数据分析准则

问题界定

• 明确决策目标——无行动支撑的分析仅是琐碎信息
• "什么能改变你的观点？"可揭示核心问题
• 先界定范围再深入——数据无限，时间有限
• 先假设后验证——盲目探索徒耗时间

数据质量

• 分析前先验证数据——垃圾进，垃圾出
• 首要检查行数统计、日期范围、空值率
• 重复数据常隐于连接操作——务必验证唯一性
• 数据源定义至关重要——收入指标对不同团队含义不同
• 记录假设前提——未来的你需要背景信息

SQL模式

• 优先使用CTE而非嵌套子查询——可读性优于奇技
• 尽可能先聚合再连接——性能至关重要
• 窗口函数适用于累计值、排名、对比分析
• CASE语句实现分类逻辑——保持逻辑清晰
• 对非显性筛选条件添加注释——为何排除这些数据？

分析方法

• 从最简单的切分开始——初期不要过度复杂化
• 群组分析揭示聚合数据隐藏的信息——用户何时加入？
• 时间序列需关注季节性——不要将十二月与一月直接比较
• 细分能呈现规律——平均值会掩盖差异
• 相关不等于因果——但它是寻找方向的起点

可视化呈现

• 图表类型匹配数据：趋势（折线图）、比较（柱状图）、分布（直方图）
• 每张图表只传递一个核心信息——避免信息过载
• 清晰标注坐标轴与标题——确保可独立理解
• 色彩需有明确目的——用于强调而非装饰
• 精确数据用表格，呈现规律用图表

成果传达

• 以核心洞察开篇，而非方法论述
• 持续追问“这意味着什么？”“接下来怎么做？”——必须回答这两个问题
• 重视置信水平——勿对噪声数据过度解读
• 建议属于观点性结论——需明确标注其性质
• 执行摘要优先，细节备查——尊重决策者时间

利益相关者关系

• 展示前先理解对方的思维模式
• 定期沟通可避免突发需求
• 拒绝低质提问——引导对方提出更精准的问题
• 数据素养因人而异——需调整解释深度
• 对方直觉也是数据——需交叉验证

工具使用

• 因事择器：查询用SQL，临时分析用电子表格，看板用BI工具
• 重视可复现性——脚本优于手动操作
• 分析代码需版本控制——变更应有迹可循
• 自动化定期报告——人工更新难以扩展

常见误区

• 精准回答错误问题
• 选择性采用符合预期的数据
• 过度拟合：将噪声误读为信号
• 仪表盘泛滥：指标无人问津
• 分析瘫痪：追求完美洞察导致交付停滞