大学生信息管理：数据来源与说明

数据分析往往是80%的数据处理，20%的分析。大部分时候，收集和处理数据确实会占据很多时间，最后才在正确数据的基础上做分析。既然一切都是为了找到正确的结论，那么保证数据准确就显得格外重要，否则最后的结论不仅无助于业务判断和预测，反而会误导决策。

这一部分要说明以下三个情况：

获取数据

说明数据获取的方式是公开数据、爬虫技术还是调查问卷。

说明数据来源、样本量、每条数据的含义

首先，交代数据来源。例：样本数据来自国家统计局官方网站；样本数据爬取自某电商平台。

其次，交代样本量与每条观测含义。例：数据包含×××条观测，每条观测代表×××。

再次，交代变量个数与基本情况。例：数据共包含×××个变量，可以被归纳成为2组，一组代表×××，另一组代表×××。

数据说明表

数据介绍与说明可以通过多种方式展现，可以是纯文字形式，也可以用数据变量说明表。

这一部分最关键的一环是确定数据源的可靠性。主要有四种方法：同类对比、狭义/广义比对、相关对比和演绎归谬。

·同类对比(www.xing528.com)

与口径相同或相近，但来源不同的数据进行对比。示例：最常见就是把机器跑出来的数据和报表数据核对校验。

·狭义/广义对比

通过与更广义（被包含）或更狭义（包含）的数据进行对比。

比如：3C品类（信息家电）销售额与商城总销售额比较，3C的销售额更高显然是错误的，因为商城总销售额包含3C销售额；某些页面/频道的UV（独立访客）与APP总UV比较也类似。

·相关对比

通过与具有相关性、关联性的数据进行对比。

比如：某平台的Dn留存率，对于同一个基准日期来说，D60留存率一定低于D30留存率的，如果出现大于的情况，那就是错误数据了。

·演绎归谬

通过对现有数据的深入演绎，推导出结果，判断结果是否合理。

比如：某平台的销售客单价2000左右，总销售额1亿左右；计算得出当日交易用户数10万，通过乘以客单价，得到当天销售额2亿，显然与业务体量不符，可以判断为错误的数据。