数据会说谎？带你识别6种常见的数据陷阱

数据，正逐渐成为一种重要的生产资料。我们在进行产品开发，运营活动效果复盘，都需要数据辅助决策，而看起来人畜无害的客观数据，却在各种各样的场合，以各种意想不到的情况欺骗大家的眼睛。
下面就让我们一起看下在什么样的场景下，会出现这种情况，我们又如何避免呢?


1、 样本偏差
大家应该都听过一个段子：过年返乡的列车上，记者向着车厢问到：买到票的朋友请把手举起来！刹那间，车厢里的乘客都将手举了起来，记者激动的播报着：从这里可以看出，群众们乘车难的问题已得到解决，每个人都有火车票！
这里其实是犯了样本偏差的错误，从一个有限的样本中推断总体特征时，样本可能不具有代表性，导致对总体的错误认识。这种情况下，数据的陷阱来自于样本的选择或采集方法。解决这个问题的方法之一是使用随机抽样来确保样本的代表性。
一个实际案例：
某公司要评估某款新产品在市场上的受欢迎程度。他们决定在购物中心进行了一次问卷调查，收集了500份调查问卷。
调查结果显示有80%的受访者对新产品表示喜欢和有意愿购买。基于这个结果，市场调研公司得出结论认为新产品在市场上将受到广泛欢迎，并投入大量资源进行市场推广。
然而，结果显示新产品的销量远不及预期。公司内进行复盘，发现问卷调查可能有问题。
因为，调查问卷仅发放给购物中心的访客，未能涵盖更广泛的消费者群体，包括其他渠道或者不常去购物中心的消费者，他们的观点可能不同。这可能导致市场调研公司过度估计了新产品的市场潜力。
为了避免样本偏差导致结论出错的情况发生，市场调研应该采用多种渠道和方法，以确保样本具有代表性。可以在购物中心之外的其他地方进行调查，或者使用在线调查等方式进行数据收集，以覆盖更广泛的消费者群体。这样可以更全面地了解市场对新产品的态度和需求，并制定更准确的决策。

2、 数据口径问题
假设有两个机构A和B，它们都在报告某个国家的失业率。

• 机构A使用广义定义上的失业率，包括所有正在寻找工作但没有找到的人，并将其与劳动力总数相除。根据机构A的统计数据，失业率为5%。
• 机构B使用狭义定义上的失业率，仅包括那些正在寻找工作但没有找到的人，并将其与就业人口相除。根据机构B的统计数据，失业率为3%。
  

由于机构A和机构B使用了不同的统计口径，导致了失业率的差异。机构A的统计方法更加宽泛，包括更多的人群，因此失业率较高。
而机构B的统计方法较为严格，只计算特定群体的失业率，因此失业率较低。
这种差异可能会对政策制定和经济分析产生重要影响。例如，机构A可能会认为需要采取更多的就业刺激措施，而机构B可能会认为就业市场已经相对健康。
这个案例表明，即使数据都是正确的，但是因为数据统计口径不同，进行解释时，结论不一致的情况也会发生。

3、 基数问题
（1）某件商品在50%折扣的基础上再打20%折扣，我们容易以为会有70%的折扣。
实际上，折扣只有60%——因为后面20%的折扣实在50%即五折的基础上折算的。
（2）A基金年化收益率对比去年增加了100%！容易让人热血沸腾，下一秒就想梭哈。
实际情况可能是：A基金去年的年化收益率只有1%，今年达到了2%，而同期的银行利率可能高于这个数。

4、 样本分布是非正态分布
用平均数掩盖分布。
美国前总统小布什在竞选演讲中曾经说到：我的2003年的减税计划让4000多万美国家庭平均少纳税1586美元，从纯数字角度来看，没有任何问题。但是这里有很强的误导性。
因为财富的分配不服从正态分布，大部分家庭收入不高，减税的额度非常有限，但小部分收入极高的家庭，减税的额度甚至能达到几十万美元，从而拉高了平均数。
实际上，当年减税的中位数是650美元，可以理解为有一半的家庭减税额度都没达到650美元。

5、 数据样本不足

“今年经济学院的新来的研究生，有三分之一身高超过一米九，我们学院今年篮球赛夺冠有希望了。”

实际上，今年只录取了三名研究生，其中一个人身高超过了一米九。
这里其实犯了数据样本不足的问题，因为样本不足，用百分比掩盖规模。导致数据解读出误。

6、 信息不完整
有这样一则数据：过去几十年，癌症的死亡人数增多。
这个数据结论看起来非常吓人。但实际上忽略了很多其他因素。如：

• 现在的人数远远超过以前；
• 由于医学的进步，从前很多死因不明的案例，在现在，都被归到了具体的癌症类别；
• 因为现代社会的发展，各个易发病的年龄段人数在不断增加；
  

这里是犯了信息不完整的错误，有时候，我们在分析或总结事物时可能会遗漏某些变化的原因。这可能是因为我们没有获得所有相关数据，或者我们只关注了部分信息而忽略了其他方面。

总结

以上，我们通过具体的案例总结了数据误导性的六种常见的类型。分别是：样本偏差、数据口径问题、基数问题、样本分布是非正态分布、数据样本不足、信息不完整。
再遇到别人用数据做出的论断时，建议先对照着上述的九种场景，防止陷入数据陷阱。
数据不会说谎，但解读数据的人会。

学习了