在大數(shù)據(jù)的時(shí)代，很多公司通過采用數(shù)據(jù)驅(qū)動(dòng)方式進(jìn)行決策。在本文中我想談一下我們?cè)跀?shù)據(jù)分析過程中三種常見失誤：過快–急于求成、過量–圖圇吞棗、過度–信息過載。

過快：急于求成

還沒找到實(shí)際問題就提出解決方案

不要擔(dān)心在定位問題上花費(fèi)太多時(shí)間。關(guān)于越早開始行動(dòng)，越能提前完成項(xiàng)目的理論不一定正確，如果未能充分理解關(guān)鍵問題可能會(huì)浪費(fèi)更多時(shí)間。無(wú)論你是在思考一個(gè)新的產(chǎn)品特性，對(duì)公司未來(lái)發(fā)展方向的戰(zhàn)略決策，建立機(jī)器學(xué)習(xí)模型，還是給你的同事寫郵件，都要確保你有花時(shí)間去了解項(xiàng)目的真正需求，而不是浪費(fèi)了大量時(shí)間和精力后才發(fā)現(xiàn)方向錯(cuò)了。

別忘了，你所要解決問題的類型決定了對(duì)應(yīng)的解決辦法。比如在數(shù)據(jù)科學(xué)領(lǐng)域，建立模型前必須要了解該模型是為了加強(qiáng)調(diào)用(你的模型在多大程度上可以反饋特定數(shù)據(jù))，還是加強(qiáng)準(zhǔn)確性(在所有正向預(yù)測(cè)中，有多少是準(zhǔn)確的)。從最初開始定位項(xiàng)目目標(biāo)有助于增強(qiáng)模型的準(zhǔn)確性，降低漏報(bào)(針對(duì)調(diào)用)及報(bào)錯(cuò)(針對(duì)準(zhǔn)確性)發(fā)生的可能性。

《哈佛商業(yè)評(píng)論》一篇相關(guān)文章推薦了以下方法幫助你解決真正問題>>>Are You Solving the Right Problem?

• ***步：設(shè)定解決方案的需求
• 第二步：調(diào)整該需求
• 第三步：將問題情境化處理
• 第四步：寫下問題陳述

另一個(gè)著名方法是MBA項(xiàng)目教授的“五問法”>>>MBA項(xiàng)目教授的“五問法” 一種由豐田集團(tuán)開發(fā)的問題解決技巧，有助于通過重復(fù)拷問“為什么”來(lái)觸及問題的根源。

過量：圖圇吞棗

對(duì)于重要的和無(wú)關(guān)緊要的指標(biāo)不做區(qū)分

生活在大數(shù)據(jù)時(shí)代，我們能通過大量工具追蹤各類用戶活動(dòng)，擁有各種指標(biāo)來(lái)定義每一個(gè)用戶的行動(dòng)。然而有多少指標(biāo)是真正有用的?你能夠通過觀測(cè)這些指標(biāo)來(lái)得出可行的方案么?

重要的是質(zhì)量而非數(shù)量。比起追蹤全部的數(shù)據(jù)，不如試著找出那些真正能夠衡量產(chǎn)品健康程度并加以改善的關(guān)鍵績(jī)效指標(biāo)(KPI)。根據(jù)商業(yè)模式，公司目標(biāo)和產(chǎn)品生命周期，決定哪些KPI是你需要關(guān)注的重點(diǎn)。

我推薦大家了解下Dave McClure的演講，他將項(xiàng)目開發(fā)的指標(biāo)分成了五類：

• 用戶獲取
• 用戶激活
• 用戶留存
• 用戶推薦
• 收益增加

Dave McClure的演講>>>Customer Lifecycle: 5 Steps to success

另一個(gè)知名的極簡(jiǎn)方法是《精益數(shù)據(jù)分析》(Lean Analytics)中提到找到“***關(guān)鍵指標(biāo)”>>>Video: Lean Analytics: One Metric That Matters (OMTM)

過度：信息過載

試圖發(fā)現(xiàn)根本不存在的模式

因?yàn)槲覀兊闹庇X并不總是對(duì)的，而數(shù)據(jù)有時(shí)令人驚訝，盡管我們一直在尋求通過數(shù)據(jù)驅(qū)動(dòng)進(jìn)行決策，應(yīng)用常識(shí)也很重要。要記住，模型世界并不是世界本身。你的模型存在假設(shè)和局限性，有時(shí)這些會(huì)將你引入歧途。不管模型告訴你什么，無(wú)論是肯定了你的預(yù)測(cè)還是告訴你特殊結(jié)果，你都要用自己的判斷力，思考預(yù)測(cè)正確的概率以及信號(hào)的強(qiáng)烈程度。

有時(shí)候被發(fā)現(xiàn)的并不是“真相”。我們可能沒有意識(shí)到，自己自己有時(shí)在無(wú)意識(shí)的尋找不存在的信號(hào)。通過了解行業(yè)的更多方面，競(jìng)爭(zhēng)格局，宏觀經(jīng)濟(jì)因素，周期性影響和其他因素有助于更準(zhǔn)確的設(shè)定增長(zhǎng)目標(biāo)并依據(jù)數(shù)據(jù)得出科學(xué)的結(jié)論。例如，某些參與指標(biāo)的下降不一定是消極型號(hào)，可能只是周期性影響，客戶投訴的增加可以是一個(gè)健康增長(zhǎng)的跡象，因?yàn)樗w現(xiàn)了用戶基數(shù)的上升。

“相關(guān)性不一定是因果關(guān)系”在統(tǒng)計(jì)學(xué)中，這用來(lái)強(qiáng)調(diào)兩個(gè)變量之間的相關(guān)性并不意味著一個(gè)因素會(huì)影響另一個(gè)。有時(shí)人們閱讀博客是為了優(yōu)化他們的數(shù)據(jù)驅(qū)動(dòng)決策,有時(shí)事情就這么發(fā)生了。