多数人学数据分析时，每天对着SQL刷题、刷模型，但到了真实业务场景里，连“这个月为什么涨了10%”都解释不清。

数据清洗占掉80%的有效时间

上周帮一家跨境电商复盘Q2销售数据，发现“订单金额”字段里有30%的记录同时包含人民币与美元符号。如果直接做平均值计算，结果会偏移35%以上。真正的数据分析不是从模型开始，而是从处理脏数据开始——比如用Python的pandas库检查缺失值比例、用正则表达式统一货币单位、用Z-score标记异常值。一个常见陷阱是：把Excel里的“筛选删除空行”当作清洗完成，这会对后续的回归或聚类结果造成系统性偏差。

描述性统计比炫技模型更有用

同事曾试图用LSTM神经网络预测下个月的库存周转率，花了三周调参，准确率只比简单移动平均法高2%。后来他回头做描述性统计，发现“周二下午3点”的补货量占全周的40%，而“周末”的退货率是工作日的2.3倍。这个发现让仓库立刻调整了分时段备货策略，直接节省了12%的仓储成本。大多数业务决策需要的不是复杂模型，而是对“中位数、四分位距、高频时段”的精确理解。

对比分析必须控制变量

一家SaaS公司对比A/B两种新用户引导流程，A组转化率15%，B组17%。团队马上决定全量上线B方案。但复查数据发现：A组用户70%来自广告渠道，B组用户80%来自老用户邀请——老用户的留存意愿天然更高。正确做法是分渠道做分层对比：广告渠道下A组12%、B组13%；邀请渠道下A组18%、B组19%。差异从“2个百分点”缩窄到了“1个百分点”，且统计检验显示p值0.08，根本不显著。

三个最常踩的误区

• 误区一：只看平均值不看分布。比如“平均响应时间2秒”，但实际上90%的请求在1秒内，10%的请求卡在10秒以上。应该同时看P50、P95、P99三个分位数。
• 误区二：对相关性和因果性不做区分。看到“冰淇淋销量与溺水人数正相关”，就认为冰淇淋导致溺水。真实原因是“夏天高温”同时影响两个变量。业务中常见的错误是：发现用户活跃度与广告点击正相关，就认为“增加广告能提升活跃”，实际上活跃用户本来就更容易点广告。
• 误区三：只做一次分析就下结论。大部分业务数据波动属于自然随机误差。正确的做法是：先设定显著性水平（比如0.05），然后至少做两周以上的连续观测，并且使用Bootstrap法确认指标稳定性。如果两周内指标上下跳动了四次，那这个“结论”大概率只是噪声。