一、数据采集阶段
1、数据失真
数据是可能骗人的，比如店铺、电影的评分，可能被人为操控；比如某公司发布的行业分析报告，也具有很大的主观性。
基于错误的数据，做出的分析结论是无益甚至是有害的。所以在采集数据时，我们先要考证数据的来源及可信度，还要关注不符合常理的数据变化，对数据采集方法进行调整。
2、幸存者偏差
就算数据是真实的，也不能轻信。
举个有名的例子，二战时英军发现，从战场飞回来的战机，机身上的弹孔比引擎和油箱上的要多的多，根据这个数据，我们很容易得出要加强机身的防护的建议。但事实的真相却是，那些引擎和油箱上中弹的飞机已经回不来了，我们更应加强引擎和油箱的防护，这就是常说的“幸存者偏差”。
造成幸存者偏差的原因，其实是取样出现了偏差，在数据采集时，我们要避免主观臆断，推演各类可能性，科学取样。
二、数据处理阶段
1、原始数据没有备份
很多新手在拿到原始数据后，喜欢在原始数据基础上把异常值剔除，再备份再做数据处理。但时常到后面发现删除的值其实并非异常值或者仍然有价值，这时候想找回值就麻烦了。所以，当我们拿到原始数据后，第一件事就是要做好备份。
2、不重视数据清洗
拿到数据后，大量繁琐的数据清洗工作常常让数据分析师们感到烦恼，很多人会图省事略过一些步骤，但这常常会造成返工，拖延了项目进度。
干净的数据源是我们一切分析工作的基础，我们需要重视数据清洗。当然了，为了提高数据处理效率，我们可以采用专业的数据分析工具。就拿我在用的FineBI来说，极大简化了数据处理流程，仅需拖拽就能完成数据的清洗、转化、抽取、合并、计算等功能，我们不需要花大量时间在数据处理上，可以把精力聚焦在业务分析上。
三、数据分析阶段
1、过度追求技巧
熟练使用各种数据分析工具如Excel、SQL、FineBI、Python，以及各类经典的分析方法，是每个数据分析大神的基本功，但这并不意味着，好的数据分析，就一定要用到各种高级的工具和方法。
很多数据分析新人会去搜罗各种最新的分析方法和思路，套用在项目中，以证明自己的工作能力。但真正优秀的数据分析，依靠的是不断深入地探索，以及严谨的逻辑链条。再好的工具和方法，都是为人服务的，合适的就是最好的。
2、过度依赖套路
我们不能过度追求技巧，但必要的方法论储备是要有的。在数据分析行业，并不存在“一招鲜，吃遍天”。
我们在刚开始学习数据分析时，会学习各种解题套路，但真正实操时，其实并不存在通用的套路。不同的行业、不同的业务，不同的阶段，哪怕用的是同一种分析方法，结论都应有所区别。比如to C和to B行业的客户运营就是不一样的，比如互联网初创公司可能追求用户增长，步入成熟期后追求利润率提高。
这里并不是鼓励大家盲目追求技术，而是我们要在日常工作中多学习积累分析思路和方法，丰富自己的武器库，将来胜任更多的应用场景。
3、相关性≠因果性
在分析时，我们常常将不同指标的数据进行关联分析，找出问题的原因。但这样往往会犯一个错误，就是错把相关当成因果。
我们通过统计，发现常吃海参的人比不吃海参的人智商要高一些，但这背后其实是因为吃海参的人普遍比较富裕，因而受教育水平高，测出的智商高，我们不能说为了提高智商赶紧去吃海参。
为了避免这一错误，我们在对数据间的相关性进行逻辑推演时，应时刻带着批判性思维，考虑各种中介变量。
4、由结果推原因
错误的数据，披上科学的外衣，是很危险的事。如果我们在开始分析前，就已经在心里预设了一个结论，带着结论找原因，射箭画靶，那做出的分析可能毫无价值甚至可能带来极大的损失
数据分析的优势，在于尊重客观数据而并非人的主观臆断。所以，我们在进行数据分析前，应摒弃主观臆想和经验主义，相信常识和客观数据，分析时还要多次检查逻辑的严谨性。
四、分析报告阶段
1、误导性图表
业内都说字不如表、表不如图，但比不用图表更可怕的，是用误导性图表。比如下面这两张图，光看左边会明显感知到数据在飞速增长，而看到右边才能得知真正的增长速度。
我认为，报告还是应当追求真实，不逃避问题、不美化缺陷，也是分析师的职责所在。
2、结论脱离业务实际
很多人在汇报结论时，只是简单把数据分析结果说了一通，得出一些模拟两可或者大家都知道的废话，并没有联系到业务实际，也并不具备可行性，这样的报告参考价值很低。
业务决策不光是业务人员的事，数据分析人员往往能从客观的角度提出独特的见解。我建议大家多和业务人员交流，至少要熟悉各个业务环节，了解提出数据分析需求的原因，最终得出的结论要有针对性，给出具体可落地的实质建议。