四大数据分析陷阱amp；如何避免它们

　　四大数据分析陷阱amp；如何避免他们对数据的误解，甚至会误导我们**很好的人。看看数字营销四个常见的数据分析陷阱，以及一些批判性思考和避免这些陷阱的妙招。

　　数字营销是值得骄傲的数据驱动领域。然而，正如SEO所说，我们经常使用不完整或有问题的数据，**终得出错误的结论，我们试图证明我们的论点或量化我们的问题和机会。

　　在本文中，我将概述我们行业中四个常见的数据分析陷阱以及如何避免它们。

　　1.下结论

　　今年早些时候，我对品牌知名度进行了排名因子研究，并发出以下警告：

　　ldquo;hellip;hellip; 域名授权（或品牌搜索量或任何其他内容）与排名正相关的事实可能表明以下任何或所有情况：

　　链接导致网站排名良好

　　排名正当理由网站获取链接

　　大约第三个因素（如网站的声誉或年龄）导致网站获得链接和排名在同一时间。

　　我~

　　不过，我想更深入地研究这个问题，并为您提供一个分析这些框架的框架，因为还有很多框架。以石寺**近的研究为例，你可以在前10篇或兰德微博中看到这篇很好的文章，也可以讨论SEMRush**近的直达交通研究。我并不是在批评这两项研究，但我想提请大家注意我们是如何解释它们的。

　　首先，我们会有一点点的确认偏差——我们都太渴望大喊ldquo；相关性和因果关系之间的差异rdquo；当我们看到successful网站的关键字时，也认同当我们看到研报时，我们认为是有效的还是做同样的事情，比如链接。

　　第二，我们不能批判性地分析潜在的机制。选择不仅仅是因果关系或巧合。

　　在根据相关性得出结论之前，您必须考虑以下可能性：

　　确切地

　　逆向因果

　　共同原因

　　线性度

　　广泛适用性

　　如果这些都说不通的话，那就很公平了——它们都是行话。举个例子

　　我警告你不要吃奶酪，因为你可能会死在你的床单上，我必须检查它是否有以下内容：

　　完全巧合-有没有可能这么多的数据集进行了比较，其中一些必然是相似的 为什么，这正是Tyler Vigen所做的！是的，有可能。

　　相反因果关系mdashmdash；有没有可能我们走错了方向 比如，也许你的亲人，哀悼与你床单有关的死亡，吃了很多奶酪来安慰自己 这似乎不太可能，所以让我们暂且不谈吧。不，不可能。

　　共同因果关系——这两个因素背后有没有第三个因素 也许增加你的财富会让你更健康（这样你就不会死于营养不良），也会让你吃得更多奶酪。这似乎是合理的。是的，有可能。

　　线性-我们比较两种线性趋势 线性趋势是一个稳定的增长率或下降率。随时间近似线性的任何两个统计数据都具有良好的相关性。在上图中，我们的统计数据呈直线上升趋势。如果你在不同的尺度上绘制它们，它们看起来可能完全不相关，就像这样，但是因为它们都有一个稳定的速率，它们仍然是很好的相关。是的，似乎有可能。

　　广泛适用性-这种关系是否可能只存在于某些利基场景中，或者至少不存在于我的利基场景中 例如，奶酪，对某些人来说，这足以产生这种关联，因为很少有床单卷入死亡 是的，似乎有可能。

　　所以我们有四个ldquo；是rdquo；答案和五个测试之一ldquo；否rdquo；回答。

　　如果你的例子没有得到五分之五的检查ldquo；否rdquo；你不能说这项研究确定了奶酪消费排名因素或致命的副作用。

　　类似的过程应该应用于案例研究，这是另一种形式的相关性mdashmdash；你所改变的关系，以及一些好的（或坏的）。发生。例如，询问：

　　我是否排除了其他因素（如外部需求、季节性、竞争对手失误）

　　我是通过做我想做的事情来增加流量，还是同时意外地改善了其他因素

　　这是由于特定客户/项目的特殊情况造成的吗

　　2.缺失

　　如果我告诉你我今天的流量是每周20%，你会怎么说 恭喜你

　　如果去年这个时候增长了20%呢

　　如果我告诉你20年来一直上涨20%，直到**近呢

　　有趣的是，一个小环境可以完全改变这一点。这是另一个案例研究的问题和他们邪恶的倒双胞胎，交通下降分析。

　　如果我们真的想知道某件事是令人惊讶的，是积极的还是消极的，我们需要将它与我们的预期进行比较，然后计算出我们的预期偏差是多少ldquo；正常rdquo；。如果这听起来像是统计数据，那是因为这是统计数据——事实上，我在2015年就写过衡量变化的统计方法。

　　但是，如果你想偷懒，一个好的经验法则是收缩和增加前几年。如果有人向你展示可疑的放大数据，你可能需要使用少量的盐。

　　3相信我们的工具

　　你会根据你的竞争对手操纵的数字做出数百万美元的商业决策吗 好吧，你有机会。这个数字可以在谷歌分析中找到。我在其他地方对此进行了广泛讨论，但大多数分析平台都存在一些主要问题：

　　他们很容易操纵外部世界

　　他们是如何分组谈话的

　　他们对AD阻滞剂有多脆弱

　　它们在样本中的表现，它们的明显程度

　　例如，谷歌ApI V3可以分析大量的样本数据，如果流量超过一定量（~500000在日期范围内），您知道吗 我也没有，直到我们遇到它，同时建造蒸馏ODN。

　　类似的问题在很多情况下都存在ldquo；搜索分析rdquo；在工具中。我的同事Sam Nemzer为此写了一堆报告——你知道排名**高的跟踪平台是完全不同的排名 或者关键词就是谷歌（所以像SEMRush这样的工具和统计数据也不是等价的，可能没有大量的参考资料

　　了解我们使用的工具的优点和缺点是很重要的，这样我们至少可以知道它们何时是准确的（例如，他们的见解引导你朝着正确的方向），如果不是完全准确的话。我在这里真正可以推荐的是，他的SEO（或任何其他数字渠道）必须意味着理解你的测量平台的机制，这就是为什么所有新的开端都学习如何在蒸馏结束时分析审计。

　　根问题**常见的解决方案之一是合并多个数据源，但是hellip；

　　4.合并数据源

　　将有许多平台ldquo；失败（未提供）rdquo；聚合两个或多个数据：

　　分析

　　搜索控制台

　　关键词广告

　　排名跟踪

　　这里的问题是，首先，这些平台没有相同的定义，第二，具有讽刺意味的是，经常打破他们。

　　我们先来处理定义，例如mdashmdash；让我们看看带有频道的登录页：

　　在搜索控制台中，这些数据以单击的形式报告，当合并多个维度（如关键字和页面）或过滤器时，它们可能会受到严重和不可见的采样的攻击。

　　在谷歌分析中，这些报告使用的是**后一次间接点击，这意味着你的有机流量包括一系列直接会话、加班、恢复中间会话等，而这些会话不进入暗流量、广告封杀代理等。

　　在AdWords中，大多数报表使用AdWords单击并转换以定义不同的报表。此外，如上所述，关键字volume是捆绑的。

　　排名如上所述，跟踪是特定于位置且不一致的。

　　好吧，虽然它可能不准确，但考虑到这些限制，你至少可以得到一些有用的数据。但是，关于ldquo（未提供）rdquohellip；

　　大多数登录页获得的流量不止一个关键词。其中一些关键词的翻译效果可能比其他关键词更好，尤其是当它们带有品牌时，这意味着即使是****的点击模式也帮不了你。那么你怎么知道哪个关键词是有价值的呢

　　**好的答案是从这些关键词AdWords数据中概括出来，但您不太可能拥有关键词和web数据的所有这些组合来进行分析。本质上，报告工具非常大胆地假设给定页面的所有关键字转换都是相同的。有些人比其他人更透明。

　　再次强调，并不是这些工具一文不值，而是需要仔细理解它们。唯一能够可靠地填补ldquo产生的空白的方法；不可用rdquo；将花费大量的付费搜索，以获得体面的量，转换率，跳出率是估计所有关键字，即使这样，你没有固定的不一致的定义问题。

　　奖励：平均评分

　　我看得太多了。有三个问题

　　您是否更关心十个非常低容量的查询（10个月或更少）的损失，而不是一个高容量的查询（百万以上） 如果答案不是ldquo；是的，我绝对更关心十个低容量查询rdquo；，所以这个指标不适合你，你应该考虑一个基于点击率估计的可见性度量。

　　在你开始排名100个你不知道的关键词排名之前，这会让你不安吗 如果答案不是ldquo；是的，我讨厌新的关键字排名rdquo；，所以这个指标不适合你mdashmdash；因为它会降低你的平均值排名。当然，您可以使用所有非排名关键字作为位置100，正如某些工具所允许的那样，但是在2个平均排名位置的下降真的是表明每50个登录页中就有一个已被索引的**佳方式吗 另外，使用可见性度量。

　　你喜欢和你的竞争对手比较你的表现吗 如果答案不是ldquo；不，当然不是rdquo；，那么这个指标不适合你mdashmdash；你的竞争对手可能有更多或更少的品牌关键词或长尾排名，这将导致比较偏见。同样，使用可见性度量。

　　结论是你会发现这很有用。总结的主要结论是：批判性地分析相关研究和案例研究，看看你是否能将它们解释为巧合，如反向因果关系，作为联合因果关系，通过引用第三个相关因素，或生态位适用性。

　　不要在没有上下文的情况下看流量变化——你会预测这段时间和误差有多大

　　记住，我们使用的工具有局限性，看看它们如何影响它们显示的数字ldquo；这个数字是如何产生的ldquo；这是一个重要的部分，这个数字是什么意思rdquo；ldquo;

　　如果**终合并了来自多个工具的数据，请记住找出它们之间的关系mdashmdash；将此信息视为方向而不是精度。

http://www.ytdns.net/jianzhanzhishi/523.html 四大数据分析陷阱amp；如何避免它们