在数据分析过程中，会遇到各种瓶颈，除去自身技能，分析的内容本身还有很多讲究，你的很多分析反映不出实质，解决不了问题，往往是缺少以下四种提升。
深度是指数据分析对企业的支持程度，当企业面临决策难题时，数据分析要有深度，需要理清楚这三个问题：企业的现状和问题是什么？问题为什么会产生？该怎么解决？
比如某数据分析师做得满意度分析
这样的分析远远不够，虽然通过分析，利用“满意度”来衡量出了各关键指标的大小，但是这样的分析并没有暴露提出哪些指标需要改进，也没有分析和竞争对手相比，满意度水平处在什么地位。
于是，将这样的满意度分析通过象限图展示，增加了重要性维度，就能很明显看出需要改进的地方。
接下来与竞争对手相比，处于水平，可以再增加一系列，可得出结论A的整体表现优于B，但在品类和宣传方面需要改进。
之后可以再细化，从数据上寻找是哪个细化指标的表现使宣传满意度最低。宣传覆盖面和宣传频率，所以接下来就要着手这两方面的问题解决了。
信度是指分析结果的可靠程度，需要满足对比要可比、差异要显著、描述要全面。
比如A国与B国交战时期，A国军员的死亡率是9%，居民死亡率是16%，后来征兵是就以这些数据来证明参军更安全，显然不可靠。因为这两个数字的计算基数是不同的，韩军死亡率的基数是身强力壮的军人，而居民死亡率的基数包括了老弱病残者。
尤其是企业在利用大数据做精细化分析时，往往要用数据来理解不同指标的差异。那么数据差异多大才能表明不同用户间崔在差异呢？
能否根据满意度的排序就断定低收入者对商场最满意，高收入者最不满意，显然不行，收入这一因素并没有做对照分析，应该列出同一收入水平，其他因素对满意度的影响。
最有代表性的例子就是全国平均水平，平均工资只能反映工资的平均水平，并不能刻画工资水平的差异，平均工资的增长并不能以为着每个人真是收入的增长。
