之前我们聊了数据分析目的，这次我们聊聊：用什么心态去看待数据分析。
1，不要太看重数据分析
一个孩子小时候考试作弊，孩子未来是否会欺骗父母？
这是一个很难量化分析的问题。
孩子成长中太多影响因素了，我们很难从小得出结论。
这样难以量化分析的问题在工作中也很常见。
例如一段时间内，顾客访问了网站，只有收藏没有购买行为。
那这算是有效顾客吗？我们还要不要对这个顾客做运营行为？万一他之后又购买了呢？
如果发生在数据量较低的时期，日活只有2-3W，或者产品处于初期阶段。
运营推广这时候就会很纠结，这是偶然行为还是必然行为？数据量说大不大，要改的话怎么改呢？
是产品的问题，用户质量问题，还是设备性能问题，还是归因问题?
好像哪里都有问题，但却说不清问题在哪，重点不知道，就更谈不上优化了。
数据量越少，数据分析就谈不上价值，小部分个体的案例无法代表什么，容易误判。
数据量级大了，数据分析就完全有效吗？也不是。
数据量大了，基础的数据分析确实能够满足需求，但数据量这么多，更多人会把目光投射在更高纬度的数据挖掘上，去做数据预测。
还是举上面的例子，怎么用数据挖掘去判断这是不是有效用户？
我们可以基于历史数据，用户行为数据对标行业经验，看这些用户从哪些渠道进来，有什么数据特点，就大致知道哪些用户之后是否会产生转化行为。
这个在行业里面俗称LTV，就是用户生命价值总价值，基于用户行为的大数据进行算法分析来进行数据预测。
理想很丰满，现实很骨感。
LTV很理想，但实际上要做到有实际参考价值的LTV很难很难。
我们以为大数据能做很多东西，但却忽略了数据的精准性问题。
1，隐私条款逐渐收紧。
很多非结构化的数据就无法被收集，例如用户剪贴板的数据，用户地理位置，存储信息，手机设备信息等。
IOS14出来后，直接断了设备ID的回传。很多广告主睁眼一抹黑。而且隐私浪潮会继续下去。
2，数据污染问题。
即便在隐私条款未收紧的时代，能达到可使用精度的数据仍然是受限的。
例如年龄问题。
每个设备的用户年龄我要如何明确？统计学上有访谈法、样本法等方式去做。
但互联网上的数据用户即便造假，也是毫无成本，这就造成在统计上要做的数据筛选成本极大提高，即便通过算法做补充，也污染了最后数据的准确性。
当然，理论上来说，只要数据足够大，准确性的影响会越来越少。
与之对应的，数据量越大，相应的经济成本就会越大，并不是每个公司都能扛得住那么高的服务器以及带宽成本。
也因此只有极少几个业务体量足够大的公司，才有资源和能力做到效果明显的大数据分析，数据挖掘，和机器学习。例如常见的巨头公司的成熟业务。
除此外，大部分互联网上的用户年龄，性别等用户数据，都不够精确。
总结一下：
数据分析数据分析，得先有数据才有分析，不仅要有量，还得有质（精确度）。
不要太看重数据分析，想着数据分析能救命一样。
数据量不大的时候天天拿着一千几百个用户搁着那分析来分析去，又搞数据挖掘，又搞算法权重，又搞可视化。
看着外面流行什么搞什么，数据报表污染得一塌糊涂，这不是闹着玩呢。
退一万步来说，即便都给做完善了，业务一变，又得重来，好了，功夫全花在搞数据上了。
这成本，值不值得呢？那得想想了。
数据分析，它终究只是一项技能，一个工具。
但关键的还是业务和人，人对用户预期和产品功能是否把握清晰，敏感度是最好的指导方向（起码目前我是这么认为的）；我们不可能把所有问题都解决之后，再去分析。
锅碗瓢盆样样齐，自然是最佳的，但不齐不代表不能煮好一盆菜。
齐活也可能做不好一盆菜。例如某度。
2，要注重数据分析。
这貌似在与上面唱反调，实则不然。
注重数据分析，是指用较为科学的态度去看待业务本身，对业务中的问题提供较为客观多维度的视角去做归因分析。
业务中会有相当多的问题，很多问题的归因是多样复杂的，没有数据作为支撑，对问题的优化上就会产生极大的误判。
例如，老板要你对某个渠道的广告ROI下降去找原因。
A看了一眼ROI，做了下历史对比。
嗯，只有3%的下降，波动不大，然后就商品，市场，用户心智等说了一通：
再等等，过阵子让平台算法调整回来ROI就会好了。
过了一阵，确实好了，老板总觉得哪里不对，但又不好说什么。
一周后RoI又变动了，老板找B问了下。
B看了一眼ROI，对数据进行拆分，针对国家，广告系列，产品，类目，人群等做好标签，再一拉数据，对老板说：
欧美好几个国家的广告突然没了销量，降幅远远超过3%，而东南亚地区销量突然暴涨20%，但是东南亚预算较小，对大盘影响不大，综合导致大盘的效果小幅度下降。
本次的异常跟上周的一次异常极为相似，可能与我们东南亚红人周期合作活动有关，时间吻合。
计划与东南亚的做合作联动，扩大东南亚预算，并调整好欧美国家的费用倾斜。
老板微笑得点点头：去吧。
虽然以上只是我杜撰的小剧场，现实中其实不少这样的案例。
我相当认可caoz在一篇文章中提到，数据是金库，别坐守金山不自知。
坐守金山不自知
很多时候，业务好像已经到头了，但在另外一些人看来，是有很多空间可以做的。这些空间不是凭空出现的，而是在长期的数据分析中，发现了藏在数据里的金子。
20年下半年的时候，我很狂，每次述职，我都会说下个季度增长80%。
事实上也确实做到了，20年Q2,Q3两个季度连续环比增长80%，当时夸张的增长，还被谷歌记录在大客户案例中。
事实上这个增长幅度不是瞎拍脑袋定的，底气还是很足的。
策略是宽泛匹配做用户拓展，智能出价做量级杠杆。至于其中逻辑，看完《计算广告》，了解好搜索广告展示逻辑以及谷歌DSA中content定位的算法逻辑，你就知道我大致做过什么了。
小幅度的测试后，发现效果极佳，后面要了100倍预算直接吓死我老板，我说：OK的，放心跑吧，ROI稳得很。
最后总结一下：
数据分析，它只是一个工具，一个方式，它不是一个救命的神器，也不是一个能力挽狂澜的存在。而是以数字这种相对客观、实事求是的方式去理解业务和用户。
注意，我是用相对客观这个词来说明。事实上我们不可能做到绝对客观，没必要要求数据绝对精确，绝对得大量级，才去做业务，没必要，真没必要，也不现实。（除非是纯数据驱动的业务）
业务中，注重数据分析。细节、细节、还是细节。刨根问底相当重要。
一个业务出了问题，对这个业务的问题进行刨根问底，这个问题为什么会出现，什么东西导致的，原因是什么，可以怎么做？能复刻吗？复刻的边界是怎样？成本如何？如果不行，是归因错了还是需要帮助？可以怎么要到这些资源？
这一切的基础是，客观，实事求是。不迷信数据分析，也不能忽略数据的价值。
可能这么说会形象一点：
不会煮饭，没好食材，不妨碍你做一顿爱人喜欢吃的菜。
如果真的做不出来，可能你得想想了。
你看还有几百天就过年了，是吧。（狗头）
一家之言，希望本文，对你煮菜有所启发。
