很多賣家在處理數據的時候，經常會碰到這樣那樣的問題，有些對于數據敏感的賣家能立馬發現其中的一些問題，但相對的，部分賣家在處理數據的過程中，并不能發現這一些問題，反而得出結論的錯誤，導致決策的錯誤。一個錯誤的決策，那還不如不費那個時間去做這個分析，憑經驗做決策還更加精準和不浪費時間。
下面跟賣家們分享幾種最常見的錯誤，讓賣家們可以避免犯下這些問題。
先舉個例子，某某大學年度調查統計顯示，本校計算機系的女同學，50%都嫁給了該校的男性老師。看到這個案例大家會怎么想？可能的大家的第一反應是這是什么學校對吧。但是事實上的一個情況就是，該系因為女生非常少，那一屆就只有兩個女生。就其中一個跟老師結婚了，就占了50%。這是屬于非常經典的數據的案例。就是百分比數據，在數據量沒有達到一定的量級之前，是不能夠成為參考的依據的。這里面雖然并沒有計算上的一個錯誤，但其實更加值得關注，并不是說，當訪客數才3個，就有一筆銷量的時候，寶貝轉化率就是33.3%了。這種說法，并不是判斷這個寶貝轉化率好壞的一個依據。
另外的一種情況，拿實際案例來解釋。
比如這個，平均訪問商品數是通過計算的。就是商品瀏覽量除以的商品訪客數。這是昨為數據源。然后經常會做的事情就是需要做報表統計什么的。結果就是這樣：
乍一看似乎沒有什么問題，但是試著算算89524除以61935等于多少，是1.44，好像差別也不大，但是為什么不一樣呢？再來算算其他的540471除以281367等于1.92，都不一樣了是吧。電腦出錯了？其實這不是，這個就是在統計里面的，計算之后再統計的問題。舉個最簡單的例子。如果第一天的訪客數是10，下單數是2個，轉化率20%吧，然后第二天的訪客數是100，下單數是5個，轉化率是5%吧，那兩天平均的轉化率按道理是（5+2）/（100+10）=6.3%對吧。但是計算20%和5%的平均數呢？就是12.5%，跟6.3%相差好多。這個就是計算后的再匯總。一定要注意，這樣子是要出錯的。可能有些數據因為相差不大而忽略它，但是做數據必須就要嚴謹。
這時候怎么辦，統計的話，就需要統計之后再計算，當然在數據透視表里也可以實現。
下面的第一個選項里計算字段：
點開后是這樣的：
然后名字可以自己取，計算公式就是需要計算的內容咯。確定之后，就會額外有：
再看看計算結果，這才是真正的統計之后，再計算結果正確的值。
下面跟賣家們分享幾種最常見的錯誤，讓賣家們可以避免犯下這些問題。
先舉個例子，某某大學年度調查統計顯示，本校計算機系的女同學，50%都嫁給了該校的男性老師。看到這個案例大家會怎么想？可能的大家的第一反應是這是什么學校對吧。但是事實上的一個情況就是，該系因為女生非常少，那一屆就只有兩個女生。就其中一個跟老師結婚了，就占了50%。這是屬于非常經典的數據的案例。就是百分比數據，在數據量沒有達到一定的量級之前，是不能夠成為參考的依據的。這里面雖然并沒有計算上的一個錯誤，但其實更加值得關注，并不是說，當訪客數才3個，就有一筆銷量的時候，寶貝轉化率就是33.3%了。這種說法，并不是判斷這個寶貝轉化率好壞的一個依據。
另外的一種情況，拿實際案例來解釋。
比如這個，平均訪問商品數是通過計算的。就是商品瀏覽量除以的商品訪客數。這是昨為數據源。然后經常會做的事情就是需要做報表統計什么的。結果就是這樣：
乍一看似乎沒有什么問題，但是試著算算89524除以61935等于多少，是1.44，好像差別也不大，但是為什么不一樣呢？再來算算其他的540471除以281367等于1.92，都不一樣了是吧。電腦出錯了？其實這不是，這個就是在統計里面的，計算之后再統計的問題。舉個最簡單的例子。如果第一天的訪客數是10，下單數是2個，轉化率20%吧，然后第二天的訪客數是100，下單數是5個，轉化率是5%吧，那兩天平均的轉化率按道理是（5+2）/（100+10）=6.3%對吧。但是計算20%和5%的平均數呢？就是12.5%，跟6.3%相差好多。這個就是計算后的再匯總。一定要注意，這樣子是要出錯的。可能有些數據因為相差不大而忽略它，但是做數據必須就要嚴謹。
這時候怎么辦，統計的話，就需要統計之后再計算，當然在數據透視表里也可以實現。
下面的第一個選項里計算字段：
點開后是這樣的：
然后名字可以自己取，計算公式就是需要計算的內容咯。確定之后，就會額外有：
再看看計算結果，這才是真正的統計之后，再計算結果正確的值。
樂發網超市批發網提供超市貨源信息,超市采購進貨渠道。超市進貨網提供成都食品批發,日用百貨批發信息、微信淘寶網店超市采購信息和超市加盟信息.打造國內超市采購商與批發市場供應廠商搭建網上批發市場平臺,是全國批發市場行業中電子商務權威性網站。
本文來源： 繞開數據分析錯誤解碼的N種方式
