你是如何被“大数据”洗脑的？

 

正文开始之前，请大家先看一个案例：

一家公司希望了解自家产品的用户画像，于是他们在产品包装上印上自家小程序的二维码，然后想办法促使用户去扫码(比如扫码查真伪、扫码学习食用方法等)。一旦用户扫描二维码，公司就能从后台了解他们的基本信息，比如下图就是对用户年龄分布的统计结果：

(PS，出于保密需要，这里暂且放一张P过的图来示意)

 

现在请问：哪个年龄段的人才是该产品的典型用户?

如果你想了解大数据的学习路线，想学习大数据知识以及需要免费的学习资料可以加群：784789432.欢迎你的加入。每天下午三点开直播分享基础知识，晚上20:00都会开直播给大家分享大数据项目实战。想要了解学历的也可以加群私聊我。

对于这个问题，我一共听到过三种答案。

• 第一种认为是30—39岁。如果你问他为什么，很显然，因为那部分柱子最高...
• 第二种认为是25—29岁。因为虽然它高度只是第二，但它的年龄跨度只有5岁，仅仅是30—39岁跨度的一半。
• 第三种则认为18—29岁都是，道理跟第二条类似，不再多解释。

那么，究竟哪种答案才更加正确呢?

我估计大部分人都会选第二种或者第三种吧?

最开始我也是这样解读的，认为该产品的典型用户就是“年轻人”。(若按照国家统计局的标准，也就是15—34岁的人)

不过说实话，这个结论还真挺让我惊讶。因为若根据我的常识来判断的话，它的典型用户应该是年纪稍大点的中年人才对。

该产品属于健康食品，主打“排毒”“减肥”“降三高”“治便秘”“抗酸”的功效(你先别笑它卖点太多不够聚焦，又不是走电视广告的路子)，而这些功能属性，除“减肥”以外，我相信不少人都会跟我一样——若用常识来判断，它们应该更偏向中年人。

然而，数据结果却与常识判断相互矛盾...这时候，你到底该相信数据还是相信常识呢?

这是我最近在一个项目中遇到的一个问题，这个问题也的确让我纠结了一段时间。因为一方面有人说“数据是不会撒谎的”，而另一方面又有人说“做调研，常识才更加重要”...

不过，当我想起以前看到过的一段故事之后，问题就变得相对明朗了。

一、二战故事

在二战期间，盟军的战斗机在战斗中损失惨重，于是盟军总部秘密召集了一批物理学家、数学家来专门研究“如何减少空军被击落的概率”。

当时军方统计了所有返航飞机的中弹位置，发现机翼部分中弹比较密集，而机身和机尾的中弹比较稀疏，因此当时普遍的建议便是：应加强机翼部分的防护。

然而，统计学家沃德却提出了一个完全相反的观点，他认为应加强机身和机尾部分。

沃德教授说「所有的样本都是成功返航的飞机，也就是可能正是因为机翼遭到攻击，机身和机尾没有遭到密集的攻击，所以才使得这些飞机能够成功返航」

后来又经过一系列有力的论证后，军方果真采用了他的建议。事后也证明这的确是无比正确的决策，有效降低了空军被击落的概率。

这个故事讲的就是所谓的「幸存者偏差」(Survivorship bias)

幸存者偏差是指：当取得资讯的渠道仅来自于幸存者时，此资讯可能会存在与实际情况不同的偏差。(因为死人不会说话)

那它跟之前用户画像的例子有什么关系呢?

关系很大。

虽然数据是不会撒谎的，但它只能展示出有数据(幸存者)的那部分信息，而无法展示没有数据(阵亡者)的那部分信息，它是片面的。

翻译到之前那个案例：如果仅凭扫过码的用户数据来判断产品的用户特征，其实是忽略了那些使用了产品但没有扫码的用户的数据。毕竟，不是所有用了产品的人都一定会扫码。

而这里有很多可能的因素会影响结果，比如：

• 1)不同年龄段的人拥有不同的扫码习惯——可能年轻人更愿意扫码，而中、老年人大部分都没有扫码习惯。
• 2)扫码的人不一定是产品的用户——也许是年轻人买了该产品送给长辈，然后自己去扫了码。
• 3)说服人们扫码的文案也会有影响——假如你说“扫码享优惠”，那最终扫码的可能就更偏向于那些“精打细算”的用户，而不是所有用户。

总之，永远不可能得到完整的数据样本。

因此，回到文章最开始的问题——哪个年龄段的人才是该产品的典型用户?

准确的答案应该是：无法仅通过该数据就得出结论。

是的，到目前为止，我依然更偏向于相信常识——认为中年人才是它的典型用户。(估摸着至少也是30岁以上)

二、洞穴之喻

柏拉图曾在《理想国》的第七篇中，讲了一个著名的比喻——洞穴之喻(Allegory of the Cave)

设想有个很深的洞穴，洞里有一些囚徒，他们生来就被锁链束缚在洞穴之中，他们背向洞口，头不能转动，眼睛只能看着洞壁。

在他们后面砌有一道矮墙，墙和洞口之间燃烧着一堆火，一些人举着各种器物沿着墙往来走动，如同木偶戏的屏风。当人们扛着各种器具走过墙后的小道，火光便把那些器物的影像投射到面前的洞壁上。

由于这些影像是洞中囚徒们唯一能见的事物，他们便以为这些影像就是这个世界真实的事物。

在现实生活中，数据就像该比喻中印在壁洞上的影像——它试图利用低维的事物，去给人们描绘一个高维的东西。如果将洞壁的影像进行数据化处理，哪怕技术再先进，收集的数据再多，都难以让洞穴人感知到一个真实的世界，因为他们看到的世界都被“降维处理”了。

而另一方面，常识又是什么?

不可否认的是：常识跟数据一样，都是片面的。并且每个人的常识都不尽相同，质量参差不齐。

不过这里想说的重点是：相比于数据，常识能从更多得多的角度去分析一个事物。

因为人类的大脑很奇妙，它能把很多看似无关的事物联系在一起。而这一点，是任何计算机都很难以数据的形式做到的。

举个最简单的例子：人们可通过观察“一根筷子折得断，十根筷子折不断”的现象，悟出一个与之毫不相关的道理——团结就是力量。而同一个现象如果交给计算机去处理，那最后的结果就肯定只能与“材料”“扭矩”和“力度”等相关...

再比如迈克·亚当斯曾做过的一项研究，他发现：美国大学生期中考试临近时，奶奶去世的可能性是平时的10倍，而期末考试时是平时的19倍。(数据来自各高校收到的请假邮件和推迟交论文的申请)

若单看数据，你也许会认为学生的学术压力会对奶奶的健康造成影响(的确有科学家对此做过研究...);但若用常识去思考，那就很简单了——为躲避考试，学生们编造了“奶奶去世”的请假借口。

这就是常识与数据的区别——常识是多维的，数据是单维的。

三、数据不骗人，但它会坑人

数据真正的价值并不在于其统计或计算结果，而在于人们能对其做出正确的解读。不过这很困难，尤其当你面对的是残缺的数据。

就像我以前举过的一个例子：

• 据《2017社会大学英雄榜》显示，国内登上胡润百富榜的2000多位资产超二十亿的富豪中，有一半的人都是低学历。(PS，低学历是指本科以下的学历)

请问：从这条新闻中你能读出什么结论?

我想肯定有很多人会认为：学历的高低跟收入的确没什么关系。

然而，这种解读是错的。

正确的解读方式是什么呢?

应该是：中国在2016年末大约有13.8亿人口，其中本科及以上的只有3800万，本科以下则有13.42亿——低学历的人本来就比高学历的人多得多(35倍)，而它们进入榜单的人数基本相同。因此，拥有高学历的人进入百富榜的概率，是低学历的35倍。

在这个例子中，所有的数据都是真实的。但如果你只看到一部分数据，而没有看到其他数据，那就很容易被数据给坑了，得出错误的结论。

当然，要想得出更加准确的结论，这里还需挖掘更多的数据。比如：

• 富豪们的年龄分布。毕竟不同年龄段人群的学历分布是不一样的;
• 所属行业的分布。毕竟不同行业对学历的要求与相关程度是不一样的;
• 在这些富豪中，高学历的收入与低学历的收入的总体对比情况...

嗯，如果你不是专门学统计的，相信在加入这么多因素之后，一定会崩溃掉...不过你也不用慌，因为大部分情况下，你根本就没有机会能知道这么详尽的数据。

包括以数据著称的新零售。为什么大部分新零售项目仍然在亏钱?其实就是因为它们的规模还没有达到一定的量，数据的维度依然比较单一，“算”出来的东西依然不够精准，所以效率的提升也就很有限了。

四、小结

文章读到这里，你也许会在心里嘀咕：小云兄你写这篇文章，是不是想告诉我们数据是没有用的呢?如果数据的结果都不够准确，那什么才是准确的呢?

首先，这里并不是说数据没有用，即使它是片面的。

所谓的要客观看问题，并不是指你一定要掌握了所有数据之后才能下定论，而是要在下定论之前，尽量多方面了解一些数据和信息，无论它们本身多片面。

多了解一点，犯错的几率就会小一点，多看到一面，你离客观的真相就更接近一点，这就是进步。

千万不要试图一下子解决所有的问题，或者以为一下子就得到准确的答案，因为这本身就是一种错误的价值观，或者说痴人说梦。(所以你也不用纠结“什么才是准确的”了，根本就不存在)

知道自己还有不知道的，并在问题中不断前进，这才是真正科学发展的思想。

相反的，如果仅凭单方面数据就武断得出结论，并且笃定得不行，那无论数据样本有多大，你的结论和真实情况都很可能是天差地别的。