最近读了一本名叫《数据挖掘与数据化运营实战》的书，发现其中有一章关于『数据分析的常见错误观念』，特别写下来与大家一起分享。
影响数据分析成果的因素有很多，除了技术方面的因素以外，还应该包括数据分析师本人对于数据分析的思想观念、对于数据和数据分析的态度，以及商业意识和商业敏感度，更包括企业层面数据化运营的意识和氛围。
错误的观念，决定了错误的方向；错误的方向，必然导致失败的结果。
思想观念矫正了，就从源头上保证了数据分析方向的正确性。常见的错误观念有以下五种：
01轻视业务论
轻视业务论最常见的两种类型就是数据分析师瞧不起业务部门的工作，总是觉得数据分析工作优越于业务工作，因而不愿意学习业务逻辑、业务背景和业务知识；或者，数据分析师没有意识到自己不懂业务逻辑、商业逻辑，更没有想到要主动去学习和掌握。这样怎能指望做出来的分析结果、解决方案跟业务应用有很深的联系呢？
轻视业务在工作中最常见的表现形式就是：分析师提交的报告或解决方案只是数据的罗列和堆积，至于每个表格、每个关键数据对于业务有什么意义、有什么建议、该如何落地应用则很少有建设性的提醒和帮助。
数据分析的本质是来源于业务需求、服务于业务需求，如果轻视业务、脱离业务，那数据分析也就没有存在的价值和意义了。
02技术万能论
技术万能论者的一个典型特征，就是过分迷信于技术，认为它们可以解决一切业务问题。
其表现形式就是相信数据分析技术本身可以解决任何分析需求。对于业务难题，不用心思考就认为通过数据分析可以有效解决。
03技术尖端论
持有这种观念的分析师，会过分追求所谓尖端的、高级的、时髦的分析技术；面对一个分析课题时，首先想到的是选择一个最尖端的技术去解决，而不是从课题本身的真实需求出发去思考最合理、最有性价比的分析技术。
任何一个数据分析课题，至少都会有两种以上的不同分析技术和分析思路。不同的技术往往需要不同的资源投入，而产出可能也是不同精度和不同表现形式。这其中孰优孰劣，根据什么做判断呢？我们要根据需求本身的精度、资源限制等来做出选择。
04建模与应用两段论
这种观念的表现形式是，一旦将模型搭建好并验证通过之后，就将之丢给业务方去应用，至于业务方具体如何应用，数据分析师则不太关心；或者模型或数据分析结论、方案在业务应用中出现了问题或瓶颈，但是分析师不愿意主动去进行分析诊断。
一个复杂的挖掘模型也好，一份简单的数据分析报告也罢，对于企业的数据化运营的应用场景来讲都只是万里长征第一步。要真正给企业带来价值，重点在于其后的业务落地应用环节。这个环节需要更多团队、多专业的协调和配合，更离不开数据分析师持续地跟踪、讨论、修正和建议。
05机器万能论
该观念的主要特点就是，在建模过程中，认为分析软件可以最大程度代替分析师手工劳动，过分的依赖机器的“智能”。
其背后的原因主要在于，数据分析师自身对于技术的理解和掌握不熟悉、不透彻。在数据挖掘项目中，80%的时间是花在数据的熟悉、清洗、整理、转换等数据处理阶段。在这个阶段分析软件可以大量取代手工进行规范化、重复性的操作，但是背后隐藏的是怎样的业务逻辑，如何取舍等核心问题是需要分析师去判断去决定的。另外，即使是经验丰富的优秀数据分析师，在层出不穷的新业务需求和新业务场景面前，也常常出现已有的经验、原理等无法有效解决新问题、新挑战的情况。
来源：数据小妖
[声明]本文版权归原作者所有，内容为作者个人观点，转载目的在于传递更多信息，如涉及作品内容、版权等问题，可联系本站删除，谢谢。
更多关注：CDAsch
影响数据分析成果的因素有很多，除了技术方面的因素以外，还应该包括数据分析师本人对于数据分析的思想观念、对于数据和数据分析的态度，以及商业意识和商业敏感度，更包括企业层面数据化运营的意识和氛围。
错误的观念，决定了错误的方向；错误的方向，必然导致失败的结果。
思想观念矫正了，就从源头上保证了数据分析方向的正确性。常见的错误观念有以下五种：
01轻视业务论
轻视业务论最常见的两种类型就是数据分析师瞧不起业务部门的工作，总是觉得数据分析工作优越于业务工作，因而不愿意学习业务逻辑、业务背景和业务知识；或者，数据分析师没有意识到自己不懂业务逻辑、商业逻辑，更没有想到要主动去学习和掌握。这样怎能指望做出来的分析结果、解决方案跟业务应用有很深的联系呢？
轻视业务在工作中最常见的表现形式就是：分析师提交的报告或解决方案只是数据的罗列和堆积，至于每个表格、每个关键数据对于业务有什么意义、有什么建议、该如何落地应用则很少有建设性的提醒和帮助。
数据分析的本质是来源于业务需求、服务于业务需求，如果轻视业务、脱离业务，那数据分析也就没有存在的价值和意义了。
02技术万能论
技术万能论者的一个典型特征，就是过分迷信于技术，认为它们可以解决一切业务问题。
其表现形式就是相信数据分析技术本身可以解决任何分析需求。对于业务难题，不用心思考就认为通过数据分析可以有效解决。
03技术尖端论
持有这种观念的分析师，会过分追求所谓尖端的、高级的、时髦的分析技术；面对一个分析课题时，首先想到的是选择一个最尖端的技术去解决，而不是从课题本身的真实需求出发去思考最合理、最有性价比的分析技术。
任何一个数据分析课题，至少都会有两种以上的不同分析技术和分析思路。不同的技术往往需要不同的资源投入，而产出可能也是不同精度和不同表现形式。这其中孰优孰劣，根据什么做判断呢？我们要根据需求本身的精度、资源限制等来做出选择。
04建模与应用两段论
这种观念的表现形式是，一旦将模型搭建好并验证通过之后，就将之丢给业务方去应用，至于业务方具体如何应用，数据分析师则不太关心；或者模型或数据分析结论、方案在业务应用中出现了问题或瓶颈，但是分析师不愿意主动去进行分析诊断。
一个复杂的挖掘模型也好，一份简单的数据分析报告也罢，对于企业的数据化运营的应用场景来讲都只是万里长征第一步。要真正给企业带来价值，重点在于其后的业务落地应用环节。这个环节需要更多团队、多专业的协调和配合，更离不开数据分析师持续地跟踪、讨论、修正和建议。
05机器万能论
该观念的主要特点就是，在建模过程中，认为分析软件可以最大程度代替分析师手工劳动，过分的依赖机器的“智能”。
其背后的原因主要在于，数据分析师自身对于技术的理解和掌握不熟悉、不透彻。在数据挖掘项目中，80%的时间是花在数据的熟悉、清洗、整理、转换等数据处理阶段。在这个阶段分析软件可以大量取代手工进行规范化、重复性的操作，但是背后隐藏的是怎样的业务逻辑，如何取舍等核心问题是需要分析师去判断去决定的。另外，即使是经验丰富的优秀数据分析师，在层出不穷的新业务需求和新业务场景面前，也常常出现已有的经验、原理等无法有效解决新问题、新挑战的情况。
来源：数据小妖
[声明]本文版权归原作者所有，内容为作者个人观点，转载目的在于传递更多信息，如涉及作品内容、版权等问题，可联系本站删除，谢谢。
更多关注：CDAsch
