数据工程师必看:分析数据时常见的 7 类统计陷阱

当做统计说明时 7 个最常见的错误。

1. 访问和浏览:混淆它们并且过度依赖它们

不管是不是新手数据分析师,都会陷入交替使用这两个概念的陷阱:

不同的数据分析工具对同一概念使用不同的术语,(甚至)在同一工具中都会使用令人感到模糊的术语,难怪你会将浏览当作访问,反之亦然。

不过要确保你完全理解术语,否则你就有以下风险:

• 使用错误的数据做报告

• 将一些极不准确的报告整合在一起

毫不意外定义浏览和访问,并一次性地将它们的区别列出:

浏览(页面,这是进行数据解释时最常见的错误。

现在,让我们浏览)是指浏览网站上的一个页面,可被追踪分析代码所追踪。

访问(session)是指用户在特定时间内,在你网站上进行的所有动作。

现在说到浏览和访问还有一个在分析解释数据时颇为常见的错误,那就是:过于依赖浏览和访问!

作为 UX 设计师,你也许想要将提升访问量和浏览量的任务交给做市场的人。然后集中处理与用户体验有关的数据。

2. 要有全局观而不是深挖数据

简要地浏览一下可以获取的数据:

• 快速评估手头的数据

迅速浏览“头行”数字

• 这样只能得到一些网站当前的运行状态,不会给你任何提升用户体验的线索。怎样提高数据分析效率呢?

换句话说:访问量仅仅是一个指标用来告诉你有多少人在给定时间段内到达你的网站,不会告诉你怎样鼓励这些人浏览网页。

看到了吧?尽可能使用宽泛的访问数据来分析,并作为用户体验和网站性能的指标是解释统计结果时的另一个常见错误:

作为用户体验分析师,最好的分析数据的方法是对这些数据分析后得到什么结果有个概念。这样你就可以集中分析特定的几个与理解用户行为有关的指标,而不是一股脑扎进数据的海洋里。

3. 解释数据常见错误:只看数字

不把这些数据放在它们的背景下,因为基于数据背景去解释数据才是合理的,否则你就只是分析一些统计上的量化数据:

“是什么”而不是“为什么”

毫无疑问解释数据时最常见的误区就是:进入数字的“咒语”!

你需要牢记:

• 这些数据表示的是真实用户的行为

• 一旦将它们的来源忽略,那数据就失去了它们的价值

• 只有当与用户体检联系在一起解释时才能真正体现数据价值

你的网站告诉你的整体用户体验是什么?

这就是为什么在分析定量和定性数据时经常采用的是定量定量性分析方法。用户研究方法让你从:

已经发生了什么到为什么访问者在我的网站这么做?

4. 总是认为较低数据代表坏标志

在数据分析中另外一个经常犯的错误就是:经常把更低数值、减少数据认为是一件坏事。

这里一定要联系上下文!把数据分析看做一个三个阶段的过程,具体如下:

1. 你想在这些数据中获得什么?

2. 哪些数据是可以利用的?

3. 它的实际意义是什么?

让我们来看一个好例子:

在网页上花费少量时间可能是好的或坏的。如果我们讨论的是你重新设计的主页,它很可能意味着用户发现它的新设计更直观高效。他们可以从你的网站上获取到他们更感兴趣的页面。

换句话说:在你警告团队成员网站在走下坡路前,把这些减少的数字放在上下文中去理解。

5. 忽略用户划分

每个访问者使用你的网站的方式是不同的,如:

• 桌面上

• 移动终端中

• 一天中不同的时间

以及多用户与网站的交互方法不同。还需要我说更多?

当解释定量和定性数据时,不要忽略这些有价值的因素对用户体验的影响。

在你匆忙地做出错误假设读取你的分析数据前,把这些数据分解成多个相关部分。

• 移动用户

• 桌面用户

• 来自不同国家的用户

• 不同年龄组的用户等等

用户群的基础划分将定性和定量数据转换为相关部分,更为重要的是:

提供关于网站上用户体验关心区域的无价线索。

假设网站的转化率为 7%,在你为这个数据过度兴奋前,先拆分一下这个数据。你会发现其中 9% 来自于PC用户,只有 1% 来自于移动端用户

就这样,你就有了线索。现在你就知道应该把你的注意力集中在用户体验的哪些地方。

6.在分析之前没有制定清晰的目标

这就如之前说过的,在海量数据中混乱。

但如果一开始就花费时间定了目标,就会知道从数据分析中想获得的是什么。并且:

• 直接将用户体验指向那些具体对象。

• 专注于解释用户行为的相关度量

用通俗的话说,如果不知道要到什么地方,又如何知道怎么到达那个地方,以及如何提高用户体验呢?

7 解决通用型(One-Size-Fits-All)报告设置

在解释分析数据时另外一个常犯的错误是坚持标准报告设置,而不是尝试调整它,让它向你传递你需要的精准数据:与你网站相关的数据 。

因为每个网站工作方式不同,你不能期望一个通用的数据分析方法能够完美地适合所有数据,对吗 ?

所以你已经分析了你的数据了:接下来呢?

读取你的分析数据仅仅是第一步。现在你应该:

• 从你的分析数据中获得一些可以采取的行动

• 行动起来

是否有可用性测试来解释为什么你的桌面转换率比它的移动版本更高?

或许你需要实现一些用户研究方法去识别用户从他们的移动设备访问网站时浏览的内容。是时候整理你的数据驱动作战计划了!大数据学习交流群:805017805,原文链接:https://medium.com/@OPTASY.com/7-common-mistakes-in-interpreting-analytics-data-statistical-pitfalls-for-your-ux-team-to-avoid-b69b699f1737

    原文作者:加米谷大数据
    原文地址: https://www.jianshu.com/p/bb2f514d5227
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞