我們會發生各種極有可能出現的混淆，資料抽取之後「迷戀」於數字，腦子裡沒有分析的目標，自己的侷限影響指標選擇......當分析資料的時候我們都很容易犯錯。不過，使用者體驗團隊需要使用者行為的準確畫像，你就要記下分析資料(使用者體驗分析)時最常見的幾個錯誤，或者說讀資料時幾個最大的失誤。
這些都與對使用者行為進行錯誤的假設有關，然後你就會發現：
現在，向大家揭示當做統計說明時 7 個最常見的錯誤。
01訪問和瀏覽：混淆它們並且過度依賴它們
不管是不是新手資料分析師，都會陷入交替使用這兩個概念的陷阱：
不同的資料分析工具對同一概念使用不同的術語，(甚至)在同一工具中都會使用令人感到模糊的術語，難怪你會將瀏覽當作訪問，反之亦然。
不過要確保你完全理解術語，否則你就有以下風險：
毫不意外，這是進行資料解釋時最常見的錯誤。
現在，讓我們定義瀏覽和訪問，並一次性地將它們的區別列出：
現在說到瀏覽和訪問還有乙個在分析解釋資料時頗為常見的錯誤，那就是：
過於依賴瀏覽和訪問!作為 ux 設計師，你也許想要將提公升訪問量和瀏覽量的任務交給做市場的人。然後集中處理與使用者體驗有關的資料。
02要有全域性觀而不是深挖資料
簡要地瀏覽一下可以獲取的資料：
這樣只能得到一些**當前的執行狀態，不會給你任何提公升使用者體驗的線索。怎樣提高資料分析效率呢?換句話說：訪問量僅僅是乙個指標用來告訴你有多少人在給定時間段內到達你的**，不會告訴你怎樣鼓勵這些人瀏覽網頁。
看到了吧?盡可能使用寬泛的訪問資料來分析，並作為使用者體驗和**效能的指標是解釋統計結果時的另乙個常見錯誤：作為使用者體驗分析師，最好的分析資料的方法是對這些資料分析後得到什麼結果有個概念。這樣你就可以集中分析特定的幾個與理解使用者行為有關的指標，而不是一股腦紮進資料的海洋裡。
03解釋資料常見錯誤：只看數字
不把這些資料放在它們的背景下，因為基於資料背景去解釋資料才是合理的，否則你就只是分析一些統計上的量化資料：
「是什麼」而不是「為什麼」
毫無疑問解釋資料時最常見的誤區就是：進入數字的「咒語」!
你需要牢記：
只有當與使用者體檢聯絡在一起解釋時才能真正體現資料價值，你的**告訴你的整體使用者體驗是什麼?這就是為什麼在分析定量和定性資料時經常採用的是定量定量性分析方法。使用者研究方法讓你從：已經發生了什麼到為什麼訪問者在我的**這麼做?
04總是認為較低資料代表壞標誌
在資料分析中另外乙個經常犯的錯誤就是：
經常把更低數值、減少資料認為是一件壞事。
這裡一定要聯絡上下文!把資料分析看做乙個三個階段的過程，具體如下：
1. 你想在這些資料中獲得什麼?
2. 哪些資料是可以利用的?
3. 它的實際意義是什麼?
讓我們來看乙個好例子：
在網頁上花費少量時間可能是好的或壞的。如果我們討論的是你重新設計的主頁，它很可能意味著使用者發現它的新設計更直觀高效。他們可以從你的**上獲取到他們更感興趣的頁面。換句話說：在你警告團隊成員**在走下坡路前，把這些減少的數字放在上下文中去理解。
05忽略使用者劃分
使用者群的基礎劃分將定性和定量資料轉換為相關部分，更為重要的是：提供關於**上使用者體驗關心區域的無價線索。假設**的轉化率為 7%，在你為這個資料過度興奮前，先拆分一下這個資料。你會發現其中 9% 來自於pc使用者，只有 1% 來自於移動端使用者。就這樣，你就有了線索。現在你就知道應該把你的注意力集中在使用者體驗的哪些地方。
06在分析之前沒有制定清晰的目標
這就如之前說過的，在海量資料中混亂。
但如果一開始就花費時間定了目標，就會知道從資料分析中想獲得的是什麼。並且：
用通俗的話說，如果不知道要到什麼地方，又如何知道怎麼到達那個地方，以及如何提高使用者體驗呢?
07解決通用型(one-size-fits-all)報告設定
在解釋分析資料時另外乙個常犯的錯誤是堅持標準報告設定，而不是嘗試調整它，讓它向你傳遞你需要的精準資料：與你**相關的資料 。因為每個**工作方式不同，你不能期望乙個通用的資料分析方法能夠完美地適合所有資料，對嗎 ?
所以你已經分析了你的資料了：接下來呢?
讀取你的分析資料僅僅是第一步。現在你應該：
是否有可用性測試來解釋為什麼你的桌面轉換率比它的移動版本更高?
或許你需要實現一些使用者研究方法去識別使用者從他們的移動裝置訪問**時瀏覽的內容。
是時候整理你的資料驅動作戰計畫了!
資料分析的陷阱
wiki原始連線 當人們嘗試 兩種變數 比如新生錄取率與性別 是否具有相關性的時候，會分別對之進行分組研究。然而，在分組比較中都佔優勢的一方，在總評中有時反而是失勢的一方。該現象於20世紀初就有人討論，但一直到1951年，e.h.辛普森在他發表的 中闡述此一現象後，該現象才算正式被描述解釋。後來就以...
資料分析的陷阱
wiki原始連線 當人們嘗試 兩種變數 比如新生錄取率與性別 是否具有相關性的時候，會分別對之進行分組研究。然而，在分組比較中都佔優勢的一方，在總評中有時反而是失勢的一方。該現象於20世紀初就有人討論，但一直到1951年，e.h.辛普森在他發表的 中闡述此一現象後，該現象才算正式被描述解釋。後來就以...
資料分析的統計基礎5
當樣本容量很大時，樣本比例的抽樣分布可用正態分佈近似當樣本容量很大時，樣本比例的抽樣分布可用正態分佈近似 棣莫弗 拉普拉斯中心極限定理 設 x 1,x 2,x n,是獨立同分布 independently identically distribution 的隨機變數，x i 的分布是 p x i 1...