[[182094]]

隨著數據積累得越來越多，數據獲取成本不斷降低，人們開始走向另一個危險的極端，那就是任何事情都要看數據，任何決定都去依賴數據。

這種風氣培養出了越來越多的“數據呆”。作為一個數據分析師，我是非常反對“唯數據論”的。為什么呢?讓我詳細地來說一說。

數據庫并不能記錄一切

你覺得，通過數據庫中的記錄，你能夠充分了解你的業務嗎?答案是否定的。說白了，數據庫只是記錄了發生在業務鏈條上的行為，但行為的結果并不代表業務的全部。

舉個例子，通過用戶的使用行為數據，我們就能知道用戶的體驗嗎?答案是不能，我們只是根據用戶的“行為結果”去猜測他使用體驗的好壞。真正的用戶感覺，在他們的心理，許多時候，不會通過既定的使用路徑和產品功能提現出來。

那么，數據庫不能記錄的信息，怎么獲取呢?答案其實很簡單，通過外部手段，創造條件去獲取。概括為“調查”和“實驗”兩個詞。比如用戶體驗不能量化的問題，直接問不就好了?

調查分為訪談和問卷調查兩個方式，每種方式都需要落地成可量化的結果。問卷調查建議規律性地長期進行，連續收集的數據在時間維度上可比，價值遠遠大于單次的問卷調查。

實驗的方式在第四章中有所論述，它正是一種創造數據的手段。通過實驗組和對照組，創造出一個對比的條件，進而量化出差異，最終形成可靠的判斷。

不可能分離多重因素影響

我們在運營當中最容易犯的錯誤就是試圖用一個“宏觀指標”的變化來評估某個細節動作(策略的改變、產品的改變或者活動的改變)的影響。做這件事情好比買彩票，幸運的時候，某個運營動作對業務的影響非常大，那么從指標中能反映出來。

但絕大多數時候，不管是策略的變更還是產品的改進，對業務全局的影響都是有限的，宏觀指標(往往是KPI)的變化并不敏感。真正要做的是就事論事，根據具體的行動，去定義一個信度和效度高的指標。

另一個角度，業務指標的變動往往是多種運營動作共同施加的結果，這種影響并不能簡簡單單的分解為“A+B+C+…”或者“A*B*C*…”。

有些因素疊加可能相互放大影響，有些則可能相互抑制，宏觀指標只是這眾多影響的結果，內部的影響機制是黑箱。極端點說，不可能將每個因素的影響都分離出來。

那么怎么辦呢?怎樣能衡量具體某個運營動作帶來的影響呢?答案就是實驗，也只有實驗。就是通常所講的AB測試。

實驗中，運營動作施予對象必須分為實驗組和對照組，實驗組和對照組唯一的不同，就是實驗組被施予了運營動作，而對照組沒有。只有這樣，觀察實驗組與對照組的指標差異(方差分析或者DID)，我們才有可能去量化某個運營動作的影響。

數據不能替代邏輯推理

一個邏輯混亂的人，給他再多的數據，也不會得出正確的結論。能否形成正確的判斷和合理的決策，很大程度上并不是數據的多少，數據足夠(信息充分)就可以了。

很多時候，我們真正要鍛煉的是自己的分析問題的能力，或者說邏輯思維能力。尤其是在“根據數據變化查找問題”這樣的場景中。

要對這一點有深刻的理解，希望大家讀我的《數據驅動決策的13種思維方式》。你是不是一個明智的決策者，并不在于你手頭有多少的數據，而在于你能否從數據中正確地解讀信息。

需要提醒各位的是，當數據達到一定的量后，數據越多，往往數據質量越差，你犯錯的可能性越大。你是否記起了本書第一章最后部分，數據圖中指標數量與混淆概率的關系了? 

預測的根基未必牢固

數據分析工作，很大一部分是為了“預測”。所有預測模型的“根基”都是“通過過去發生的事來預知將來的事”。說得更玄乎一點，就是“歷史是會重演的”。但這個基本邏輯靠得住嗎?

從我的個人經歷來說，許多時候是靠不住的。這也是我在工作中很少進行預測型建模的原因。在我所處的互聯網行業，業務變化非?？?。一個“政策”的決定，往往造成各項業務數據的巨變。經常是“一夜回到解放前”或者“一晚跨入新時代”。

在這種背景下，重要的不是去對某個指標進行預測，而是理解業務背后最根本的商業邏輯(商業模式)。若一個商業邏輯被證明是有效的，那么它在相當長的一段時間內不會變化，那么你就能獲得一些“定性”的預測能力，這就足夠了。

大多數人會因數據而變傻

為什么這么說呢?在我的工作經歷中，大多數的管理層，都會因為數據資源的豐富而或多或少地放棄思考。放棄思考意味著變傻，難道不是嗎?許多人，自身因為長期業務經驗的積累，其實是有很好的直覺的。

而現在，卻被一個不熟悉業務，只會從數據庫中做些統計的所謂數據分析師牽著鼻子走。實在是“可歌可泣”。許多人過分地依賴數據統計了。這個現象是值得警覺的。

曾經有一位學者告訴我，數據分析使人短視甚至盲目。開始我不以為意，但之后越來越覺得這話有道理。為什么呢?

現實情況是，許多人有了數據資源后，放棄了最基本的商業思考，不斷地去統計數據，不斷地去提“幫我查一下這個數字，幫我看一下那個數字”這樣的需求。失去了思考的深度，非常危險。

我覺得，真正的數據分析(業務分析)，應該有很高的門檻。這個門檻并不來自于分析方法的應用，而來自于對業務的理解。只有對業務有深刻的理解，才能將分析方法用對地方，才能正確地解讀信息，獲得結論。

所以，許多深耕在業務中的管理者，不需要因為數據資源的爆炸而驚慌失措，真正有價值的東西在你們經驗里，只需要有一個量化的出口，你才是那個將數據價值發揮到最大的人。

那么問題來了，如何做到不因數據而變傻呢?我沒有答案。我認為在未來，不應該有數據分析師這個職業，而應該是所有決策者都懂得“分析數據”。這實際上是寫作本書最深層的一個目的。

當所有決策者都能正確地獲取數據、合適地應用分析方法，得出可靠的結論時，我們的商業將進入一個新的階段，商業智能才真正落地。

最后，我還是想強調，任何人在應用數據前，都要記住這樣一句話：“對業務的理解和思考，永遠高于分析技術的選擇”。