数据是不会撒谎的，但它只能展示出有数据的那部分信息，而无法展示没有数据的那部分信息，它是片面的。

数据不会骗人，但他会坑人。

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。

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。

把某一类型数据当做全部数据，导致分析结果错误

二战时英国空军希望增加飞机的装甲厚度，但如果全部装甲加厚则会降低灵活性，所以最终决定只增加受攻击最多部位的装甲。后来工作人员经过对中弹飞机的统计，发现大部分飞机的机翼弹孔较多，所以决定增加机翼的装甲厚度。直到后来一个专家说：“可是机头中弹的那些飞机就没有飞回来。”

这个故事里本应是对全部飞机进行分析，但统计样本没有包含已经损毁的飞机，所以得出的结论只是根据部分数据，或者说是根据具有同样特征（受伤）的某一类数据推论出的，并不能代表全部类型的数据，所以得出的结果很可能是错误的。

鲜明事件让我们夸大了偶然因素

富士康N连跳，大家都觉得这么多人跳楼，富士康肯定太黑暗了，但大家却没有注意富士康员工大概有37万人，按12连跳的话自杀率不到十万分之四，而全国的平均自杀率为十万分之十五， N连跳自杀率远低于全国自杀率，可见富士康12连跳实际上是一个社会问题，而不仅仅是一个企业的问题，我们太过注重鲜明的事实却忽略了背后整体的概率。

太过鲜明的偶然事件会让我们忽略背后一直存在的整体概率。看到这种数据的时候，不要太过情绪化，你所看到的数据或事件可能只是个例，并不能代表大多数，可以去查查历史情况或平均情况，去找找沉默的用户或数据，切忌轻易就做出判断和决定。要理性看待这些偶然事件，既不盲目跟随，也不对此嗤之以鼻，在明确整体概率的情况下，剔除偶然因素,分析这些偶然事件背后是否存在着某些值得借鉴的地方，从而吸收到自己产品或项目中，以便使自己的产品或要处理的事情有可能成为市场中下一个“偶然事件”。

数据是客观的，但是，解读数据的人是主观的。

只有正确的认识数据，才能正确的利用数据。

本文素材来源于网络，版权归相关权利人所有，如有侵权，请联系删除。