書摘 Lean Analytics: Use Data to Build a Better Startup Faster - Data driven vs Data Informed

Chapter 2 和 Chapter 3 的內容主要都是在複習Lean Startup，所以不用特別記錄。

第四章的重點是LinkedIn Data Scientist 所提到創業家在處理Data 時容易遇到的十大 pitfalls (陷阱)：

1. Assuming the data is clean

這邊舉的例子是用Zip Code 來分析客戶的來源，但是卻沒注意到很多客戶都是來自某個Zip Code其實是因為系統Default 預設，用這樣的資料來分析就會造成很大的錯誤...

2. Not normalizing

分析資料要用比例來分析，不能用絕對數字來分析，這邊舉例統計某個觀光景點是不是熱門結婚地區，不能單就來結婚的旅客數計算，應該要除以全部的旅客數這個數字才有意義。

3. Excluding outliers

對於異常值，有時候不能隨便排除，舉例來說，網站有某幾個人瘋狂的愛用或愛看你的網頁，這時他不是你的超級粉絲就可能是Bot，這時就應該要拉近來分析。

4. Including outliers

位於異常值，該排除的時候也必須要排除，舉例來說你要建立一般化的模型(General Model)，這時就必須要把異常值排除，才有利建議Model

5. Ignoring seanality

很多現象是季節性的，也必須要排除，比如說每年畢業季Intern的職業就會異常增多，這不代表是Intern 的個職位/職業便熱門。

6. Ignoring size when reporting growth

當在統計成長率時，必須要考慮總數，舉例來說，你網站成立第二天你爸上來註冊，此時你只有兩個使用者，但是卻有100%的增長。

7. Dta Vomit (嘔吐)

就算你有很絢麗花俏的Dashboard 顯示分析資料，如果不知道該怎麼看也是沒用的，只是徒增煩惱。
(就像Google Analytic 一樣...:P)

8.  Metric that cry wolf

狼來了....當你要監控某個數值，要小心不要把alert 調的太敏感，免得監控系統一直發出警訊，看久了就麻痺了...

9. The Not Collected Here syndrome (綜合徵)

不要只著眼於收集到的數據表象，有時候也要把數據組合起來分析，也會有意不到的結果，比如說你的最好的客戶的住址都來自於壽司店很集中的區域？

10. Focusing on noise

太專注於研究這些數據和虛榮指標，有時候必須要退一步看一下Big picture
(這句話也太玄了吧...)

感想...Data Scientist or Product Marketing 就是要整天亂搞這些數據找出產品方向~:P