初创公司常犯的十大数据分析错误
在引导分析时，您一定会犯错。以下是减少犯错的方法。
本文涵盖了初创公司在将数据应用于决策时常犯的十大错误。这些情况是许多好心人都会遇到的，我们讨论这些的目的不是要责备您，而是要强调在您（和您的组织）的决策过程中保持自我意识并不断努力改进的重要性。我们会在管理您的信息预算中更详细地介绍决策。
1. 混淆相关性和因果关系
是的，您已经知道这一点，但仍然很容易混淆。在探索历史数据或缺乏明确的可证伪假设时，混淆相关性和因果关系尤其危险。最好将过去出现的任何常见模式视为因果关系的*暗示*，而不是在证明之前就将其视为原因。
2. 期望数据能回答您无法明确提出的问题
太多公司认为他们只需收集数据，使用最新的流行技术，并聘请昂贵的数据科学家/分析师/MBA 来弄清楚他们的业务。现实情况是，您的商业智能质量与您的组织能够多好地阐明其需要回答的问题直接相关。更多的数据和有才华的数据分析师可以为拥有明确决策和产品流程的组织提供超强动力，但加倍投入大数据并不能挽救一个缺乏重点的组织。
3. 寻找数据来支持您已经做出的决定
当您（或团队中的其他人）已经下定决心时，通常会走过场地收集数据、分析数据并做出决定。相反，您应该制定假设，看看是否能证伪它们，并在数据走向相反时更新您的观点。
4. 偏向于寻找积极的数据
寻找数据来支持某个决定的一种子集是：寻找数据来描绘一幅美好的图景。即使是垂死的公司，总会有一些指标呈上升趋势。如果您认为重要的所有指标都在下降，请避免寻找能够讲述更阳光故事的指标的诱惑。
5. 对结果期望过高的清晰度
即使您看过很多动作电影，当您观看一场*真正的*拳击比赛时，您可能也无法理解太多。如果您习惯了在完美的角度、完美的灯光和剪辑下拍摄的编排打斗场景，那么现实生活中打斗的混乱和速度可能会令人困惑。
这同样适用于那些习惯了 MBA 课程或高度理想化的博客文章，当他们在现实生活中遇到量化决策时。在现实世界中，影响可能是微小的、混乱的、多模态的（我们将在下面讨论平均值的陷阱）。您需要利用您拥有的数据，而不是您想象的完美数据。
6. 期望通过 A/B 测试获得成功
虽然精心策划、运行良好的 A/B 测试可以给公司带来变革，但它们也经常导致徒劳无功。在开始 A/B 测试之前，请务必了解什么是显著结果。不要在其中一个选项似乎表现更好的那一刻立即停止测试，并且始终包含对照组。效果越小，您需要的用户数量就越多。如果您只有 1 万月活跃用户，那么最好等到您有更多人可以进行测试时，再进行任何 A/B 测试。
此外，A/B 测试无法为您确定最佳产品功能或广告文案。结果的好坏取决于您测试的选项，并且结果对初始设计的质量非常敏感。不要让“我们将进行 A/B 测试”成为一句口头禅，从而阻碍产品实际决策的过程。A/B 测试最适合用于添加最后的润色。
7. 使用错误的时间段
如果您的客户以数月为单位进行购买，而您的产品周期以两周冲刺进行，那么您不需要实时分析。同样，如果您正在诊断网络操作中的错误，而停机成本以每分钟数千万美元计，那么您最好不要看每小时的图表。将报告时间段与您决策的自然时间段联系起来非常重要。如果您在过细的时间段内查看数据，您最终会变得紧张，在决策之间来回切换。如果您使用过大的时间段，您将永远落后三步。
8. 只关注平均值
平均值是隐藏令人不安的真相的好地方。如果您只使用自然渠道和付费渠道的混合平均值，您最终可能会忽略付费获客渠道变得不可持续的昂贵这一事实。如果您查看所有网页的平均延迟，您可能不会注意到最重要的页面随着时间的推移变得越来越慢。通常，当平均值告诉您情况正在恶化时，就该担心了。当平均值告诉您情况看起来不错时，就该深入挖掘了。
大多数受平均值启发的错觉在您将数据分解成直方图时就会消失。例如，关于客户获取平均成本的美好预测在您按渠道分解成本时可能会消失。
9. 关注总量而非变化率
每个人都喜欢向上向右的图表。“注册总数”、“累计收入”和“商品销售总额”可以带来好的宣传效果，但在大多数情况下，您应该关注变化率，甚至可能是该变化率的增长。如果一个指标携带的信息中有 95% 与几个月或几年前发生的事件相关，这是否能帮助您评估今天做得如何？或者明天会是什么样子？
10. 不评估决策结果
在做出重大决策之前，通常会希望收集大量信息。然而，一旦做出决策，并且结果开始逐渐显现，人们通常会想当然地认为一切顺利。糟糕的决策是不可避免的，但那些您不接受并纠正的糟糕决策最终会给您带来最大的伤害。与其几个月后才发现自己错了，不如立即认识到自己做出了错误的判断。
下一篇：嵌入式分析的五个悲伤阶段
所以你想把数据展示给你的客户……但代价是什么？