此部分内容来自对《Python数据分析与数据化运营》4.8节 其他数据分析和挖掘的忠告
1 不要忘记数据质量的验证
数据质量是所有数据工作中最基础但也是最容易被忽视的一个环节，在实际问题中，要有效的应对数据质量的问题，必须在工作过程中进行数据质量验证。
- 理解数据来源、数据统计和手机逻辑，数据入库处理逻辑；
- 理解数据在数据仓库中存放细节，包括字段类型、小数点位数、取值范围，规则约束等；
- 明确数据的取数逻辑，尤其是过程中是否对数据有转化或重新定义；
- 第一时间对数据做数据审查，包括数据有效性验证、取数范围、空值和异常值验证，是否与原始数据原则一致等。
2 不要忽视数据的落地性
无论数据分析的服务对象是具有决策权的领导层还是执行层的业务层，数据的价值都只存在于辅助决策或者数据驱动中。
部分数据分析师的数据报告让业务方觉得没有价值，表现为：
- 分析过程明显不符合业务操作实际
- 结论明显是错的
- 建设方向性很对，但都是人人都知道的大道理，具体执行缺乏落地性
- 建议方向性很明确，也有具体执行建议，但业务不能执行
在以上的问题中，前两条问题的原因是数据分析的及基本数据能力和业务基本常识不足，后两条的原因更多的在于信息不对称。从数据分析师的主观问题分析，根源可能有以下几个方面： - 数据分析师不理解业务操作流程，凭自己的理解去猜测业务流程
- 数据分析师不了解目前业务的困难点和紧迫点，想要驱动的是业务的“次要”关注点；
- 数据分析师不了解业务的实际能力和权限
3 不要把数据陈列当做数据结论
数据报告中一定要根据数据得出相应的结论。在实际业务中要根据汇报对象的层次、理解水平、对数据认识程度以及听汇报的习惯重新组织语言和格式等。
4 数据结论不要产生于单一指标
5 数据分析不要预设价值立场
6 不要忽视数据与业务的需求冲突问题
总结
在实际的数据分析问题中，要考虑数据的质量，数据分析结论的正确性，一定要结合实际的业务需求，同时数据分析要做到客观、公正。
