高效能數據分析的七個習慣

1．相比花哨算法，更重視分析的簡單性

如果你都不能向一個5歲的小孩解釋清楚，那么你將很難將你的產品賣給其他人。產品數據分析的重點不是分析，別誤會，你還是需要分析，但是它的故事和基于數據的推薦真的很重要。

復雜的分析造成的混亂將導致你獲得完全相反的結果。你希望能夠驅動工程和投資分析行為。如果你的分析是不清晰的，工程師就不能快速通過你的分析獲得知識，那么你的分析就會失去價值。

關于數據分析的影響力的最終測試是根據工程和投資行為的改變程度。應該令數據分析變得容易，方便人們使用，得以實現改變。

2．相比數據，更加重視數據源

在更廣泛的時間段里看更多的數據可以給你在分析上有更多的信心。然而,遙測或日志作為單一的傳遞途徑會被捕捉到的特性所限制。一般來說,一個單一的途徑只講述產品的一部分。

相同分析+相同原理=相同故事

你需要的是其他數據源?？梢允撬斜坏怯浽谀程幍?a href='/map/sql/' style='color:#000;font-size:inherit;'>SQL操作記錄，或者是你有工具可以從你的用戶那里獲得日志樣本。更多的數據源也會讓你確定你的故事是否一致。更多的數據不能給你更多得洞察力。但是更多的數據源可以。

3．相比最新亮眼的工具，更加重視熟悉的工具

亮眼的最新工具使用起來很有趣，有時候也很管用。但是，你還記的你的數據分析的影響力的最終測試嗎？

你希望工具變的容易，能夠被人們所使用并得到自己想要的改變，但是改變不是這么容易的。從文章《你的大腦在工作》即《Your Brain at Work》學到3點，希望大家能牢牢記住，它們能給與你們最大程度的幫助來促進改變。

對于你的工程師伙伴而言，令工具安全很重要，它們可以被使用和促進改變。通過使用你熟悉的工具，講述那些快速吸引大家注意力的故事。遠離最近，最酷的可視化技術除非它們在你的故事中必不可少。

深入分析核心信息

重復核心信息，不斷的重復

除非你正在推薦一個新工具的使用，重點不是在工具，而是你故事的核心信息。

4．相比指標，更加重視洞察力和投資

指標是指你的關鍵性能指標(KPI)。它們可能以圖表,坐標或表的形式表現。你的分析不能就此止步。指標只是數據驅動工程‘3I’里面的第一個‘I’，告訴別人一個圍繞數據的充滿洞察力的故事，然后建議他們投資。你是改變的代理人,你的分析必須充滿你的見解和對投資的建議。

5．相比信任，更加重視CUSS

數據永遠都是不干凈的。這就是為什么我常常覺得自己像一個門衛。作為數據門衛,我很少相信里面的數據以及它們的格式是正確的。我總是從使用‘R語言的可能性和統計的介紹’中應用Kern’s CUSS，為了能夠理解數據中心，數據的異常特征，數據的傳播和數據的形狀。

中心：數據的總體趨勢所在

異常特征：有缺失的數據點?離群值?集群?

傳播：數據產生哪些變化？

形狀：如果你來繪制數據，數據的形狀是什么？

了解數據如何生成和數據的CUSS可以讓你作出更好且合理的見解和投資。

6．相比確定性，更重視方向

數據收集的成本經常是解決業務和工程問題的最終答案的一大障礙。你幾乎總是能得到不完整的答案，雖然比你手中已有的答案好。

《如何測試任何事》（How To Measure Anything）的作者推薦我們可以問這個問題：

“是否存在一個測試的方法可以減少不確定性，足夠來確定測試的成本？”

即使你沒有相應的工具來明確的回答特定的組件是否有這個問題。你也可以消除一些組件，通過廉價的方式來減少不確定性。也許你可以凝聚幾個不同來源的數據,得到一些非常粗略的結果，讓事情朝著正確的方向前進。

讓你或你的團隊朝著正確的方向前進比得到超級準確的,確切的答案更重要。

7．相比你在“思考”軟件是如何工作的，軟件的實際工作更重要

產品數據分析的優點是看到實際用戶使用你的軟件產品的足跡。有時你會得到一個很好的的足跡。但也有可能,你得到的部分足跡讓你的調查更加困難。無論如何,遙測和日志的足跡都是現實的反映。

架構知識是偉大的資產。但是，遙測和日志通過確鑿的證據告訴我們實際發生了什么，結果并不是我們希望看到的。作為一名數據科學家，如果你對數據有著獨特的看法。那么你看到的軟件，就是軟件的真實情況。

這是很強大的，因為你不僅有足夠的證據顯示軟件是如何工作的，也可以對廣泛的用戶有針對性的洞察。你可以聲稱：“77%的用戶沿著的這條編程路徑是和軟件設計矛盾的?！毕嘈拍愕挠脩袅粝碌淖阚E，但是要重復檢查。在‘統計學習的元素’這篇文章中，有一句引言我很喜歡：“正如我相信上帝一樣，我也相信他人帶來的數據?！?/span>