如果你也当过奶爸的话，应该会具备这个技能：在冲调奶粉时，准确预测开水和凉水的比例。过高过低都会被用户直接抵制，二次调节温度的时间成本相当高。教条主义的角度上，试验成功几次－－比如40％开水兑60%凉水，以后保持即可，但现实情况远没有这么简单，例如：
－奶瓶本身的热量变化，是刚消毒出来，还是冰箱里出来；
－宝宝吃不完或需要加一点时，奶量会比平时少；
－用于加热的开水的水位和水温；
－清洗奶瓶、冲调奶粉和喂奶，并不是同一个人的情况。
从宝宝角度，不会管你那么多，总之只要喝的温度不合适了，整个项目就回滚了。
网站数据分析，也是这样一种，看似简单，日常工作中桃花潭水深千尺的实务操作。说“简单”的原因是，随处都可以看到“电商名词解释大全”，似乎学会就ok了。实际上“根本不出现在数据报表里的干扰因素”才是从业门槛。
常见的需关注干扰项例如：
－数据获取原理
－新／老用户行为模式
－活动机制造成的行为模式
－网站可用性和性能
－利益驱动的“造数据”行为
1、首先，网络营销数据分析
这是相对最容易掌握的一项，由于针对的主要是新用户，而且访问行为单一、着陆页单一、所以精力只要集中在两件事：
a、源数据相对正确性
稍懂开发，了解数据获取原理，可以说是任何一个数据相关人员的必备项。
b、查作弊
虽然在假流量的二跳比真流量还真、cps都轻易作弊的天朝，这也不是那么容易。
当然了，如果运维不给力的话，也需要关注网站、接口可用性和性能，和作弊流量的区别在于：对于作弊流量，营销部门是有措施的；而对于运维问题，除了抱怨以外，是无能为力的。
2、其次，产品经理关注的转化率数据分析
这一数据在第一项的基础上，增加了新老用户和更为深入的访问路径两个因子。
a、 新老用户
比较简单的处理是只看直接访问－－因为那大多数是老用户，如果连老用户也走不下去了，就真的不能用了。但产品升级的目标往往又是“更好地配合市场投放吸引新用户”，也不能不看新用户渠道。因此直接访问的转化主要是看基本功能是否缺漏，推广渠道的转化是看产品体验是否匹配用户属性（体验无高下之分，只有适合不适合用户之分）。
b、访问路径
产品经理关注的转化率有固定的路径，同样是直接流量的转化数据看基本功能，推广流量的转化看用户体验，通常用来解释“为什么做了某个改进”，但是由于脱离了营销和运营，想要证明“从而赚了多少钱”一般是做不到的。
3、第三，运营层面，包括活动效果分析，和后续的用户维度数据分析
活动效果和用户层面的crm数据所受的干扰，很大程度上取决于“机制规则”的设定，外部竞争对手动向，和风险防控，例如优惠券，例如推荐好友有奖。相比前两点，这一点有极强的外部性，也往往是真正决定业务发展的一部分。例如打车app之间激烈的返利大战，就算来自bay area的uber体验好到一切转化数据爆表，还是举步维艰。
对平台型的电商来说，值得一提的还有“造数据”。这是位于产品和运营之间的领域，与网络营销造假流量相比，这里遇到的是平台商户刷排名，只要有列表页，就有排序规则，网站商户就会研究规则算法，使自己能上升到“原来达不到的位置”－－其实网络营销同事也在干这事，他们是在百度和google上干，seo某种意义上就是一种taobao刷单。
这方面登峰造极的无疑是阿里系，无论是造假的、查假的、还是整个周边生态链，都已经发展到了共产主义初级阶段，相比之下ebay上的fraud还在夏、商、西周左右。忽视这部分风控因素而做的数据分析，不能简单评说是否“准确”，只能说充满微妙的“大跃进”色彩。
4、最后要提的，是综合层面的数据分析
通常位于数据、运营、或财务部门，职能是汇总所有数据，指出问题，提出解决建议。
这个层面会遇到的问题，并不仅仅是新老用户、作弊流量、商户做数据之类的层面，也不仅仅是这个位置的经验技能要求更高，真正致命的干扰在于，洗奶瓶、冲奶粉、喂奶接受反馈的是不是一个人，也就内部官僚问题。
在较大的团队里，大多数决策者都浪漫主义地要求看到“各个渠道的成本和收益的综合对比，包括软硬件、人员、资源投放”－－如果是创业团队，都是哥几个自己管理，完全可以看到，而且不需要什么高深的数据分析技巧；如果是多个部门，甚至多个子公司，可以肯定地说，业务面上是看不到的，即使把登月舱的数据分析科学家请来也是一样。实际工作中，往往就交给财务，脱离业务看一下进出帐目，掌握大概方向。
反观小团队的情况，由懂得技术、营销、产品，同时也具备相应执行权限的人负责数据分析，可能性无疑就高了很多，这一方面是精英小团队能逆袭大公司的原因之一，另一方面也是许多大公司鼓励内部精英小团队的初衷。
不知不觉写了许多，该回去继续冲奶粉了。
微信公共号 scv小黄，历经b2c电商，闪购电商，ota旅行电商，pc／mobile产品运营工作随笔