作者通过列举了一些数据分析方法，来阐述在分析数据时，会存在的一些干扰效应，并提供了一些解决的方法，文章看起来更像是在教你，如何做实验的误差分析并检验实验方法，哈哈，还是去原文看吧～
原文链接：Designing with Data Interpreting and Analyzing Data as a Designer
原文作者：Joanna Ngai
统计数据可以帮助我们分析和总结收集的信息，直觉也可以帮助我们观察混乱的真实世界，什么是最好的产品-人们想要使用的，喜欢的产品-同时具备这两种功能。-Braden Kowitz
对许多的科技公司而言，设计和数据是交织在一起的，公司不断的从数据流中工作，并监测每一分钟的变化，这都依赖分析人员，数据科学家还有工程师团队持续地监控数百个标准和迭代。
虽然根据直觉的设计很有价值，但是数据和分析可以帮助你增强对产品的理解，并确保你的决策可以让受众满意。作为通过数据分析设计的人员，这里有一些需要记住的事情：
Novelty effect
定义：当新技术诞生时，倾向于提升性能。不是在学习或实现方面有十几的提升，更可能是对新技术的兴趣而激发的。
对数据分析而言，当你尝试了一款新工具后，结果很可能是积极的。
要警惕拿一些前期的结果，它们可能是好得让人难以置信，实际上可能只是因为刚刚出现，而产生了一些好的变化。
Regression toward the mean
在任何依赖多变量的复杂情景中，涉及到几率，极端结果之后，都会伴随着更为温和的结果。简单地说，“事情会随着时间的推移而消失”。
可以通过创建控制组和对小样本的观察来保持警惕。
Hawthorne effect
定义：研究对象由于意识到被观察而改变行为。
通过选择双盲实验-参与者与实验者都不知道是谁在接受研究。通过自动记录，确保对每个个体的信息收集。
Confirmation bias
当人们确信一个结论是正确的，那么他们也可能相信支持它的论点，即时这些论点并不总是正确。
-Daniel Kahneman，Thinking，Fast and Slow
当面对有限资源和高风险时，有些人可能只对支持他们的数字感兴趣。毕竟在实验中投入的资源和时间，都会让你把希望寄托在某个结论上。
一定要意识到你自己和团队的偏见-在解释数据结果时，倾向于将新证据解释与现有的理念相对照。
Instrumentation effect
定义：工具，观察员还有记录员的失误都可能会造成影响。
这一点并能被完全消除。在使用不同的设备之前，对实验进行测试，让另一个人可以在你实验的过程中进行质量控制，在实验开始前发现存在的问题。
A/A test
A/A test与A/B test非常类型，但在这个情况下，对每个分组用户都提供完全相同的体验。
当有疑问时，最好检查实现的效果如何，数据收集情况，以及工具是否完整，不要在过程中丢失和修改了数据。
Twyman’s law
以著名的媒体分析师Tony Twyman的名字命名的定律指出：如果一项统计数据看起来有趣或者不寻常，那么很可能是错误的。
结论可能被许多原因扭曲-上面所提及的偏差影响，数据异常，糟糕的测试条件等等
User Segmentation
知道你的用户是谁是优秀的，如果你知道他们的行为就更好了。
-Jon Miller
你可以根据统计的数据（性别/年龄）活着用户行为（如购买，参与程度，用户状态）将用户群进行划分。
将关键指标优于通用指标
需要强调的一点是，太在意那些很容易被移动的通用指标（功能的点击，获取），容易忽略的关键指标（收益，留存，整体体验）。
Blue Apron就是这样一个例子，Blue Apron在美国的公司中占有最大的份额。但是用户留存率比较低，表面上看，公司的表现不错，流动率高，成本高，这意味着公司可能存在风险。
横向对齐关键指标
可以衡量的东西就可以被管理。
-Peter Drucker
那些用相同语言，对产品有着一致追求的团队，往往是成功的团队。