随着产业发展，任何企业都会因为内外部环境的变化，驱使自己从经验驱动转向数据驱动。尤其是快速变化的互联网行业，传统经验快速过时，经验已经成为阻碍正确决策的绊脚石。随着用户的个性化需求越来越强烈，数据信息也变得海量，而且企业之间的激烈竞争和运营管理也越发复杂，这一切都彰显了数据分析部门的重要性。
根据IBM估算的数据和麦肯锡全球研究院的数据表明，19世纪和20世纪的人类生产活动，一共产生了50GB的数据；而在年，人类产生相同的数据量只需要两天。这么庞大的数据量，令企业的私有数据及数据分析能力成为了企业 的资源。通过数据管理，对企业来说能够迅速降低制造和组装成本，提高净利润；能够实现产品创新，提高自己的竞争力；能够获得特定用户的行为特征，获得高附加值和溢价，等等。而Amazon、Facebook、Google等互联网巨头，都在通过大数据分析获益。
本文将讲述数据分析的原则和步骤，并讲述如何做出正确的趋势预估。
眼睛会骗人，数据也会
我们知道，由于观察者心理和生理上的原因，导致我们经常会出现视觉误差。我们一直都认为眼睛是感官中最能反映真实情况的器官，甚至俗话说“眼见为实”，但是眼睛却不止一次地骗了我们。例如我们看下面这几张图，就是最典型的视觉误差的表现。
图片中到底是白点还是黑点？
这个三角形是直立的还是平放的？
上面两张图是视觉误差的典型，我们再看看数据给我们带来的感知上的误差。
我们举一个互联网行业案例。
如果A网站的用户平均年龄是20岁，B网站的用户平均年龄也是20岁，我们能否得出一个结论：A、B网站的用户基本上都是同一年龄层的？而事实上，很可能A网站是一个面向大学生的细分产品，而B网站则是一个覆盖16～30岁用户的社交产品。这涉及均值、中位数、众数等不同数值的统计方法。
因此，我们如果单纯看表面数据，来推断我们想要的结论，那么数据有很大的概率“骗人”。因为样本抽样的误差、抽样方式的选择不同、数据分析方法的不一致，都会导致不同的结论，甚至能得出完全相反的结论。我们做运营的时候需要数据支撑，但是数据却把我们骗了。
接下来，我们需要明确数据的统计和分析原则，以及分析的步骤。
数据统计的原则
如果我们要问数据统计和分析有什么原则，至少这三条不可忽视：业务导向、清晰完整、可溯可比。
首先是业务导向，我们必须要清楚数据是用来指导业务发展的。数据分析的目的一定是“从业务中来，回业务中去”，业务导向会帮助我们在工作中找到关键点，并且将注意力都集中在解决问题的数据上。例如我们研究微博某日的DAU活跃情况，发现其出现了大幅增长（超过10%），因此我们进行逐层分析。
我们发现在这次微博DAU大幅增长中， 通过拆分来源知道用户来自于Web登录用户的快速增长，其低频老用户使用Web登录大增19%，经过进一步研究，得知Web端当天做了一次针对低频老用户的登录有奖邮件召回活动，导致大批低频老用户回流。
而通过这次对关键指标的进一步分析，我们确定此次针对低频老用户的邮件召回活动效果非常好。
第二个原则，清晰完整。数据清晰完整包括四个要素：数据定义清晰、计算规则准确、数据来源明确和单位量级清楚。这四个要素构成了我们数据统计的基础表格，并可以在图表中清晰表示。
例如我们要参考某网站的一次运营活动的数据，我们可以看到该活动的报表有着明确的数据要素，能够做到清晰明了。
第三个原则，数据可溯可比。运营数据不能单独存在，单独存在并没有运营价值。例如某企业的销售额，通过横向对比同一时间段的不同区域，可以看出各地区销售情况的好坏。
而我们对数据进行历史回溯的话，就可以和历史纵向对比，从而了解企业在不同时间段的经营状况。
数据分析五步法
获得了基础数据后，我们该怎么研究数据？一般而言，我们可以通过五步分析法进行简单的数据处理。
步，定义问题。明确需要通过数据解决的业务问题，尽量准确地表达问题，以及对数据对象进行定义。
第二步，收集信息。了解问题的背景，收集和整理关于要解决问题的相关数据。
第三步，选取分析方法。分析涉及的主要数据维度，为后面提取数据需求做准备。同时，选取必要的分析方法和分析工具（软件）。
第四步，数据提取整理。根据分析内容和分析方法，提出所需的数据指标需求。在实际分析中，要多数据、部分加工，来更好地支持分析的问题。
第五步，分析结果和结论。得出明确的分析结果，并且以正确的方式呈现。
下面，我们将通过一个虚拟案例来实践这五步分析过程。
某网站是一个新兴的互联网O2O网站，根据内部数据分析，想要了解该网站未来三个月的日PV。
上面这一段定义了一个明确的问题，因此，工作人员通过后台收集数据，得出以下曲线。
因为这个分析的目的是获得未来的网站发展趋势，因此，可以添加趋势线。图像是最直观地展示数据发展趋势和预测分析的方法，在Excel中就可以添加，常用的趋势线包括：指数，对数，线性，多项式，等等。
不同的曲线对应不同的形态：指数曲线有着增速放大的趋势，对数曲线有着增速放缓的趋势，线性曲线一般在没有明确的趋势时使用。
接下来我们对数据提取整理。我们可以把三种趋势线都在表格中表现出来，然后在选项中选择显示R2，R2是一个用来展示预测效果的系数，介于0～1之间，越接近1越准确。所以我们在选取趋势线的时候，应该选取R2值 的趋势线。
那么在分析结果和结论的时候，我们就可以对线性趋势图进行预测，预测未来三个月的日PV值的方法如下图所示。
上面这个案例通过简单的工具（Excel）来分析简单问题（一个稳定发展的网站的未来预测），用来描述数据分析五步法的工作方式。
由于数据分析的复杂程度较高，大型互联网企业都纷纷建立数据分析部门来专业地进行相关工作。对于运营人员来说，更重要的是理解整个分析过程的逻辑，在需求（定义问题环节）到分析的整个过程中，能做到“不掉进坑里”。而专业的数据分析常见的SAS软件，以及涉及的数据的描述性分析、线性回归分析、典型相关分析等，大家可以通过学习《数据分析方法》等相关课程了解，由于笔者能力范围的原因，无法一并阐述，敬请谅解。
抽样的方法
抽样是从研究的总体中按照合理的随机原则抽取部分单位作为样本来进行观察研究，并根据这部分的抽查样本来推断总体，以达到认识总体的目的的一种调查统计方法。首先我们要明确几个大家潜意识都熟知的概念。
总体：我们研究的对象的全部，也称为全样本。
个体：构成总体的每个成员或者每个研究对象。
样本：从总体中抽取出来的个体组成的集合。
抽样常见的方法一般有四种，分别是随机抽样、系统抽样、分层抽样、整群抽样。
随机抽样是指从总体N个单位中任意抽取n个单位作为样本,使每个可能的样本被抽中的概率相等的一种抽样方式。
随机抽样只适用于总体单位数量有限的情况，否则编号工作繁重。对于复杂的总体，样本的代表性也难以保证，不能有效利用总体的已知信息等。在市场调研范围有限，或调查对象情况不明、难以分类，或总体单位之间特性差异程度小的情况下采用此法效果较好。
系统抽样类似于随机抽样，但是当个体较多时，随机抽样太过烦琐，因此可以按照预设的规则，从不同的部分中抽取相应的个体。例如假设抽取若干学生检查学习成绩，可以先按照学号编号，然后确定每隔K个编号抽一个。这种抽样方法简单易行，缺点就是容易出现大的偏差。
分层抽样是先将总体的单位按某种特征分为若干次级总体（层），然后再从每一层内进行单纯随机抽样， 组成一个样本的方法。分层抽样尽量利用事先掌握的信息，并充分考虑保持样本结构和总体结构的一致性，这对提高样本的代表性是很重要的。当总体是由差异明显的几部分组成时，往往选择分层抽样的方法。
例如研究某高校的就业率情况，我们可以将高校毕业生分为几个类别，分别是博士生、硕士生和本科生，然后将三个层次都进行抽样，即可获得总样本。
分层抽样有两个明显优点： 就是在不断增加样本规模的前提下降低了抽样的误差，提高了抽样的精度；另一个优点就是非常便于了解总体内不同层次的情况，便于对总体不同的层次或类别进行单独研究。
整群抽样又称聚类抽样，是将总体中各单位归并成若干个互不交叉、互不重复的集合，称之为群，然后对群进行抽样。整群抽样与分层抽样在形式上有相似之处，但实际上差别很大。分层抽样要求各层之间的差异很大，层内个体或单元差异小；而整群抽样要求群与群之间的差异比较小，群内个体或单元差异大；分层抽样的样本是从每个层内抽取若干单元或个体构成；而整群抽样则是要么整群抽取，要么整群不被抽取。例如，调查某地区教师的收入水平，可以直接抽查某一所学校的老师的收入水平，以该校作为当地的样本。
这种抽样方法代表性较差，抽样的误差大。因此，不同子群相互之间差异很大，而每个子群内部的差异不大时，适合使用分层抽样的方法；反之，当不同子群之间差别不大，但每个子群内部差异比较大时，则特别适合采用整群抽样的方法。
抽样方法不一样，会导致结果不一样。但是就算抽样方法一样，不同的研究方式，包括对指标的观察不同，也会导致结果不一样。
再回到上面提到的案例里，如果A网站用户的平均年龄是20岁，B网站用户的平均年龄也是20岁，我们能否得出一个结论：A、B网站的用户基本上都是同一年龄层的？