1，因果關聯錯誤，或者忽略關鍵因素，A和B的數據高度相關，有人片面認為A影響B，或者B影響A；但是，有時候真正的原因是C同時影響A和B，有時候C被忽略了。
2.忽視沈默的大多數，尤其是網絡投票和調查，很容易導致這種偏差。參與者往往有壹定的訴求，非參與者往往是主流用戶。
3.數據定義錯誤，或者理解模糊，導致技術與市場、產品人員溝通中的信息模糊，直接導致處理後的數據與所需數據出現偏差，結果明顯不正確。
4.強制匹配；不同的公司，不同的領域可能有不同的數據定義，在同壹個公司或領域內做比較往往是沒有問題的。大家對此習以為常，但有些批評者不懂裝懂，強行把不同定義的數據放在壹起下結論，明顯是扭曲的；海外知名金融機構在分析中國頁遊和端遊市場時不斷犯這樣的錯誤。
5.忽略前提；有些數據結論是基於壹定的前提，符合壹定的情境，但解釋者有意無意地忽略了前提，放大了結論，誤讀明顯。
6.忽略交互；這種問題經常出現在商業模式轉型和產品改進中。簡單來說，妳遊戲中道具的降價是增加了收益還是減少了收益？如果忽略交互，只靠數據計算，當然是減法，但現實呢？做手術的都知道。
7.缺乏常識；如果妳不了解壹些重要的紀念日，節日，或者網購節，很明顯妳不知道如何處理相關數據。做行業報告更是如此。很難想象不了解行業的人能做出什麽樣的報道。
8.忽略樣本偏差；我們通常基於樣本數據做數據研究，但抽樣過程本身很難做到完全公正和分散，樣本偏差要控制在合理的範圍內。即使不可控，也需要在結論中標明；這是壹個嚴謹的數據解讀。對樣本偏差視而不見，甚至出於某種宣傳目的故意尋找偏差樣本，是不可能做出好的數據結論的。
然後，數據處理要多說壹點。雖然是個技術活，但是壹些技術性不太強的事情壹定要做好。很多時候，我看到的是壹個不符合我預期的數據。我的第壹反應是了解數據源和處理邏輯。我們平時面對的數據，包括大量的幹擾和噪聲數據，以及壹些容易產生歧義甚至誤判的數據，都需要進行處理。很多時候工程師只關心算法層面和效率層面，不願意也不關心這些東西。公司越大，數據結論的失真程度越高。我在壹家巨頭公司工作的時候，有很多這樣的例子，處理方法其實很簡單。多看源數據，正確識別和標註中間的噪音和幹擾數據，對容易誤判的數據進行二次判斷。都是辛苦的工作，沒有什麽技術含量，但是必須的。
最後，很多人想知道我是怎麽看數據的，或者想問我。他們每天看很多數據，卻不知道怎麽看。其實我有壹個很簡單的三板斧，壹學就會用，對於常見的數據場景可以解決大部分日常需求。簡單來說就是“對比、細分、溯源”的口頭禪，沒了。
相比之下，把數據放在那裏是沒有意義的。妳說妳的遊戲周離職率是80%。什麽情況？我不知道。如果妳問我，我不知道。我們只有通過比較才知道。
第壹，橫向對比，妳拿出50場比賽來對比，別人平均失誤率90%，妳80%，妳的比賽還不錯，別人平均要輸65%，妳80%，這是個問題。
二是縱向比較。對比自己的時間線，兩個月前妳失去了1.0版本的90%，現在是80%。有什麽進展嗎？如果兩個月前妳是50%，現在是80%，請反思。
所以我特別強調，在通常的企業數據監控和顯示大屏數據的界面中，要最大程度的體現對比特征，比如同比下降的比例全部用紅色體現，上升的比例全部用綠色體現，這樣公司的經營狀況壹目了然。
細分，數據異常，妳當然想知道原因，那就需要細分。
細分先分緯度，再分粒度。緯度是什麽？如果按時間劃分，就是時間緯度；如果按地域劃分，就是地域緯度；如果按路線劃分，就是路線緯度；如果按面試劃分，就是面試緯度；妳說今天網站的訪問量增加了5%。我不知道為什麽。妳分解壹下，大部分頁面沒有增加，但是壹個頻道的壹個活動頁面增加了300%。這壹點很清楚。這是最簡單的細分例子。其實在很多領域都很常見。什麽是粒度，妳的時間緯度，根據天或小時？這就是粒度差，妳的緯度，妳的網站或者妳的網址，這就是粒度差；這樣就可以逐步鎖定比較的差值，找出原因。
追根溯源，有時候我會比較，細分到特定的緯度和粒度，但還是沒有結論。我該怎麽辦？追根溯源，以鎖定的緯度和粒度為搜索條件，查詢涉及的源日誌和記錄，然後基於此對用戶的行為進行分析和反思，往往會有驚人的發現。正是基於這樣的邏輯，我們發現了產品的壹些缺陷，如果妳繼續這樣分析數據，妳對用戶行為的理解會逐漸加深。
其實這個話題有很多延伸，比如如何看壹個年輕人是否有數據分析的潛力；以及如何培養數據分析和產品分析人才等等，但也僅此而已。