首先，你如何定义“顾客”？取决于你的目标，你可能不想把每个人都放到一个桶里。您可能希望通过购买行为细分客户，以便相应地调整营销动作或产品特性。如果是这样的话，那么你需要确保你包含了关于客户的有用信息，例如人口信息或支出历史。

加工误差：

假设你想知道你的客户上个季度花了多少钱在你的服务上。即使是这样一个简单的目标也需要在你得到你想要的信息之前定义一些假设。             

没有数据科学或机器学习背景的管理人员通常会犯这九大错误，但许多更微妙的问题也会阻碍AI系统的性能。

大数据的一个共同趋势是企业收集大量信息而不了解他们为什么需要它，以及他们如何使用它。收集庞大而混乱的数据量只会阻碍你未来的分析，因为你将不得不通过更多的垃圾来寻找你真正想要的东西。

定义错误：

覆盖误差指，目标受访者都没有足够的机会参与数据调查的情况。例如，如果你正在收集老年人的数据，但只提供网站调查，那么你可能会错过许多答卷人。

还有一些战术上的考虑，比如你如何定义宿舍。你会使用财政季度或日历季度吗？许多组织的财政年度与日历年不符。财政年度也在国际上有所不同，澳大利亚的财政年度从7月1日开始，印度的财政年度从4月1日开始。你还需要制定一个策略来解释回报或交换。如果顾客在第一季度买了你的产品，但又把它退回去了呢？如果他们对你提出了质量投诉并得到退款怎么办？你把这个事件归到哪个季度？所以定义不是那么简单。你将需要讨论你的期望，并设置适当的参数，以收集你真正想要的信息。

捕获错误：

现实是难以捉摸的，你不能总是轻易地建立事实。在许多情况下，比如使用数字产品，你可以捕获大量用户在平台上的行为数据，而不是他们对这些行为的动机。你可能知道一个用户点击了一个广告，但你不知道他们对它有多恼火。除了已知的许多类型的错误之外，还有一些未知，它们在以数据代表的现实和现实本身之间留下了一个缺口。

数据是人类的发明。人类定义了他们想要测量的现象，设计系统收集数据，在分析之前进行清理和预处理，最后选择如何解释结果。即使使用相同的数据集，两个人也可以得出截然不同的结论。这是因为数据本身并不是“地面真实”——能够反应客观现实的、可观察的、可证明的数据。

覆盖误差：

原文来自：9 common mistakes executives make with data

除非你直接参与定义和监视原始的数据收集目标、工具和策略，否则你可能无法掌握那些能帮你发现错误处理、解释和使用这些数据的关键知识。大多数被我们成为“数据”的东西可能是些仅仅是用来支持某种议程的测量、与事实无关的信息集合、或者来自看起来合理、但是带有偏见的收集工作。

抽样误差：

测量误差：

一旦确定了希望收集的数据类型，就需要设计一种机制来捕获它。这里的错误可能导致捕获不正确的或偶然的、有偏见的数据。例如，如果你想测试产品A是否比B产品更吸引人，但你总是在你的网站上显示产品A，那么用户可能不会频繁地看到或购买B产品，从而导致你得出错误的结论。 

你的营销团队可能有兴趣预测所有移动智能手机用户的行为与未来的产品的关系。然而，如果您只提供iOS应用程序而不是Android应用程序，iOS用户数据将使你对Android用户的行为有有限的了解。             

下面是一个关于九个常见统计错误的速成班，每个管理者都应该熟悉：

不明确的目标：