分析工作中存在很多外面课程不教，一上手就容易踩的坑。
这些坑可能一踩就是好几年，甚至很多同学都不知道这是一个坑，白白浪费自己的青春。
#1：只给数据，不给观点
很多分析师做过这样的事情：老板问问题，给表格！老板问更多的问题，给自动化表格！！那要分析师做什么？
老板雇分析师的核心目的，是为了减轻自己的分析负担，如果只是想要一个产数机器，为什么不做个报表工具呢。
下一次你老板要你给数据的时候，都先问一下自己怎么理解这个数据。
#2：用算法模型解决所有问题。
现在外面很多课程在讲Python、算法和模型等技术技能，可以学，但是别自以为是的把技术优越感带到工作中。
有时候在你想要用各种高大上的算法预测目标的时候，他可能只是需要你从业务团队中收集信息而已。
比如当你用一个历史数据去预估明年销量的时候，可能因为国家政策发生了变化，根本没有人力来支撑去年的销量。
算法模型能解决问题，但不是全部。
#3：用现象解释现象。
用现象解释现象，这是分析工作最容易出现的问题。
分析工作中经常会出现“GMV下降是因为销量下降了”“销量下降了是因为DAU降了”这种废话。
这里并不是说这样说是错的，而是这些信息没有价值。这代表你的分析只分析了一半，你并没有给出这个问题的真正答案。
多问自己“why？”。
GMV下降？why？销量下降！（※）
销量下降？why？DAU降了！（※）
DAU降了？why？营销流量在减少！（※※※）
营销流量在减少？why？营销预算在减少！（※※※※※）（最终落到人、资源和项目上）
#4：无法接受不完美数据。
很多人都听过“Garbage in， Garbage out”的观念，但现实情况是世界就是不完美的。
在前司，光一个DAU的口径就变化了很多次，为什么？因为数据质量差，每次迭代都是因为发现了更好的计算方式。但能说现在就是完美的状态吗？我理解是不能的。
因此，我们生活在一个不完美的数据世界。数据可能不是非常准确的，可能会有些缺失，但是只要不影响我们产出洞察，就不影响我们的工作。
比如，你想知道明年DAU的趋势，但是你没有DAU的数据权限，在不开权限的情况下，我们认为访购率是恒定的，同样可以用订单趋势来进行估计。（当然，有DAU趋势更好，没有DAU趋势数据也可以用其他的数据）
#5：畏惧和业务沟通。
业务信息非常重要，他们那里有最新的动态、最直接的老板指示以及最新的规划。
要抓住任何一个和业务沟通的场景，多去扒一些信息出来，这同样可以在你老板面前建立你的信息优势。
v：陈鹏的专栏
