”有些假流量高级到，除了没有付款，所以你怀疑它是假流量外，你找不到任何证据。

最后，假流量是个巨大的利益集团……点到为止！点到为止！

如何应对假流量呢？

1) 我很想教大家如何识别假流量，但曾经我用某种方法，证明了1个渠道是假流量，对方不接茬了。结果下次，相同的方法无法证明这个渠道是假流量了，但转化毫无提升，我怀疑还是假流量，又费了很大力气才实锤就是假流量。这就很尴尬了，我实锤吧，这招下次就不好使了，我不实锤吧，就得看着他们继续作孽。所以，有机会线下和大家细说，这里只分享一个方法，比如分辨率的宽连号从1300-1399，100个数字全都有，且流量占比相同，最重要的是分辨率的高都是0。挺玄幻是吧，还有更玄幻的呢。找多了假流量你会发现，真的很有趣，点到为止哈！

2) 有些你严重怀疑是假流量，但没有上面那么明确的证据该怎么办呢？反正他是不会有转化，不会有付款的，把它当成低质量流量处理就好了。

3) 一个渠道真假流量混合怎么办？根据实锤证据把假流量筛出去，再分析。

陷阱十四：不对指标细分，不加其他相关指标验证。

总说在线业务的例子，很枯燥，这里换个篮球场上数据分析的例子。

有个球员，新赛季投篮命中率55.7%，上赛季投篮命中率48.7%，提升了7个百分点，那我们是不是就可以认为，他们投篮更准了呢？命中率更高和投篮更准是一回事吗？听起来像是一回事哈，数据支持这种想法吗？

我们把投篮区域分成：篮下、中投和三分，细分看看数据是什么情况。

惊不惊喜！

意不意外！

这是开了什么挂？！篮下、中投和三分和上赛季比都下降了，但合计命中率居然上升了！

我们加入按投篮区域细分命中/出手数据，再看下：

看出来了吗？即使和上赛季比篮下命中率略有下降，但它还是上赛季合计命中率的近1.5倍，而篮下出手比例比上赛季提升了50%以上，低命中率的三分和中投又减少的更多，使总出手比上赛季都低了。这个命中率的提升，不是靠提高投篮准确度，而是靠提高更擅长投篮方式的占比实现的。

依照这个思路，你可以查看下，那些没有细分、添加其他相关指标验证的数据，估计你会找到一个大宝藏！

陷阱十五：分析业务数据时，不加外部数据。

举个真实案例，一个公司年营业额从去年的2,000万到了今年的4,000万，CEO给董事会汇报时，说：业绩翻番，做的很好。前4个字是描述事实，没有问题；后4个字是表达观点，业绩翻番和做的好有什么关系吗？真的有关系吗？

行业第一从10亿做到了20亿也是业绩翻倍，但人家基数是你50倍，这个难度差得有点大呀。

该公司的主要竞争对手，从1亿做到了4亿，业绩翻两翻。基数是你5倍，业绩成长是你2倍，哪个更难不言而喻。

而去年营业额在2,000万左右的同行，今年营业额全在5,000万以上。

业绩翻番是增长最少，且总营业额最低的！能说做得好吗？

分析业务数据时，加上行业第一、竞争对手、其他同行，再看看自己的业务数据变化，也许你会发现，世界不一样了！

陷阱十六：为了分析而分析。

做业务时，数据分析是手段，业务提升是目的，不能本末倒置。

举个例子，归因模型大家应该都听过，一个非常高级的分析技术，用来分配价值的。一个用户看了某个产品很多次，才购买，每次的入口不同，应该如何分配这笔收入呢？

这么高级的东西，很多做数据分析的朋友，都很愿意尝试，用它来做数据分析，甚至是自定义归因模型，听起来很高大上哈。高大上和假大空往往只有一线之隔，能不能落地带来价值。

继续说归因模型，它是分析反复浏览才转化的用户的。

如果你绝大部分的转化都是新用户带来的？

如果你绝大部分用户的访问间隔大于购买决策周期？

如果你是在做促使消费者冲动消费的活动？

上述3种情况，用归因模型分析得到的结论，对业务提升帮助不大。

类似的情况很多就不一一举例了。分析模型该怎么选，也够单独成文了。

所有的分析模型、分析方法、分析手段，都是为了通过数据解释某个业务场景而存在的。建议大家先想业务目标，再想业务场景，最后看怎么分析，这样数据分析才能有的放矢！

用数阶段的2个陷阱

这两个让数据变成谎言的陷阱都能越过的话，你应该能从数据中，获取很大的收益了！

陷阱十七：根据推算标签，做具体调整。

细致调整是指推广账户里的具体设定，尤其是那些标签的具体选择。

标签的分类入手，解释下为什么这是个陷阱。

标签主要分采集型标签和推算型标签两类。

手机型号，联网方式，这些是可以直接采集到的，这种标签非常准确。

推算型标签，一般数据量越大越准，标签里值的个数越少越准。举个例子，性别，只算男和女，有2个值；年龄段，却可以有18以下、18-25、26-35、36-45、45以上，很多个值；那么，数据量相同的情况，大概率是性别更准确。由于这点的存在，一般再分成高准确率推算标签和低准确率推算标签。

标签推算的一大逻辑是：根据行为打分，以性别为例，算1百万个人，有多少男、多少女，准确率会超过97%；但具体某个人，系统给出的不是，这个人的性别是男是女，而是类似该用户有89%的男性行为、11%的女性行为。

根据推算标签做细致调整非常不靠谱，越是准确率低的标签，越是不值得根据它做细致调整！ 根据它们调整往往适得其反，甚至连量都没有了。但这里不是说推算型的标签没用，根据标签进行大的策略调整是OK的。例如，你发现你用户大部分是男的，据此，设计文案和素材，肯定是大有帮助的。

陷阱十八：做A/B测试只改页面。

举个例子，之前一个客户觉得推广页面的文案和头图不好，导致转化率很低。但是无论怎么修改，都是第一版转化率更高，导致他都怀疑所处行业的前景了。

分析跳出率后，发现新页面的跳出率普遍在93%以上，而第一版页面的跳出率不到80%。我们体验了一下流程发现，推广投放的文案和图片一直没改，只和第一版匹配。和后续调整的页面，全都驴唇不对马嘴！之前的A/B测试结论，都靠不住。

于是，我们把推广投放的文案和图片，配合推广页进行了修改，发现更改的版本里，确实有转化率更高的了。

大家做推广页面的A/B测试时，千万要记得把投放端的文案和图片也改了。

感谢你的阅读、关注、转发、评论！

咱们下次见，拜拜！~~~

18个让数据变成谎言的陷阱汇总表：