数据会说谎？带你识别9种常见的数据陷阱

在产品的工作中经常需要用到数据和对数据进行分析，但在这个过程中其实隐藏着很多陷阱。数据来源、解读人的观点，都有可能造成很大的偏差。这篇文章，作者统计了9个常见且容易操作的数据陷阱，希望能对大家的数据分析工作有所帮助。

数据，正逐渐成为一种重要的生产资料。我们在进行产品开发，运营活动效果复盘，都需要数据辅助决策，而看起来人畜无害的客观数据，却在各种各样的场合，以各种意想不到的情况欺骗大家的眼睛。

下面就让我们一起看下在什么样的场景下，会出现这种情况，我们又如何避免呢?

一、九种数据陷阱

01 数据可视化陷阱

先看下面两组数据：

（1）

（2）

从直观上来说，第二组数据的图形显示比起第一个图的震撼要更大些，或者说，问题似乎‘更严重些’，因为两个柱子的差距比第一个图的差距要小。

而实际上，他们都在描述同一个事实：2023年上半年总营收同比2022年上半年减少200万；

那么，问题出在哪里？

真相只有一个，就是纵坐标的刻度线，第一张图纵坐标的起点是0，而第二张是3200w。

这里图一通过调整坐标轴的刻度，改变数据的视觉效果，从而误导观众对数据的理解。

02 相关性与因果

下图是夏天西瓜的销量与溺亡人数之间的相关关系图，通过计算得知，两者之间的相关系数达到了0.96（等于1为完全相关）。

有人得出结论：夏天游泳溺亡跟西瓜销量有直接关系，应该禁止西瓜销售。

有常识的人一眼就可以看出这是个笑话：夏天天气热，游泳人数多，所以溺亡人数变多，同时，夏天也会带来西瓜销量的提升。

这里为什么会闹出这种令人啼笑皆非的笑话，主要是混淆了相关性和因果性。

相关性与因果关系的混淆：当两个变量之间存在相关性时，不能简单地得出其中一个变量是另一个变量的原因的结论。

同时相关性并不意味着因果关系，因为可能存在其他未知的变量或潜在的混淆因素。在分析数据时，我们需要进行更深入的研究和控制变量，以确定是否存在真正的因果关系。

03 放大有利数据

只看下图，可以得出：我们的销售额稳中有升，形式似乎一片大好：

但是如果我们将今年所有月份的数据取出，结果与我们之前的结论完全相反：销售额随着月份的变化一直在走低，业务部门得想想办法了。

这里是因为一开始的图只放了4-6月销售额有上升的时间段，放大了有利数据，用短期波动代替长期效应。给我们造成了错觉。

放大有利数据：在报告数据时，有可能选择性地呈现某些结果，而忽略其他结果。这种情况下，数据的误导性来自于信息的不完整性或不平衡性。为了避免选择性报告的问题，我们应该全面、客观地呈现数据，或者使用可信的数据来源。

其实在汽车行业就有这种惯例。汽车行业在公布数据时，如果增长的好，一般就说增长率；如果增长的不好，就会提排名；排名还不好的话，就开始说细分市场排名。而且还会把市场细分到几乎只有这款车的范围，这样就可以说自己在细分市场排名前几。

04 样本偏差

大家应该都听过一个段子：过年返乡的列车上，记者向着车厢问到：买到票的朋友请把手举起来！刹那间，车厢里的乘客都将手举了起来，记者激动的播报着：从这里可以看出，群众们乘车难的问题已得到解决，每个人都有火车票！

这里其实是犯了样本偏差的错误，从一个有限的样本中推断总体特征时，样本可能不具有代表性，导致对总体的错误认识。这种情况下，数据的陷阱来自于样本的选择或采集方法。解决这个问题的方法之一是使用随机抽样来确保样本的代表性。

一个实际案例：

某公司要评估某款新产品在市场上的受欢迎程度。他们决定在购物中心进行了一次问卷调查，收集了500份调查问卷。

调查结果显示有80%的受访者对新产品表示喜欢和有意愿购买。基于这个结果，市场调研公司得出结论认为新产品在市场上将受到广泛欢迎，并投入大量资源进行市场推广。

然而，结果显示新产品的销量远不及预期。公司内进行复盘，发现问卷调查可能有问题。

因为，调查问卷仅发放给购物中心的访客，未能涵盖更广泛的消费者群体，包括其他渠道或者不常去购物中心的消费者，他们的观点可能不同。这可能导致市场调研公司过度估计了新产品的市场潜力。

为了避免样本偏差导致结论出错的情况发生，市场调研应该采用多种渠道和方法，以确保样本具有代表性。可以在购物中心之外的其他地方进行调查，或者使用在线调查等方式进行数据收集，以覆盖更广泛的消费者群体。这样可以更全面地了解市场对新产品的态度和需求，并制定更准确的决策。

05 数据口径问题

假设有两个机构A和B，它们都在报告某个国家的失业率。

• 机构A使用广义定义上的失业率，包括所有正在寻找工作但没有找到的人，并将其与劳动力总数相除。根据机构A的统计数据，失业率为5%。
• 机构B使用狭义定义上的失业率，仅包括那些正在寻找工作但没有找到的人，并将其与就业人口相除。根据机构B的统计数据，失业率为3%。

由于机构A和机构B使用了不同的统计口径，导致了失业率的差异。机构A的统计方法更加宽泛，包括更多的人群，因此失业率较高。

而机构B的统计方法较为严格，只计算特定群体的失业率，因此失业率较低。

这种差异可能会对政策制定和经济分析产生重要影响。例如，机构A可能会认为需要采取更多的就业刺激措施，而机构B可能会认为就业市场已经相对健康。

这个案例表明，即使数据都是正确的，但是因为数据统计口径不同，进行解释时，结论不一致的情况也会发生。

06 基数问题

（1）某件商品在50%折扣的基础上再打20%折扣，我们容易以为会有70%的折扣。

实际上，折扣只有60%——因为后面20%的折扣实在50%即五折的基础上折算的。

（2）A基金年化收益率对比去年增加了100%！容易让人热血沸腾，下一秒就想梭哈。

实际情况可能是：A基金去年的年化收益率只有1%，今年达到了2%，而同期的银行利率可能高于这个数。

07 样本分布是非正态分布

用平均数掩盖分布。

美国前总统小布什在竞选演讲中曾经说到：我的2003年的减税计划让4000多万美国家庭平均少纳税1586美元，从纯数字角度来看，没有任何问题。但是这里有很强的误导性。

因为财富的分配不服从正态分布，大部分家庭收入不高，减税的额度非常有限，但小部分收入极高的家庭，减税的额度甚至能达到几十万美元，从而拉高了平均数。

实际上，当年减税的中位数是650美元，可以理解为有一半的家庭减税额度都没达到650美元。

08 数据样本不足

“今年经济学院的新来的研究生，有三分之一身高超过一米九，我们学院今年篮球赛夺冠有希望了。”

实际上，今年只录取了三名研究生，其中一个人身高超过了一米九。

这里其实犯了数据样本不足的问题，因为样本不足，用百分比掩盖规模。导致数据解读出误。

09 信息不完整

有这样一则数据：过去几十年，癌症的死亡人数增多。

这个数据结论看起来非常吓人。但实际上忽略了很多其他因素。如：

1. 现在的人数远远超过以前；
2. 由于医学的进步，从前很多死因不明的案例，在现在，都被归到了具体的癌症类别；
3. 因为现代社会的发展，各个易发病的年龄段人数在不断增加；

这里是犯了信息不完整的错误，有时候，我们在分析或总结事物时可能会遗漏某些变化的原因。这可能是因为我们没有获得所有相关数据，或者我们只关注了部分信息而忽略了其他方面。

三、总结

以上，我们通过具体的案例总结了数据误导性的九种常见的类型。分别是：数据可视化陷阱、相关性与因果、放大有利数据、样本偏差、数据口径问题、基数问题、样本分布是非正态分布、数据样本不足、信息不完整。

之后，再遇到别人用数据做出的论断时，建议先对照着上述的九种场景，防止陷入数据陷阱。

最后，多说一句：数据不会说谎，但解读数据的人会。

​Read More