一、方法论

想明白核心的目标是什么，不妨在纸上写写画画，梳理问题，很有效的。

先看时点，再看趋势；先看整体，再看结构；先看存量，再看增量。

拆解是十分重要的，类似于军训中的动作拆解，可以明确定位问题。

更加深入的去思考二阶问题，寻找最根本的问题，不要停留在表面的问题和分析，找到源头。

事无定法。

二、数据校验

数据分析，最怕的就是基础数据取错，瞎分析。

第二怕的就是根据观点去分析，用各种口径统计数据迎合观点，再去做业务决策。

a. limit 100原则：如果产出的数据中有流水，明细等数据，最好select * from tablename limit 100看看。这虽然是个简单的技巧，但好多人经常是急急忙忙接需求，匆匆跑数，然后就把数据发出去了。如果运算逻辑或者方法有问题，limit 100兴许就能命中一些问题数据，让开发人员一眼就看出问题。

b. null 值检查：这也是简单的where语句就能搞定的，null值未必意味着不合理，但要给出合理的解释

c. order by检查：有时候问题数据经常是出现在最大最小值或者topN数据，一个order by 语句，可能就能看出数据明显不合理的地方。

d. 字段间的关联关系检查：有一个案例，让我至今印象深刻，有两个数据字段，其中一个是过去1周的最大值，另一个字段是过去一个月的最大值，而算出来居然是过去一周的最大值比过去一个月的最大值大，这怎么可能，自己稍微用点心就能检查出这种错误，也就是一个sql语句就能搞定的事情。

e. 数值分布检查：某个数值字段可能就取几个值，当值的分布与常理相悖的时候，大概率是出了问题，比如要统计某视频app用户的收看时长，如果发现大多数人的日均观看时长都超过2个小时，这可能就有问题了；又比如，比例类的字段超过100%，不符合业务含义。

可以通过统计量快速了解数据的分布，及所反映的业务情况。

三、避坑指南

数据分析的结论是有适用条件的，不同的信贷产品、特定时期的宏观环境、客群等，未必通用，把分析结论当教条使用、决策，是风险部门的风险。

从方法论中可以看到，其实数据分析的核心就是比较，数据要比较才有意义，而比较的基础在于数据的可比性。

至于结论是否靠谱，类似于模型验证，时段外，根据新的数据进行判断，并及时迭代分析。

不要急，一个问题翻来覆去的想，想上它两三个小时；特别是睡过一觉，第二天清早会有新的思路，是极好的。

不要想当然，骄兵必败。可以培养对数据的敏感性，知道合理的数据范围，多思考数据的业务含义，也可以发现问题。

附，参考资料：

1、如何保证生成数据正确性，https://zhuanlan.zhihu.com/p/76583297

2、如何用数据解决实际问题，[日] 柏木吉基

3、简单统计学