- 相關(guān)推薦
關(guān)于數據的兩個(gè)誤區
平時(shí)無(wú)論是進(jìn)行用戶(hù)調研、產(chǎn)品運營(yíng)還是競品分析，都少不了對于數據的分析，如果項目中出現某些分歧誰(shuí)也無(wú)法說(shuō)服誰(shuí)時(shí)，很多時(shí)候也都是拿數據說(shuō)話(huà)，可見(jiàn)在開(kāi)發(fā)產(chǎn)品的時(shí)候，對數據的統計與分析十分重要。大家都說(shuō)數據是客觀(guān)的，但其實(shí)數據受背景環(huán)境、統計者、統計方法、分析者看法等多重因素影響，以致我們在統計和分析時(shí)卻常常陷入誤區，得不到正確的答案。下面簡(jiǎn)單說(shuō)一下關(guān)于數據的兩個(gè)常見(jiàn)誤區。
誤區一：把某一類(lèi)型數據當做全部數據導致分析結果錯誤 先說(shuō)個(gè)小故事：二戰時(shí)英國空軍希望增加飛機的裝甲厚度，但如果全部裝甲加厚則會(huì )降低靈活性，所以最終決定只增加受攻擊最多部位的裝甲。后來(lái)工作人員經(jīng)過(guò)對中彈飛機的統計，發(fā)現大部分飛機的機翼彈孔較多，所以決定增加機翼的裝甲厚度。后來(lái)一個(gè)專(zhuān)家說(shuō)：“可是機頭中彈的那些飛機就沒(méi)有飛回來(lái)”。 這個(gè)故事里本應是對全部飛機進(jìn)行分析，但統計樣本沒(méi)有包含已經(jīng)損毀的飛機，所以得出的結論只是根據部分數據，或者說(shuō)是根據具有同樣特征(受傷)的某一類(lèi)數據推論出的，并不能代表全部類(lèi)型的數據，所以得出的結果很可能是錯誤的。 再看一個(gè)例子：前一陣我為了分析人人網(wǎng)，想看看人人網(wǎng)現在的用戶(hù)訪(fǎng)問(wèn)量是什么狀態(tài)，于是選擇了PV作為觀(guān)測指標，通過(guò)alexa來(lái)看人人網(wǎng)的PV在過(guò)去一年中呈明顯的下降態(tài)勢，這也印證了我的預期，于是就以此為論據進(jìn)行了分析�？墒呛髞�(lái)發(fā)現，alexa僅僅統計通過(guò)WEB的訪(fǎng)問(wèn)量，而用戶(hù)移動(dòng)端的登錄并不在統計范圍之內!這兩年智能手機普及迅速，移動(dòng)端登錄也非常普遍，缺失這部分數據意味著(zhù)前面統計的數據基本沒(méi)有意義，因為WEB端訪(fǎng)問(wèn)量的下降有可能是用戶(hù)訪(fǎng)問(wèn)人人網(wǎng)次數降低，同時(shí)也有可能是由PC端向移動(dòng)端遷移，這個(gè)統計就不能作為論據出現了。 從上面這個(gè)例子可以看到，我只統計了WEB端的訪(fǎng)問(wèn)情況，認為這就是人人網(wǎng)全部訪(fǎng)問(wèn)量，而忽略了移動(dòng)端，從而推出了錯誤的結果。另一個(gè)問(wèn)題就是由于我已經(jīng)有預期(人人網(wǎng)訪(fǎng)問(wèn)量下降)，那么我在為這個(gè)結論找尋相關(guān)的論據，當找到符合我結論的論據時(shí)很容易不去做更多判斷就選擇有利于自己的數據，這也是數據統計人員常見(jiàn)的問(wèn)題。 用某一類(lèi)型數據代替全部數據會(huì )誤導我們做出錯誤的判斷，在統計時(shí)一定要注意這點(diǎn)。這一方面需要意識，在統計、分析數據時(shí)要時(shí)刻想著(zhù)還有沒(méi)有其他的情況，還有沒(méi)有我們沒(méi)有想到的數據類(lèi)型，這些數據是不是能代表全部類(lèi)型，嘗試站在更高的角度去解讀這些數據，而不是拿到數據后立刻就盲目分析。另一方面需要知識的累積，比如你知道alexa是如何進(jìn)行統計的，那么很輕易就會(huì )想到還要考慮移動(dòng)端的情況。知識的累積有助于我們做出準確的判斷，這些知識與經(jīng)驗都是從閱讀或實(shí)踐中得來(lái)的，平時(shí)多做，慢慢累積，時(shí)間久了自然會(huì )看得更全面。 誤區二： 鮮明事件讓我們夸大了偶然因素 鮮明的事件更容易占據我們的視線(xiàn)，從而讓我們高估事件發(fā)生的概率。 比如從年度統計中看到，某基金近兩年的收益率達到100%，有某某明星操盤(pán)手等等，人們就會(huì )爭相去購買(mǎi)該基金，同時(shí)也會(huì )讓人們認為買(mǎi)基金就是可以賺錢(qián)的。而實(shí)際上，絕少有基金可以常年保持這樣的收益率，近兩年收益前五名的基金很可能在五年后收益率就排行倒數，而世面上大部分基金也無(wú)法跑贏(yíng)大盤(pán)，不過(guò)人們在記憶中依然會(huì )認為買(mǎi)基金確實(shí)很賺錢(qián)，當年XXX兩年益100%呢。兩年收益達到100%只是偶然情況，但卻由于事件太過(guò)鮮明而長(cháng)久駐扎在人們的心智中。 類(lèi)似的事還有很多。比如富士康N連跳，大家都覺(jué)得這么多人跳樓，富士康肯定太黑暗了，但大家卻沒(méi)有注意2010年深圳地區富士康員工大概有37萬(wàn)人，2010年已知的富士康深圳地區自殺人數為14人，這樣的話(huà)話(huà)自殺率不到十萬(wàn)分之四，而2010年全國的平均自殺率為十萬(wàn)分之二十二(根據維基百科)，N連跳自殺率遠低于全國自殺率，可見(jiàn)富士康N連跳實(shí)際上是一個(gè)社會(huì )問(wèn)題，而不僅僅是一個(gè)企業(yè)的問(wèn)題，我們太過(guò)注重鮮明的事實(shí)卻忽略了背后整體的概率。還有前兩天美國波士頓爆炸案死亡3人，微博上各種祈福，可是阿富汗、伊拉克等國家幾乎每天都面臨著(zhù)這些問(wèn)題，只是由于媒體不會(huì )整天報道那里的消息，而天天出現的襲擊也麻痹了人們的神經(jīng)，所以我們只會(huì )關(guān)注鮮明的波士頓爆炸，而對其他地區天天發(fā)生的事情無(wú)動(dòng)于衷。另外比如你周?chē)腥速I(mǎi)股票賺了好多錢(qián)，可能你也會(huì )很想投身股市一試運氣，而忽略了散戶(hù)8賠1平1賺的整體概率。你看到了各種創(chuàng )業(yè)成功者的報道，認為自己也可以嘗試創(chuàng )業(yè)，畢竟成功概率好像也不低。但你不知道那些不成功的人基本沒(méi)有被報道的機會(huì )，而實(shí)際上創(chuàng )業(yè)成功的人可能不到1%。 說(shuō)了這么多，其實(shí)就是太過(guò)鮮明的偶然事件會(huì )讓我們忽略背后一直存在的整體概率�？吹竭@種數據的時(shí)候，不要太過(guò)情緒化，你所看到的數據或事件可能只是個(gè)例，并不能代表大多數，可以去查查歷史情況或平均情況，去找找沉默的用戶(hù)或數據，切忌輕易就做出判斷和決定。要理性看待這些偶然事件，既不盲目跟隨，也不對此嗤之以鼻，在明確整體概率的情況下，剔除偶然因素,分析這些偶然事件背后是否存在著(zhù)某些值得借鑒的地方，從而吸收到自己產(chǎn)品或項目中，以便使自己的產(chǎn)品或要處理的事情有可能成為市場(chǎng)中下一個(gè)“偶然事件”。
【數據的兩個(gè)誤區】相關(guān)文章：
數據調研報告06-27
投資理財心理誤區07-30
銷(xiāo)售數據的分析方法07-25
數據庫設計08-13
數據庫設計[精選]08-13
大數據分析07-20
數據分析報告07-28
大數據分析07-25
數據庫設計08-06