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
榮耀標識分析數據？當心這兩個誤區
?
誤區一：把某一類型數據當做全部數據，導致分析結果錯誤
?
先說個小故事：二戰時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。后來工作人員經過對中彈飛機的統計，發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。直到后來一個專家說：“可是機頭中彈的那些飛機就沒有飛回來?！?/div>
?
這個故事里本應是對全部飛機進行分析，但統計樣本沒有包含已經損毀的飛機，所以得出的結論只是根據部分數據，或者說是根據具有同樣特征（受傷）的某一類數據推論出的，并不能代表全部類型的數據，所以得出的結果很可能是錯誤的。
?
再看一個例子：前一陣我為了分析人人網，想看看人人網現在的用戶訪問量是什么狀態，于是選擇了PV作為觀測指標，通過alexa來看人人網的PV在過去一年中呈明顯的下降態勢，這也印證了我的預期，于是就以此為論據進行了分析?？墒呛髞戆l現，alexa僅僅統計通過WEB的訪問量，而用戶移動端的登錄并不在統計范圍之內！這兩年智能手機普及迅速，移動端登錄也非常普遍，缺失這部分數據意味著前面統計的數據基本沒有意義，因為WEB端訪問量的下降有可能是用戶訪問人人網次數降低，同時也有可能是由PC端向移動端遷移，這個統計就不能作為論據出現了。
?
可以看到，我只統計了WEB端的訪問情況，認為這就是人人網全部訪問量，而忽略了移動端，從而推出了錯誤的結果。另一個問題就是由于我已經有預期（人人網訪問量下降），那么我在為這個結論找尋相關的論據，當找到符合我結論的論據時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的問題。
?
用某一類型數據代替全部數據會誤導我們做出錯誤的判斷，在統計時一定要注意這點。這一方面需要意識，在統計、分析數據時要時刻想著還有沒有其他的情況，還有沒有我們沒有想到的數據類型，這些數據是不是能代表全部類型，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是如何進行統計的，那么很輕易就會想到還要考慮移動端的情況。知識的累積有助于我們做出準確的判斷，這些知識與經驗都是從閱讀或實踐中得來的，平時多做，慢慢累積，時間久了自然會看得更全面。
?
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，從而讓我們高估事件發生的概率。
?
比如從年度統計中看到，某基金近兩年的收益率達到100%，有某某明星操盤手等等，人們就會爭相去購買該基金，同時也會讓人們認為買基金就是可以賺錢的。而實際上，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法跑贏大盤，不過人們在記憶中依然會認為買基金確實很賺錢，當年XXX兩年益100%呢。兩年收益達到100%只是偶然情況，但卻由于事件太過鮮明而長久駐扎在人們的心智中。
?
類似的事還有很多。比如富士康N連跳，大家都覺得這么多人跳樓，富士康肯定太黑暗了，但大家卻沒有注意富士康員工大概有37萬人，按12連跳的話自殺率不到十萬分之四，而全國的平均自殺率為十萬分之十五， N連跳自殺率遠低于全國自殺率，可見富士康12連跳實際上是一個社會問題，而不僅僅是一個企業的問題，我們太過注重鮮明的事實卻忽略了背后整體的概率。
?
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這些問題，只是由于媒體不會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，所以我們只會關注鮮明的波士頓爆炸，而對其他地區天天發生的事情無動于衷。另外比如你周圍有人買股票賺了好多錢，可能你也會很想投身股市一試運氣，而忽略了散戶8賠1平1賺的整體概率。你看到了各種創業成功者的報道，認為自己也可以嘗試創業，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有被報道的機會，而實際上創業成功的人可能不到1%。
?
說了這么多，其實就是太過鮮明的偶然事件會讓我們忽略背后一直存在的整體概率?？吹竭@種數據的時候，不要太過情緒化，你所看到的數據或事件可能只是個例，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某些值得借鑒的地方，從而吸收到自己產品或項目中，以便使自己的產品或要處理的事情有可能成為市場中下一個“偶然事件”。
?
文章來源：虎嗅網
評論
- 目前還沒評論，等你發揮！
