起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識產品分析之統計學悖論
在做產品分析時，統計結果截然相反，是何種原因引起的呢？這種情況該如何應對呢？
近期面試聊到了產品分析時統計結果截然相反時，分析人員變成了熱鍋上的螞蟻，手足無措。這到底是什么引起的呢？早在1951年性別歧視的案子中就發現了這種相悖的統計結果。
最典型的例子:?1973年加利福尼亞大學伯克利分校性別歧視案的例子：
大家從表格里可以看到，如果只看整體錄取率，那么男生的錄取率是44%，女生的是30%。
但加利福尼亞大學伯克利分校的統計學教授 Peter Bickel 后來發現，如果按照院系分類，女生實際上比男生的錄取率還高一些。
一、細節和整體趨勢完全不同
辛普森悖論（Simpson’s paradox）：當你把數據拆開細看的時候，細節和整體趨勢完全不同的現象。
我們簡化上述表格，發現悖論是由于基數產生的影響——男生在學院1和學院2的分布和女生的分布截然相反引起的。
在日常分析工作也經常存在這樣的現象，經常在兩端分析時，大都以為兩端作為拆分對比，如iOS、Android投放廣告的轉化率分析中，通過兩端的轉化率可以得到結論1，但將iOS、Android按照網頁版本、移動版本拆分后會得到完全相反的結論：
結論1: iOS的總體轉化率低于Android。
- 基于此可以得到的結論是該批次廣告不適合iOS平臺；
- iOS平臺需要做在轉化過程中需要做進一步的漏斗分析以便優化。
結論2: 網頁版本iOS的轉換率高于Android，且移動端iOS的 轉化率也高于Android。
- 基于此可以得到的結論是該批次廣告不適合Android平臺；
- Android平臺需要做在轉化過程中需要做進一步的漏斗分析以便優化。
如果沒有辯證的結合多個維度分析該數據表現，則會被誤導，在錯誤的方向上投入更多的精力，甚至是完全相反的決策。
二、相關分析中，整體相關性和組間相關性相反。
假設我們有每周運動小時屬于兩組患者（50歲以下、50歲以上的患者）患病風險的對比數據。以下為兩組患者患病可能性的散點圖：
由下圖（x軸是運動小時數、y軸是風險）可以得到的結論是：患病風險與運動小時數呈負相關。
將2組數據合并后，得到的結論是：患病風險與運動小時數呈正相關。與分組結論皆然相反。
原因是：患病幾率是由多種因素引起的，年齡比運動時間的影響程度更大。在分析運動時間與發病幾率時，忽略了年齡等其他因素——而進一步拆分后，會得到完全不同的結論。
先前恰巧有通過相關性分析來探討變量與留存、回訪間的關系。
不同停留時長的用戶在留存上面的表現，發現停留時長越長的用戶留存以及回訪現象越不好，這和app使用基本認知相反；
而結合用戶用戶行為深度分析發現，用戶行為越深留存以及回訪現象越好。相比籠統的停留時長（包括app使用時長、后臺時長），用戶行為深度對用戶留存以及回訪影響更大，其相關表現也更符合真實的現象。
數據分析相比數據挖掘、深度學習，最大的優勢就是可解釋性，得到的結論需要多結合場景、用戶屬性思考，是否看到了數據的全貌。
三、AB測試中細分結果和整體結果相悖
AB測試中細分結果和整體結果相悖則要小心了……來看下面這個例子：
通過A、B兩種療法結石的治愈率來看哪一種療法更好。
基于大結石、小結石，A療法都比B療法要好；但匯總結果卻是B療法比A療法要好。無法判斷那個療法更好。
你應該看了本文的第一個例子，可以發現A、B療法在不同類型的結石中基數差異引起了問題。
在兩個組內不同類型的結石中基數差異可能是由第三中因素引起的，如該例子因為醫生似乎覺得病情較重的患者更適合 A 療法，病情較輕的患者更適合 B 療法，所以下意識的在隨機分配患者的時候，讓 A 組里面大結石病歷要多，而 B 組里面小結石病歷要多。
更重要的問題是，很有可能影響患者康復率的最重要因素并不是療法的選擇，而是病情的輕重！換句話說，A 療法之所以看上去不如 B 療法，主要是因為 A 組病人里重病患者多，并不是因為 A 組病人采用 A 療法。
如果將A療法都比B療法可以等價為ab測試的對照組和實驗組，則會發現這個case就是活生生的ab測試結果數據，并且匯總結果中兩組存在明顯差異，欣喜若狂的上線實驗，但上線后整體數據結果表現并不理想。
所以，這一組不成功的 A/B 測試，問題出在試驗流量分割的不科學，主要是因為流量分割忽略了一個重要的“隱藏因素”，也就是病情輕重。正確的試驗實施方案，兩組試驗患者里，重病患者的比例應該保持一致。
理想的ab測試實質是控制變量分析法，不同組（實驗組、對照組）之間，僅在實驗方案上存在差異，在其他的表征上（包括用戶屬性、行為屬性上都不存在差異）。
四、如何避免辛普森悖論
當前權威的統計學家沒有給出一個確切有效的解決方式，因為悖論往往涉及到了業務層面的分類，告訴我們不能僅以統計數字來推導準確的因果關系?？傮w分析時需要結合多維度、屬性、場景來分析，仔細地研究分析各種影響因素，不要籠統概括地、淺嘗輒止地看問題。
在做數據分析的時，一定要遵循數據分析的目的——通過數據分析的手段來解釋問題、現象，且勿唯“數據”論。
附錄：
總結悖論的時候，參考了很多文章，非常感謝每一篇文章的講解：
《辛普森悖論》
《淺談A/B測試里常見的辛普森悖論，企業決策者必看》
《數據分析必須警惕的坑：辛普森悖論》
《辛普森悖論？如何解？一招搞定！》
本文由 @cecil 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
之前看到一句話說的是，數據分析是最大的謊言，我感覺其實就是對數據分析不到位導致的，如何才能確保自己的分析是對的呢
這么好的文章居然收藏點贊不多，估計能看懂的人估計不多。多數人還是只喜歡看不需要動腦子的流水賬。
你這也要動腦子？
話題挺好的，但是確定里面有些數字沒寫錯么還有正負相關性。。
第二組的相關性應該是正相關，看得仔細。晚上修改更新