勸你們不要過度迷信數(shù)據(jù)分析！
↑↑↑點擊上方藍字，回復資料，10個G的驚喜
作者：Allen Sun@zhihu
最近有同學問了我一個很致命的問題：數(shù)據(jù)分析真的有必要做嗎？為什么感覺都是偽需求？怎么確定數(shù)據(jù)分析結(jié)論是真的？
其實這個問題我也曾經(jīng)想過，究竟為什么很多人都在神化數(shù)據(jù)分析，遇到任何問題不管三七二十一，都要拿出數(shù)據(jù)來分析一通？
其實，這是過度追求數(shù)據(jù)分析的表現(xiàn)，數(shù)據(jù)往往不一定就是真實客觀的，做數(shù)據(jù)分析的人也會被數(shù)據(jù)給欺騙，所以很多時候太過迷信數(shù)據(jù)，反而容易出問題。
所以今天從數(shù)據(jù)來源偏差、數(shù)據(jù)解讀陷阱、人為操控誤導這三方面來聊聊數(shù)據(jù)的“坑”，希望你看完后能了解些套路，再看報告或數(shù)據(jù)時多個心眼，帶著懷疑的精神看數(shù)據(jù)，不要掉入陷阱。
一、數(shù)據(jù)來源偏差
?1、樣本量和代表性
你可能聽說過“黑巧克力能減肥”這個說法。2015年約翰波哈諾博士在一篇期刊上登出了這項研究成果，媒體記者們紛紛轉(zhuǎn)載。Allen Sun
但其實這個事件都是波哈諾杜撰出來的，他隨便找了16個人做樣本基數(shù)，然后就推導出這么個結(jié)論，目的就是想看看謠言怎么變成權威媒體的頭條。研究發(fā)表后沒有一個記者來聯(lián)系他問他這個實驗的樣本量是多少、代表性怎么樣、過程是否合理，直接就發(fā)表和引用了“研究成果”。
所以，樣本量和代表性是決定數(shù)據(jù)結(jié)果靠不靠譜的前提條件。
大廠們雖然看起來有“大”數(shù)據(jù)，但是由于數(shù)據(jù)孤島的存在，其實數(shù)據(jù)也是有偏向的。比如阿里固然有淘寶幾億用戶的消費數(shù)據(jù)，但是也拿不到這幾億用戶的微信數(shù)據(jù)。而且大數(shù)據(jù)基本都是行為數(shù)據(jù)，和真實態(tài)度、心理預期等等態(tài)度數(shù)據(jù)還有有差別，再有就是用相關性推測因果也有不少坑。
作為非專業(yè)人士的我們，其實看報告或者看數(shù)據(jù)時主要還是留個心眼?？纯从袥]有提到數(shù)據(jù)源，數(shù)據(jù)源可能帶來哪種偏差，帶著思考去看報告。
如果看到一些數(shù)據(jù)結(jié)論和你的認知有差別、甚至是相反的，不用立刻相信結(jié)論，扭轉(zhuǎn)認知，而是先想一想這數(shù)據(jù)來源靠譜嘛，發(fā)數(shù)據(jù)的機構(gòu)有目的嗎。另外，也不用太糾結(jié)于具體數(shù)字，而是去看數(shù)字背后的趨勢、比較、差異。
2、問題缺陷
剛才我們也提到大數(shù)據(jù)更多是行為數(shù)據(jù)，有時要拿到態(tài)度數(shù)據(jù)，還是要靠用問卷問問題的方式。在用問卷收集數(shù)據(jù)時，如何問對問題就很有講究了，比如這幾種情況：
曾經(jīng)有個某飲料品牌打算推出新口味的飲品，推出前心里沒底，就做調(diào)查。
他們問了一個問題“我們要推出一款口味更柔和的新產(chǎn)品，你會喜歡嗎？”數(shù)據(jù)收集回來以后，發(fā)現(xiàn)喜歡的比例高達90%，結(jié)果新品上市以后，消費者惡評如潮?，F(xiàn)實和數(shù)據(jù)體現(xiàn)了如此大的反差，原因就在于問題中有一個很明顯的正面誘導詞“更柔和”。
所以無論是看別人的數(shù)據(jù)報告，還是自己做問卷，都得注意問的問題是不是客觀無偏向，選項是不是合理。選項一般來說要盡可能符合MECE原則。
二、數(shù)據(jù)解讀陷阱
?數(shù)據(jù)解讀可以說是遍地是坑，這里我選了比較常見和有意思的幾種。
1. 相關不等于因果
相關和因果是解讀數(shù)據(jù)繞不開的話題，特別是我們要用數(shù)據(jù)去預測趨勢，解決問題，用一件事的情況去推測和判斷另一件事，搞混相關和因果，就容易鬧笑話。
比如：
每年冰淇淋銷量一升高，游泳溺亡人數(shù)就開始增長。所以禁止銷售冰淇淋，有助于挽救生命。
其實，事件A和事件B有相關關系，但可能有因果關系也可能沒有因果關系。
這個道理說起來簡單，好像人人也都知道，但是很多時候，甚至經(jīng)驗豐富的分析人員也會在這上面犯錯。
其實很多時候我們都是帶著期待，帶著目的在看數(shù)據(jù)，我們希望數(shù)據(jù)能告訴我們真相，給我們解答，告訴我們?yōu)槭裁矗米屛覀冏龀鰶Q策。
所以看到兩條曲線趨勢有規(guī)律，看到兩組數(shù)據(jù)有相關，就會開始興奮，感覺自己好像抓到了答案，但這時候就往往容易過度解讀。
數(shù)據(jù)只是數(shù)據(jù)而已，所謂答案其實不是數(shù)據(jù)告訴你的，而是你自己推出來的。越是這時候就越應該冷靜一下，多思考，不要輕易下判斷。
2. 幸存者偏差
還有一個特別有名的誤讀，你可能也聽說過，就是大名鼎鼎的幸存者偏差。
幸存者偏差是怎么來的呢？
二戰(zhàn)期間，美軍計劃在飛機上安裝厚鋼板來抵抗攻擊，提升飛行員生存率。但是因為重量限制，只能給最關鍵的部位安裝。他們仔細檢查了所有返航回來的飛機機身上的彈孔分布，發(fā)現(xiàn)大部分都位于機翼和飛機尾部。于是大家就熱火朝天準備給機翼加鋼板。
但是這時候，數(shù)學家瓦爾德就站出來反對，他說要加強那些沒彈孔的位置，比如發(fā)動機和駕駛艙。
3. 自選擇偏差
有時我們自以為找到了支持自己想法的客觀數(shù)據(jù)，但其實我們是先有了想法，再找數(shù)據(jù)來支持自己的想法，那些不符合我們假設的數(shù)據(jù)會被忽視掉，這就是“選擇偏差”。
4. 辛普森悖論
這個就比較神奇了，我們還是先看個故事：
話說有個綜合大學招生，結(jié)果招生數(shù)據(jù)一公布，男生們都表示反對：因為女生的錄取率比男生要高很多！
而事實上呢，其實明明兩類院系都是男生錄取率高，但是一加起來，就變成女生錄取率高了：
其實是因為文科院的女生錄取率拉高了女生整體錄取率，而理工科的男生錄取率拉低了男生整體錄取率。
這就是辛普森悖論，兩組數(shù)據(jù)分別看時都滿足某種結(jié)果/趨勢，但加起來就呈現(xiàn)相反結(jié)果/趨勢。
三、人為操作誤導
?前面講的那些坑很多時候都是無意的。這部分就不太一樣了，很多數(shù)據(jù)其實稍加修飾，就成了一個個陷阱。
1. 放大尺度
比如你看下面這張圖，是不是增長勢頭非常猛？要是當成業(yè)績匯報給老板豈不是分分鐘要升職加薪走上巔峰。
但其實注意Y軸，這種差異只是被人為的放大了，一旦回歸正常尺度……
2. 重新定級
川普做了民調(diào)，發(fā)現(xiàn)30-39歲的刁民們對自己很不友善：
這要公布出去，豈不是要在推特上被噴爆，于是將兩個層次進行合并：
這樣一看，就好看多了。
3. 提自己，不做對比。
購買A類產(chǎn)品的用戶中80%都是甲類用戶，是不是就應該給甲類用戶推薦更多A類產(chǎn)品？
這個結(jié)論乍一看沒有問題，但是如果B類產(chǎn)品的用戶中90%都是甲類用戶呢？
如果B類產(chǎn)品只有20%是甲類用戶，但是B類產(chǎn)品基數(shù)遠大于A類呢？
很多時候，數(shù)據(jù)還是要對比才有意義。
4. 自定標準
只要你敢加的標簽足夠多，你就永遠是名列前茅。雖然小明考試考了班里的40名，但是他在第四列所有身高1.7以上的學生中排第2。
所以再看到有廣告聲稱自己產(chǎn)品排名怎么怎么樣，可以想一想這排名是怎么排出來的。
5. 片面釋放
為什么每次平均收入一公布，大家都覺得自己拖后腿了？
其實數(shù)據(jù)分布情況不一樣，平均數(shù)有時并不能描述“平均情況”。還有中位數(shù)、眾數(shù)呢。
總而言之，數(shù)據(jù)也只是數(shù)據(jù)，它來幫助我們理解復雜世界中的龐大信息，但是不是萬能的，是來幫我們解釋，而不是替我們思考的，所以“盡信數(shù)據(jù)，還不如無數(shù)據(jù)”。
看到這還沒來得及跑的同學，給個三連好嗎？
【干貨】統(tǒng) 計 學 × 數(shù) 據(jù) 分 析
