產品經理所面對的數據，本質上和日常生活中的數據沒有太大的差別。簡單來說，都是一個量化事物的手段，就像身高、體重一樣，都是一個數字指標，它代表了現實存在事物的一個客觀情況。

正是因為數據的客觀性，讓數據變成了發掘問題本質，尋找事物規律所需要用到的最有利的手段之一。

但是，數據雖然客觀，有時也是會騙人的。在與數據打交道的過程中，我們可能經常會犯一些錯誤，導致分析的結論出現較大的偏頗。因此，在做數據分析時，我們需要警惕這5個常見誤區：

1. 選取的樣本容量有誤

08年奧運會上，姚明的三分投籃命中率為100%，科比的三分投籃命中率為32%，那麼是不是說姚明的三分投籃命中率要比科比高？

顯然不能這麼說，因為那屆奧運會，姚明只投了一個三分球，科比投了53個。

因此，在做數據對比分析時，對於樣本的選取，需要制定相同的抽樣規則，減少分析結論的偏差性。

2. 忽略沉默用戶

用戶迫切需要的需求≠產品的核心需求

產品經理在聽到部分用戶反饋的時候就做出決策，花費大量的時間開發相應的功能，往往結果，可能這些功能只是極少部分用戶的迫切需求，而大部分用戶並不在乎。

忽略沉默用戶，沒有全盤的考慮產品大部分目標用戶的核心需求，可能造成人力物力的浪費，更有甚者，會錯失商業機會。

3. 錯判因果關係

某電商網站數據顯示，商品評論的數量與商品銷售額成正比。即一個商品評論數量越多，那麼該商品的銷售額也會越高。

假如我們認為評論多是銷量高的原因的話，數據分析的結論就會指導我們，需要創造更多的商品評論來帶動商品銷量。

但如果真的這樣操作的話，就會發現很多商品的銷量對於評論的敏感度並不一樣，甚至很多商品銷量很高，但與其評論的多少毫無關係。

這裡，我們就需要思考，評論真的是影響銷量的必然因素嗎？

除了評論之外，影響銷量的因素，還有其質量、價格、活動等，如果能完整的認識到這些因素，那我們要拉升商品銷量，首先需要先從其他角度來考慮，而非評論入手。

因此，在分析數據的時候，正確判斷數據指標的邏輯關係，是指導我們做出產品決策的前提。

4. 被數據的表達技巧所蒙蔽

上圖從表面上來看，第二個圖表顯然更吸引人，轉化率增長更加可喜。

但實際上，兩個圖表使用的是同一組數據。第二個圖表，僅僅是更改了縱軸範圍，就在視覺上覺得第二個的轉化率增長幅度更大。

因此，在做數據分析時，我們需要警惕一些數據處理的小計倆，不要被數據的視覺效果所蒙蔽。

5. 過度依賴數據

過度依賴數據，一方面，會讓我們做很多沒有價值的數據分析；另一方面，也會限制產品經理本來應有的靈感和創意。

比如，分析馬車的數據，很可能我們得出的結論，是用戶需要一匹更快的馬車。如果過度依賴數據，局限了我們的思維，就很有可能不會有汽車的誕生。

很多優秀甚至偉大的產品決策，並非通過數據發現的，而是一個產品經理綜合智慧的體現。

最後

數據是客觀的，但是，解讀數據的人是主觀的。只有正確的認識數據，才能正確的利用數據。

在做數據分析時，對待數據我們必須要有一個求證的心態，並需要時刻警惕那些被人處理過的二手數據。

歡迎關注「雲途數據」公眾號（ID:yuntudata）,瀏覽更多大數據解決方案

點擊這裡立即玩轉數據