以数据为导向的优化在进行迭代式的产品改进方面没什么问题，问题在于数据本身不会告诉你它自身的问题。如果数据本身有问题，那么你的分析从一开始就进入了死胡同。
在《伊甸园之河》(BasicBooks)一书中，理查德·道金斯用一条流淌的河作为比喻来介绍进化。
他在书中解释道，生物的进化创造出了眼这一器官。事实上，进化创造出了数十种不同的眼:黄
蜂的、八足类动物的、人类的、鹰的、鲸鱼的，等等。进化是没法倒退的，而且只要进化到够
用的程度，大的进化就不再发生。人类之所以进化不出鹰那样的双眼，是因为人类视觉系统在向鹰的视觉系统衍化时会导致视力的下降，进而不会被进化所选择。
这就像一个正常的业务迭代过程，当业务稳定运行的时候，必然会产大量的业务数据。业务数据会反馈业务运行情况，从而促使你解决问题。当业务本身优化的程度已经非常高的时候，对数据进行合理的处理，可能会使业务再度进化。
优点：以数据为导向进行迭代式的产品可以让你快速的改进产品、优化业务，而且知识链完备，有数不清的分析方法和工具供你使用。
缺点：可能让你走火入魔，陷入过度分析的渊薮，甚至用质量较差的数据进行分析，这么做可能会让你误入歧途。
所以，当数据给出一个很奇葩的结论时，有两种方法助你迅速摆脱桎梏。一是基于早先的经验和实践进行判断，靠本能规避一些可能出现的失误，从而做出正确的决策；二是提前对数据进行必要的处理(数据预处理)，然后再加以分析。对于经验还不是那么丰富的数据er来说，能用数据预处理那是最好的。
噪声毫无疑问会干扰分析结果，简单的一步去燥可能带来意想不到的效果。常用的去噪方法有均值滤波、小波变换、奇异值分解等。【在此不再赘述各种繁杂的公式，感兴趣的小伙伴可以自己搜搜】。
归一化的目是为了取消各维数据之间的数量级差别、统一评价标准、避免较小的数值被吞没。常用的归一化方法有离散标准化、标准差标准化、小数定标规范化、对数归一化等。很多高级的数据分析方法中都会将这一步当成必要的步骤，在机器学习、深度学习建模时也会使用该方法来加快模型的收敛速度。
异常值对数据的影响在于，它往往会扭曲数据的统计特征，如平均值、方差等，从而导致错误的结论或预测结果，如果你将错误的结果应用于业务，可能会出问题。此外，异常值还可能干扰模型的拟合效果，使得模型对数据的解释能力变弱。如果你是数据导向型业务模式，去除异常值就是必须要做的事。
常用的异常值处理方法包括删除异常值、替换异常值、将异常值视为缺失值等。具体方法需要根据数据类型和任务要求来选择和实施。
周期性也就是从时间的维度分析数据，有时不需要考虑时间，有时需要考虑时间，甚至有时候需要将数据当成时间序列进行分析。在寻找规律时未能考虑一天中不同时间、一周中星期几、一年中不同月份对数据的影响，可能会导致糟糕的决定。
基数很关键。如果不考虑基数，你的产品刚上线时，你爸爸注册一个账号也可以使你的用户量翻倍。
如果你不知道什么数据对你更重要，那么即便你的数据再好、方法再妙也没有用。
许多不同来源的数据合在一起能带来很多独到的见解。让你可以对比分析不同来源数据的异同点，这可能也是有效的一种方法。
凡事还是简单点为好，复杂的东西容易失控，一旦失控可能导致你前功尽弃。我试图建立业务也工具间的统一理论，故此未对涉及到的诸多方法、数学公式做过多的说明，感兴趣的小伙伴可以自己找找，有很多优秀的文章可供参考。