如何识别数据造假？神奇的30.1%扒光造假者的伪装！

编 辑：彭文华

来 源：大数据架构师（ID：bigdata_arch）

彭友们好，我是你的老彭友。今天聊点什么呢？扯点高大上的吧。我听说有人财务造假非常厉害，能从最细颗粒度的数据开始造，除非是查原始单据，否则根本查不出来。 

这个我一开始就不信。因为造出来的数据，必然会带有人工雕琢的痕迹，就像是鬼斧神工和能工巧匠一样，泾渭分明。

不信？

总统选票造假了吗？

现实中就有这样的案例：美国总统竞选。

美国大选每次都非常好玩，成为全球争论的热点。有一个问题始终盘旋在所有人的脑海中，就是美国大选到底有没有造假？

首先，在大选的程序上，肯定是合法、合规的，这个毋容置疑。但是真的没有丝毫的破绽吗啊？

我们来看下面两张图，分别是芝加哥、宾夕法尼亚州阿勒格尼的拜登、川普和霍华德的选举数据。你先别管具体数据是啥意思，从数据分布上能看出啥异常不？

图片来自于Github

答对了！拜登的数据跟其他二位的不太一样，2、3号柱比较长。我在这里解释一下，这类的横坐标1234，代表的是选票号码的首位。

你可能会说，这有啥用啊？

真实不随机

其实这是一道数学题。

假定一组数据是自然规律产生的，那么首位数字出现的概率必然是从1-9依次下降。

这里的自然规律指的是非人为的，或者是计量导致的，比如身高，那基本上都是1开头，没有3、4、5、6、7、8、9开始 的。或者手机号码，都是1开头，没有其他的。

有些朋友第一反应是：这不是随机的么，概率应该是一样的啊？嘿嘿。。。反直觉了吧？

其实这跟随机还真不是一码事儿：

首位是1的数字出现的概率是最大的，占30%；

首位是2出现的概率为17.6%；

首位是3出现的概率为12.5%；

首位是4出现的概率为9.7%；

首位是5出现的概率为7.9%；

首位是6出现的概率为6.7%；

首位是7出现的概率为5.8%；

首位是8出现的概率为5.1%；

首位是9出现的概率为4.6%；

这就是大名鼎鼎的“本福特定律”。这个定律的解释我就不抄了，各位可以自行百度。大致的意思就是自然出现的数字，首位为1的概率是最大的。其他依次下滑。

如果出现违背此规律的，必然属于人为操作的。这一点就是鬼斧神工和能工巧匠之间的天差地别。

神奇的30.1%

是不是很神奇？是不是很意外？数字世界就是这么好玩，你以为万无一失的时候，冥冥中就有天注定。人工雕琢的痕迹就是那么明显。

造假手段再好，也有一项是避不过去的：就是仿造天然的成本太高太高了！

只要人为处理，就会导致违背本福特定律的情况出现。所以你再看看浑水机构怎么调查瑞幸咖啡的？嘿嘿。。。去搜集小票。

不过他们发现小票的更大一个漏洞，就是“跳号”。其实也应该归功于本福特定律，因为查“首位数字”本就是洞悉财务造假的重要手段之一。

这个30.1%是真的很牛，牛到没彭友的那种。因为这根本不是一般人能洞察出来的，而且，这个本福特定律是一个“定律”，也就是适用于所有自然增长数据（需一定样本量，一般要超过3000）。

财务报表、订单号、山峰高度、星星之间的距离等等，全部符合！你说牛不牛？

这就是数据，开启上帝之眼的神器！

排版 | 老彭

审校 | 老彭  主编 | 老彭