初创公司犯的十大常见分析错误

在启动分析工作时，你会犯错误。以下是如何少犯错误。

本文涵盖了初创公司在应用数据进行决策时常犯的十个错误。这些情况很多人都可能遇到，我们回顾这些错误的目的不是让你自责，而是为了强调你在（以及你的组织）决策过程中需要保持自我意识，并不断努力改进。在 管理你的信息预算 中，我们讨论了更多关于决策的内容。

1. 混淆相关性和因果关系

是的，你已经知道了，但仍然很容易中招。混淆相关性和因果关系在 探索历史数据 时，或者在没有清晰的假设需要证伪时，尤其危险。最好将过去发生的任何常见模式视为提示性的因果关系，而不是作为原因，除非另有证明。

2. 期望数据能回答你无法提出的问题

太多公司认为他们只需要收集数据，使用最新的流行技术，并聘请昂贵的数据科学家/分析师/MBA 来解决他们的业务问题。现实情况是，你的商业智能的质量与你的组织清晰阐述需要回答问题的能力成正比。更多的数据和才华横溢的数据分析师可以增强一个拥有清晰决策和产品流程的组织的实力，但对于一个缺乏重点的组织来说，加倍投入大数据并不会是救命稻草。

3. 寻找数据来支持你已经做出的决定

收集数据、分析数据并做出决定是很常见的，即使你（或团队中的其他人）已经下定了决心。相反，你应该提出假设，看看是否能证伪它们，并在数据出现反转时更新你的看法。

4. 寻找有利信息

这是寻找数据支持决定的一部分：寻找数据来支持一个美好的图景。即使是注定要失败的公司，总会有一些指标在上升。如果所有你认为重要的指标都在下滑，请避免寻找那些能显示更乐观情况的指标。

5. 对结果期望过高

即使你看了很多动作片，当你观看一场 *真实的* 拳击比赛时，你可能也无法理解。如果你习惯了观看从完美角度、完美灯光和剪辑拍摄的精心编排的打斗场景，那么真实打斗的混乱和速度可能会让你不知所措。

那些习惯了 MBA 课程或高度理想化的博客文章的人，在现实生活中遇到定量决策时也会有同样的感受。在现实世界中，效果可能很小，混乱且多模态（我们稍后会谈到平均值的陷阱）。你需要处理你拥有的数据，而不是你想象中的完美数据。

6. 期望通过 A/B 测试实现成功

虽然精心策划、运行良好的 A/B 测试可以改变公司的命运，但它们也常常导致无休止地重复。在开始 A/B 测试 *之前*，请确保你了解什么是一个显著的结果。不要在其中一个选项似乎表现更好时立即停止测试，并且务必包含一个对照组。效果越小，你需要更多的用户。如果你只有 10,000 月活跃用户，那么最好在用户数量更多之前推迟任何 A/B 测试。

此外，A/B 测试并不能为你决定最佳的产品功能或广告文案。结果的好坏取决于你测试的选项，并且结果对初始设计的优劣非常敏感。不要让“我们来 A/B 测试一下”成为一种扼杀决定你的产品到底是什么过程的口头禅。A/B 测试最适合用于增加最后的润色。

7. 使用错误的时间段

如果你的客户是按月购买，你的产品周期是按两周的冲刺进行的，那么你不需要实时分析。同样，如果你试图诊断网络运营中的错误，而停机成本是每分钟数千万美元，你最好不要查看每小时的图表。重要的是将报告时间段与你的决策的自然时间段联系起来。如果你查看的数据时间段过短，你最终会变得焦躁不安，在决策之间摇摆不定。如果你使用的时间段过长，你将永远落后三步。

8. 只看平均值

平均值是隐藏不舒服事实的好地方。如果你只看有机和付费渠道的综合平均值，你可能会忽略付费获客渠道的成本正在变得不可持续的事实。如果你查看所有网页的平均延迟，你可能不会注意到你最重要的页面正在变得越来越慢。通常，当平均值告诉你某件事在变差时，就该担心了。当平均值告诉你情况看起来不错时，就该深入挖掘了。

大多数受平均值误导的幻想，当你在 直方图 中分解数据时就会消失。例如，当按渠道分解获客成本时，关于平均获客成本的乐观预测可能会消失。

9. 关注总数而不是变化率

每个人都喜欢向上向右的图表。“注册总数”、“累计收入”和“销售商品总值”可以成为很好的宣传材料，但对于大多数情况，你应该关注 变化率，甚至可能是变化率的增长。如果一个指标的 95% 的信息都与几个月或几年前发生的事件有关，这能帮助你评估你今天做得怎么样吗？还是明天会怎么样？

10. 不评估决策结果

在做出重大决定之前收集大量信息是很常见的。然而，一旦你做出了决定，并且结果开始逐渐显现，人们往往会想当然地认为一切都在顺利进行。坏决定是不可避免的，但那些你没有接受和纠正的坏决定最终会让你付出最大的代价。与其发现自己几个月来一直错的，不如早点认识到自己做出了错误的判断。