从前，只有那些拥有手工编写所有分析代码的资源的公司才能正确地查看数据。这通常意味着转移开发人员的宝贵注意力，并在开发过程中犯下许多错误，但这也意味着要对度量标准的表示和理解进行大量思考。没有先入为主的观念，一切都是为了特定的目的而做的。今天，分析是可访问的，负担得起的，而且功能强大。点击三下，你就可以根据新用户是否加入了你的应用中的"社区"来绘制一张图表来比较他们两周的保留率，深入研究相关性得分以确定其中是否存在统计上显著的联系，然后将这个群体留作进一步研究。今天理解你的分析最大的挑战不是数据本身或者它是如何呈现的。它在调整偏差。没有人能免疫人类大脑软件中预先安装的各种谬误、悖论和认知错误，甚至连创始人也不能幸免。我们的大脑出错的方式有很多种，这里有100多种，但我们将重点关注四种特别阴险的逻辑谬误，这些谬误会让你无法理解你的数据。1塞默尔维斯反射19世纪的欧洲是个危险的地方。1845年，维也纳总医院7%的怀孕都以母亲的死亡告终。到1846年，这一比例为12%。医院的医生伊格纳斯·塞梅尔韦斯（Ignaz Semmelweis）知道他们一定是做错了什么。经过一系列不同工艺的实验，他弄明白了这是什么。实习生从照顾病人到做尸检，反之亦然，不用洗手。虽然疾病的病菌理论还不存在，但塞梅尔韦斯有一种感觉，这两者是相关的。他立即指示他的居民开始洗碗。来源：柳叶刀孕产妇死亡率立即降至2%以下。但著名的是，塞梅尔韦斯并没有因为这一拯救生命的发现而受到欢迎。他被送进了一个避难所，医生们根本不接受这样一个前提：微小的、看不见的微粒可能会导致这么多人死亡。Semmelweis反射指的是这种反应——人类倾向于拒绝不符合既定范式的想法。例如，如果你想证明你的应用程序有吸引力，你会很乐意听到你的团队说你的每日活跃用户（DAU）与每月活跃用户（MAU）的比例为45%。这与马克·扎克伯格在Facebook早期的传奇比例相同。当时它被认为是Facebook惊人增长潜力的一个例子，现在被认为是这项服务伟大的早期证明。你的创业必须走上成功的道路。当你意识到DAU数字实际上隐藏了多少的时候，你的Semmelweis反射就开始起作用了。例如，每天有25000个用户在你的应用程序上活跃，这很好。但这在很多时候是很容易衡量的。有很多事情DAU number无法告诉您：它不会告诉你每天有25000个新用户被保留。它不会告诉你，这些用户中只有1000人在使用你的应用程序的核心功能，而它的全部用途还不清楚。它不会告诉你你的产品的哪些功能真正让你的用户回来，或者他们用它来做什么。Semmelweis反射意味着你不一定要面对这些事实。当DAU受到如此高的尊重，被谈论得如此频繁，你更可能停留在你的指标的表面。但即使这看起来像是一个使用指标，DAU实际上并没有说明有多少人认为你的产品有价值。当你最终看到了活跃用户数量背后的现实时，你可能真的很难接受。你应该做的：建立一个简单的过程来理解真正符合你公司成功的标准。Dave McClure的Pirate Metrics模型很受欢迎，而且有很好的理由：它可以让您跟踪客户漏斗的每一步，从收购到转介，使用您可以实际采取行动的指标。这是关键。正如美国海军陆战队所说，你需要"偏向行动"，你的分析不仅仅是反思成功或失败的机会。他们是关于开放空间，你可以采取行动，以一种可测量的方式影响事情。你的DAU在一周内减少了1000个用户这一事实并不能告诉你任何可操作的东西；但是，你知道你的一个核心功能的使用量因为用户界面的改变而下降了10%。2热手谬论1985年，三名研究人员着手调查篮球爱好者中的一个巨大影响理论：运动员可以得到"热手"。在连续击球数次后，人们认为，球员"火辣"，更有可能击球更多。但吉洛维奇、特沃斯基和瓦隆发现情况并非如此。当他们分析单个球员和他们的投篮情况时，他们发现他们是连续投了6次球还是错过了6次都没有区别：从统计学上看，他们击中第7次的机会完全相同。这项研究并没有完全揭开这一逻辑谬误的面纱，你可以从中看出你是否曾经打开过ESPN。""连胜"仍然是人们经常谈论的话题，不仅仅是在体育领域。从政治到商业，没有人愿意认为成功是随机的。我们想认为我们的大脑或肠子里有某种东西赋予我们特殊的能力。我们希望看到球在NBA果酱中射出足够多的球后着火。图片：漂白剂报告当你不使用数据来理解你的应用程序，或者你用粗略的、表面的方式使用数据，你会把你的成功归因于你的直觉而不是随机的力量。这意味着，当我们以后不得不做出艰难的决定时，我们很容易依靠自己的勇气。这通常涉及到人们如何以及为什么使用你的应用程序：人们真正喜欢的是什么？为什么有些人每天都回来，为什么有些人几乎马上就把它卸载了？您需要做些什么来鼓励更好的用户保留？这些问题关系到你的应用程序存在的根本理由。因为它们是如此重要，因为也许你觉得你应该知道，用你的直觉回答它们很容易。但事实上，一个篮球运动员把最后三个篮筐都沉了，这并不意味着他们更有可能打到第四个篮筐，而且你开发了一个应用程序，也不能让你成为人们如何使用它的权威。你应该做的：行为共栖是你如何超越直觉，找出人们实际上是如何使用你的产品的。你会采取一些指标来跟踪你的应用程序内的行为，根据行为模式（比如分享、发帖、下周有人重新打开你的应用程序的次数）来评估它们，然后看看你在哪里建立了联系。困难的部分是选择正确的模式，然后评估连接的强度。对于前者，你需要了解用户在真正了解你的应用程序的核心价值时会表现出什么样的行为。对于前者，你需要做大量的实验：你需要确保（尽你所能）处理的是因果关系而不是关联。三。辛普森悖论统计数据中有一个错误是如此致命而且很难发现，以至于达到了一种悖论的状态。辛普森悖论最早出现在20世纪50年代，它基本上是说，在数据集组中出现的趋势可以消失，甚至可以逆转，当这些数据集组合在一起进行分析时。其中一个最好的例子来自加州大学伯克利分校的性别偏见研究。研究人员注意到，申请研究生院的女性只有35%被录取，而男性只有44%被录取，研究人员对这些数据进行了深入研究，希望能证明明显的系统偏差。他们发现，即使是最直接的统计数据也会撒谎。这是调查的起点。从一眼望去，肯定会有明显的偏袒男性。但是，当研究人员对每一个院系和他们的录取率进行统计时，他们发现了一个令人震惊的现象：在录取方面，没有一个院系表现出明显的偏袒男性。事实上，大多数人对女性有一个"微小但有统计学意义的偏见"。（来源：维基百科）真正的情况是，男性通常比女性申请竞争较弱的部门，以更高的比例被他们接受，并扭曲了总体数字。看看A部门，它是目前竞争最不激烈的部门。在825名申请者中，511人被录取：62%。108名女性中，89名被录取：82%。仅仅基于这两点，你不会想到招生人数会有如此大的差异指向相反的方向。我们最终得出辛普森悖论的原因是，在C部门有这样一个反作用，迄今为止竞争最激烈。女性和男性的比例分别为34%和37%，但近600名女性申请，而男性为325人。研究人员发现了一种他们意想不到的趋势。男性通过大量申请竞争较弱的部门，提高了他们的总体录取率，而女性则通过申请竞争更激烈的部门来压低他们的录取率。用辛普森的话来说，你的业务增长并不意味着你的业务增长。假设你每个月的收入增长了10%。取决于你的公司，这可能是惊人的。你可能认为你做的每件事都是对的。但是，如果你因为增长和增加客户而增加收入，你就需要考虑到收购的成本