大數據分析中樣本的不準確，不但會帶來分析結果輸出的價值偏差，更會因輸出結果的錯誤，導致參考方的策略決策方向性錯誤，造成重大經濟損失。

我不知道為什么悟空問答里會有這么奇葩的問題；由于職業強迫癥沒辦法，在此解釋下大數據分析中，數據樣本的特點以及這些特點，對數據分析挖掘輸出的結果都有怎樣的影響；

一、數據樣本特點的認知誤差：

按照呈現方式分：字符型和數值型；

字符型：對事物或現象的某種特征進行描述；如姓名，地區，職位等等；一般作為變量存在，不具備計量性質，在數據分析中一般是通過變量重構，具備計量性質參與數據建模。

數值型：用自然數或量度單位呈現，如，4,5,6；2月23日；56%等，具備計量性質，直接參與數據建模進行數據分析及挖掘；

對數據類型的認知偏差，也會誤導采集或運用數據時，產生統計遺漏和運算誤差；

二、數據來源造成的數據不準確性：

1.有技術能力的，可以自行編程通過網絡平臺或應用抓行抓取（如Python）需要的數據，這類數據雜亂無序且大量存在無效虛榮數據，其信度效度及適用性都需要在數據清洗，整理后才能確定；

2.通過企業內部各數據入口，自主積累（來自CRM，SCM，ERP等數據入口）等；這類數據信度效度相對比較高，但也會存在數據盲點；

數據盲點，是造成此類來源數據不準確的重要原因；

邏輯盲點，物理盲點或人為盲點，如數據庫里缺失，或未收集到，或人為忽略商業目的存在關聯的數據；或將不同數據來源的數據進行混合使用；

3.購買；尋找專業數據機構購買，這個途徑獲取的數據，因行業偏差，數據采集手段及工具，采集技術等等原因，其數據信度效度及適用性都無法確認，也需要在數據清洗整理中進一步判斷區分；

三、造成數據分析結果對應商業目的的誤差；

我們做數據分析的商業目的無外乎三種：

1.審視過往；2.描述現在；3.預測未來；

通俗點講，就是通過對已有數據集合的匯總清洗，分析挖掘，把隱藏在看似雜亂無章的數據背后的信息集中提煉出來，總結研究這些對象的內在規律及邏輯關系，用于幫助我們在進行判斷及決策時，選擇適當的策略和行動計劃；

1）當我們在采集或清洗一手數據時，我們使用已經發生數據錯誤或數據類型片面不準確，通過上述一系列復雜的分析挖掘過程，輸出的結論就陷入“差之毫厘，謬以千里”狀態，不再具備可參考價值及操作性；

2）這樣的輸出成果，對我們的判斷及決策都無法起到參考支撐價值，更加無法指導我們去選擇正確的策略和行動計劃；

3）盲目按照由錯誤數據集合分析挖掘輸出的結果，參考制定市場策略及決策，并運行于行動計劃里，那么其后果不堪設想；

綜上，數據的信度效度及適用性，是數據分析挖掘最基礎的核心要素。

一切分析結果的輸出，都取決于輸入數據的準確性，同時數據在采集，清洗，處理，分析，建模，挖掘，可視化呈現扥各個環節上，監控、保障數據誤差盡量趨近零，這樣輸出的結果才具備真實有效，在支持策略決策上具備參考性，在行動計劃具備可執行性；這才是數據分析結果的價值所在。

【墨蔸集】作者：

連續創業者，專注商業數據分析及團隊管理。定期輸出大數據商業運營管理實戰經驗。歡迎探討交流，謝謝關注。