互联网时代，信息流广告越来越多。而信息流广告的投放以大数据测算为依托，同样的数据，不同的解读方式，在进行投放指导时会产生不同的效果。
那么，如何正确解读数据就成为至关重要的事情。
在进行时，我们往往会面对这样五种乱象。
1、数据造假
最常见也最简单的数据乱象是数据造假。
当广告效果不佳时，为了应付广告主，让广告主满意，继续进行广告投放，投放方会对数据进行人为干预，从展现量到点击量等都进行一番美化，从而促使广告主继续进行广告投放。
而随着数据造假的情况越来越常态，更多的广告主开始对广告投放进行监测。
那么，当我们没有对广告投放进行监测的时候，我们要如何识别数据造假呢？
首先，我们可以了解，分析一下自己行业的行情，与同行业的数据进行对比。假如数据非常好，就需要询问投放方，支持数据这么好的理由是什么？是创意非常好，还是定向特别准？更加得到的回复，考虑是否需要继续进行投放。
然后，在了解投放背景的条件下，通过各个指标之间的耦合关系，对数据进行分析。
在数据分析中，各个数据并非独立，而是相互影响的。比如，落地页影响着用户转化，转化率高，我们会认为落地页设计的好。但是，如果转化率非常好，进入落地页的用户却几乎不在落地页停留，这显然就是数据有问题了。点开落地页就立即实现转化的现象在信息流广告中几乎不会出现。
最后，我们还可以参考其他的分析方法识别数据。比如：日常的数据高峰期都在上班下班的时间段，某天在凌晨两三点的时候却突然出现了高峰，这个时候我们就要对这个异常数据进行分析，了解它出现的原因。很多数据分布都是有规律的，如果出现异常数据，我们就要给予重视。
2、指标定义不一
所谓指标，就是说明总体数量特征的概念。
很多公司都有自己的KPI投放指标，比如：通过展现量，点击量，转化率等作为指标，衡量信息流广告的投放效果。
而指标的制定需要在一定的前提条件下才能够确定。通常是对时间，地点，范围等进行汇总后，计算出来的。
比如，电商通常有一个日活跃度和月活跃度的指标，虽然名字一样，但标准有所不同。宽松的电商的定义是只要用户点击进入即可，严一点的定义是，点击进入后产生购买了才算，更严的则需要用户确认收货后才算活跃用户。因为标准不同，所以也就无法进行比较。只有指标的定义相同时，才能够进行比较和讨论。
3、隐藏关键信息
在别人想要说服你接受某个指标时，往往会出现隐藏关键信息的情况。
比如：某个公司管理层以标杆管理的方式为广告投放定了一个KPI指标，说某某公司的ROI能够做到1：10，我们做到一样，甚至我们还比他好，所以我们也要做到。
但是，我们完全不知道同行达到这个结果的原因是什么？是进行了大规模促销，还是选择了新的投放媒体？什么都不知道，怎么追赶超越？
不知道投放背景，只看见投放结果，就盲目跟进，会给优化师带来巨大的工作困难。
同时，在数据报告中，影响指标的因素也是多样的。比如，这个数据的增长是自然增长还是因为做了什么活动？是价格原因还是品牌因素造成的？不同的因素，评估的标准也有所不同。
比如：在618期间，有个商家说自己的业绩非常好，一天的销售额高达六七百万，这个时候，我们肯定会觉得他的这个业绩非常好。
但他可能没有告诉你，后续的退货率高达25%。退货率可以说是一个关键指标，卖出去很重要，但最重要的是用户接受并支付。忽略关键背景，只告诉你销售额，这样的数据是没有实际意义的。
所以，在我们看见某个指标非常好或非常差时，不要急着下定论，搞清楚关键背景信息，才能够正确解读信息，做出正确决定。
4、乱搞因果关系
昨天给大家分享的文章中，吸尘器以地毯作为关键词，结果投放效果不好，这就是因为因果关系不成立。
我们在进行数据解读时，往往只看到数据与数据的表面的联系，而没有探究事物之间的本质联系，以至于将因果关系和相关关系混淆，做出错误的投放决定。
所以，我们在进行广告投放时，单纯地认定影响购买行为的是某个因素是错误的，我们要了解影响目标客户的各个相关因素，找到最根本的因素，针对性的做出创意设计，才能够使广告信息更精准的投放给用户。
5、以局部论整体
我们已经说过了，影响数据的因素非常多，但在进行数据分析时，往往看见一个或几个变量后，就认为造成数据变化的原因在这一个或几个方面，这样的做法得出的结果通常是片面的。
对于投放效果的评估，我们要从多个因素进行考虑。
从对产品产生兴趣，到对产品进行信息搜集，再到对产品品牌进行比较，最后产生购买，中间我们需要经过很多步骤，也会看到很多的产品广告信息，并受到这些信息的影响，但我们并没有为这些信息买单。那么，这些信息就没有存在的价值了吗？
当然不是。我们一开始想要买这个产品就是受到了其中一则广告的影响，也是在各种广告信息的共同影响下，最终才会产生购买行为的。也就是说，我们的购买决策并不止受到最后一个广告的影响，媒介与媒介之间是有交互关系的。
做过电商投放的朋友应该会有这样的经验，一些ROI不高的广告，我们觉得没什么用，去掉可以省些广告费，结果发现原来ROI好的几个广告渠道突然就不好了。这是因为在用户转化过程中，不同的渠道广告分别扮演者不同的角色。
有的广告是为了打造品牌知名度，有的品牌是为了强化用户的品牌认知度，有的是为了促进销售，不同的广告有不同的投放需求。
片面的评价某个渠道的投放效果不好，是不符合消费者的行为规律的。
所以，在进行数据评估时，需要从多方面进行思考，看着这个广告是否是触发用户产生购买行为的某个因素，如果经过分析后，发现确实无法带来任何帮助，再考虑是否取消投放，不要单纯以转化率作为评估标准，草率决定。
结合以上几种情况，这里分析3个数据分析的建议，希望能够给各位朋友带来帮助。
1、切勿预设立场
在进行数据解读时，不预设立场是最基本的要求。
当我们在进行数据解读时预设了立场，我们就有可能只统计自己想统计的，用来证明自己的观点，而无法进行更全面的数据分析。
比如：当我们认为开红色小轿车的是女性时，我们看见红色小轿车时就会关注司机是不是女性。在看见司机是女性时，我们会不自觉地更加坚定自己的想法。
但是，数据分析并不是用数据证明自己的既有观点，而是从数据中找到KPI突破的方向和关键点。
所以，在进行数据分析时，一定要保持中立态度，保持严谨的行为习惯，客观地对数据进行评价分析，洞察工作中存在的问题。
2、从营销角度看数据
在进行数据分析时，我们要从营销角度看待数据分析的作用。
在信息流广告的转化效果不好时，不要一味地从展现量，点击量上找问题，要学会识别当下这个广告行为有效的前提是什么。
举个例子：一个皮鞋代工厂的老板，以销售为目的进行信息流广告投放，中间对信息流广告进行了数次优化，投入几万块钱，但最后的结果却非常惨淡。
从投放来看，这个老板已经把能做的都做到了，但就是没什么长进。
而从营销角度来看，我们就可以找到原因了。
皮鞋行业属于一个产能整体过剩的行业，而这个老板所投放的信息流广告只是将产品铺到消费者面前，这种方法在生产力落后的时代，自然效果不错，但现在这个商家的竞争者已经将自己的产品提前铺到客户面前了，论先来后到也是买他们的。所以，这个时候，单纯的铺货是无法达到销售目的的，只有经过调研分析，找到新的品类分化方向，抢占市场，才能够实现大量的用户转化。
3、保持对数据的敏感
在数据既定的情况下，分析者对数据的解读能力是影响数据发挥作用的主要因素。
所以，在进行数据分析时，分析者一定要对数据变化敏感，更要对数据变化背后的原因敏感。
比如：我们经常会看见一些APP在初期对用户提供非常大的补贴，但有的APP越做越大，有的却逐渐销声匿迹。同样的做法，不同的结果，造成这种情况的原因是什么呢？
如果只看推广初期的转化分析，并不会有什么收获，因为结果是一样的。但如果对用户初次使用后的行为进行深度挖掘，我们会发现，凡是做大的APP，他的用户都会自发转介绍，主动为APP引流；而做的差的机会没有这种情况，或者效果很差。
所以，在进行数据分析时，我们要保持敏感的好奇心，多问几个为什么：
为什么产生这种结果？落地页为什么这样设计？为什么和预期相差这么多？造成这种结果的原因是什么？……
只有比别人更快、更准确的找到突破点，才能更合理的运用这些信息，对接下来的营销推广活动进行指导，促进更高效的市场渗透。
