具体就不过多赘述了。
三、几个需要避免的点
1.一切数据都来源于数据库，对其他数据无视（外部数据、调研等）
数据库中的数据很多时候并不能反应所有的量化需求，比如用户在这次活动中下单了，但他的购物体验是好是坏、以后是否还愿意继续参与此类活动等问题、跟友商相比感觉如何，此类问题更适合的方式是找到典型用户来进行深度的访谈或做广泛的问卷调查。
2. 不加选择的进行数据分析
数据分析的角度有非常多种，不同的分析角度适合不同的分析目标，应该围绕目标问题去选择合适的分析维度，而不是照本宣科按模板把所有的都跑一遍。
且有些环节无法得到高质量的数据，有时就需要做出决断，宁愿不做此方面的分析，避免因为不准确的数据导致错误的决策。
3. 先有目标结果，再进行数据分析，报喜不报忧（仅为了汇报）
在某些汇报的场景下，为了方便上级快速get结论，往往不会把详细的分析过程和细节展示，而是挑重点结论出来形成报告。
作为汇报人，常常会不自觉的报喜不报忧，优先展示好的业绩，忽略或跳过一些复杂难以阐述的问题。长此以往，可能自己也会被说服，对存在的问题不予以重视。
4. 数据并不能解答所有的问题，对业务的理解和思考有时更重要（研究业务本质问题比研究KPI指标更重要）
在绝大多数的数据分析场景下，KPI数据往往是所有人关注的重中之重，一旦出现下降，就会通过维度的不断下钻，定位问题数据环节。这时候，从KPI视角来考虑，就会去思考怎么去解决问题环节让KPI提升，然后工作就到此结束了。
这种模式带来的弊端，会让人过于迷信数据在思考上偷懒，做的都是亡羊补牢而不是未雨绸缪的事情。
有些时候数据问题背后的问题并不能单纯靠现状数值来解释，而需要人跳出现状，看行业发展、研究市场动向、理解用户心理来洞察。
所以，看数据之外，每个人都需要有留有思考探索业务本质问题的时间。
本文为基于多年经验和观察得出的个人观点，大家有什么看法，欢迎大家在下边评论区留言，转发及收藏，最后非常感谢大家的阅读。
