误区一：选取的样本容量有误
08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮命中率要比科比高？显然不能这么说，因为那届奥运会，姚明只投了一个三分球，科比投了53个。因此，在做数据对比分析时，对于样本的选取，需要制定相同的抽样规则，减少分析结论的偏差性。

误区二：错判因果关系
某电商网站数据显示，商品评论的数量与商品销售额成正比。即一个商品评论数量越多，那么该商品的销售额也会越高。假如我们认为评论多是销量高的原因的话，数据分析的结论就会指导我们，需要创造更多的商品评论来带动商品销量。但如果真的这样操作的话，就会发现很多商品的销量对于评论的敏感度并不一样，甚至很多商品销量很高，但与其评论的多少毫无关系。这里，我们就需要思考，评论真的是影响销量的必然因素吗？
除了评论之外，影响销量的因素，还有其质量、价格、活动等，如果能完整的认识到这些因素，那我们要拉升商品销量，首先会需要先从其他角度来考虑，而非评论入手。因此，在分析数据的时候，正确判断数据指标的逻辑关系应该找几者之间的相关关系而不是因果关系。

误区三：忽略沉默用户
用户迫切需要的需求≠产品的核心需求。产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会

误区四：过度依赖数据
过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。比如，分析马车的数据，很可能我们得出的结论，是用户需要一匹更快的马车。如果过度依赖数据，局限了我们的思维，就很有可能不会有汽车的诞生。很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。所以，数据是客观的，但是，解读数据的人是主观的。只有正确的认识数据，才能正确的利用数据。在做数据分析时，对待数据我们必须要有一个求证的心态，并需要时刻警惕那些被人处理过的二手数据

以上就是做数据分析时的四大误区，大家都踩过几个呢？不论怎么说，数据分析本身只是工具，要发挥它的最大价值，还得看大家怎样正确的使用。希望这份避坑指导都对大家有用

顶