用客观标准代替主观判断
但是单纯只有数据，对业务问题的分析没有什么帮助，毕竟我们得知道这个数据到底带来了哪些业务信息，所以最后事实还是要归纳成“观点”。
想要解读出观点，我们需要先找到一个标准。
标准怎么找？
可以是老板定的标准，看数据是否符合老板心中的标准。虽然这也是拍脑袋，不过老板毕竟是老板，他们心中有些战略构想是建立在某些条件满足的基础上的。
可以看行业和竞品的平均标准，看数据下降是否是行业的普遍现象。
看企业过去的平均水平，可以在历史数据中找到类似场景下的数据情况，和自己的过去对比。
然后我们通过数据和这些标准进行对比，得出一个观点。
比如我们可以分析每周的情况，看历史上是否存在这一的趋势，平均下跌是多少？如果历史上每周三都会下跌，平均下跌7%，那么我们就可以认为目前数据比较正常，没有问题。
这样得出的结论全都是客观的，如果你不找标准，而用主观判断数据的好坏，那么不同部门的人会沟（shuai）通很久。
不预设立场
人们总是习惯于通过自己的现存经验和知识去判断未知事物，这种预设立场的思维在原始人的时代很有价值，其优势在于：不浪费宝贵的能量，快速决断，避免因为低效决断而错失机会
在数据分析的场景下，我们需要尽可能地找出真实原因。此时这种预设立场的决断方式会造成许多错误，因为现有经验和知识在
应对未知事物时是不足的，是有偏差的。
如果出现了业务问题，关联的业务方往往预设一个立场：这事没有看起来那么糟，或者这事和我没关系。
比如转化率下降了，业务方的反应往往是这个数据下降肯定跟自己无关。
自己的运营活动明明做的很成功，转化率下降一定是行业因素、用户质量等等其他因素导致的。于是为了证明这个观点，他们顺着这个预设的前提，找到一些相关的证据来解释转化率下降的现实。
实际上，想要证明一个观点，只要你肯去找，不管观点多么荒谬，总能找到支持你的理由。不仅辛普森悖论这种统计学的把戏可以得出完全相反的结论，即使最简单的“真话不全说”的方法，也能达到这种目的。
预设立场再去找证据是一件相当不靠谱的事。
数据分析部门一般独立于业务部门之外，这样可以确保数据分析师没有业绩压力，分析具有独立性。因为数据分析的独立性，所以最终问题究竟是在产品上、运营上或者市场上，数据分析师不会有明显的偏向，只认客观数据。
但是假设验证和预设立场不同。
预设立场，是要找到证据来证明猜想，一个数据不行，那就换另一个数据。直到能证明这个观点为止。
而验证假设，则是事先规划验证这个假设需要的数据。如果数据最终不符合假设，那么就抛弃这个假设。
好的数据分析师，能够根据客观数据，随时抛弃旧的假设，并建立新的假设。
抛弃固有的思维定式，这是非常反人性的，这也是为什么说数据分析需要专业训练的原因。
说了这么多，归根到底就是希望大家能够有一个合理的数据分析思维方式，希望大家能够多多点赞，多多分享，多多关注。
