5个提醒,让你远离“数据呆”
随着数据积累得越来越多,数据获取成本不断降低,人们开始走向另一个危险的极端,那就是任何事情都要看数据,任何决定都去依赖数据。...
随着数据积累得越来越多,数据获取成本不断降低,人们开始走向另一个危险的极端,那就是任何事情都要看数据,任何决定都去依赖数据。这种风气培养出了越来越多的“数据呆”。作为一个数据分析师,我是非常反对“唯数据论”的。为什么呢?让我详细地来说一说。
数据库并不能记录一切
那么,数据库不能记录的信息,怎么获取呢?答案其实很简单,通过外部手段,创造条件去获取。概括为“调查”和“实验”两个词。比如用户体验不能量化的问题,直接问不就好了?调查分为访谈和问卷调查两个方式,每种方式都需要落地成可量化的结果。问卷调查建议规律性地长期进行,连续收集的数据在时间维度上可比,价值远远大于单次的问卷调查。实验的方式在第四章中有所论述,它正是一种创造数据的手段。通过实验组和对照组,创造出一个对比的条件,进而量化出差异,最终形成可靠的判断。
不可能分离多重因素影响
另一个角度,业务指标的变动往往是多种运营动作共同施加的结果,这种影响并不能简简单单的分解为“A+B+C+…”或者“A*B*C*…”。有些因素叠加可能相互放大影响,有些则可能相互抑制,宏观指标只是这众多影响的结果,内部的影响机制是黑箱。极端点说,不可能将每个因素的影响都分离出来。
那么怎么办呢?怎样能衡量具体某个运营动作带来的影响呢?答案就是实验,也只有实验。就是通常所讲的AB测试。实验中,运营动作施予对象必须分为实验组和对照组,实验组和对照组唯一的不同,就是实验组被施予了运营动作,而对照组没有。只有这样,观察实验组与对照组的指标差异(方差分析或者DID),我们才有可能去量化某个运营动作的影响。
数据不能替代逻辑推理
要对这一点有深刻的理解,希望大家读我的《数据驱动决策的13种思维方式》。你是不是一个明智的决策者,并不在于你手头有多少的数据,而在于你能否从数据中正确地解读信息。需要提醒各位的是,当数据达到一定的量后,数据越多,往往数据质量越差,你犯错的可能性越大。你是否记起了本书第一章最后部分,数据图中指标数量与混淆概率的关系了?
预测的根基未必牢固
从我的个人经历来说,许多时候是靠不住的。这也是我在工作中很少进行预测型建模的原因。在我所处的互联网行业,业务变化非常快。一个“政策”的决定,往往造成各项业务数据的巨变。经常是“一夜回到解放前”或者“一晚跨入新时代”。在这种背景下,重要的不是去对某个指标进行预测,而是理解业务背后最根本的商业逻辑(商业模式)。若一个商业逻辑被证明是有效的,那么它在相当长的一段时间内不会变化,那么你就能获得一些“定性”的预测能力,这就足够了。
大多数人会因数据而变傻
曾经有一位学者告诉我,数据分析使人短视甚至盲目。开始我不以为意,但之后越来越觉得这话有道理。为什么呢?现实情况是,许多人有了数据资源后,放弃了最基本的商业思考,不断地去统计数据,不断地去提“帮我查一下这个数字,帮我看一下那个数字”这样的需求。失去了思考的深度,非常危险。
我觉得,真正的数据分析(业务分析),应该有很高的门槛。这个门槛并不来自于分析方法的应用,而来自于对业务的理解。只有对业务有深刻的理解,才能将分析方法用对地方,才能正确地解读信息,获得结论。
所以,许多深耕在业务中的管理者,不需要因为数据资源的爆炸而惊慌失措,真正有价值的东西在你们经验里,只需要有一个量化的出口,你才是那个将数据价值发挥到最大的人。
那么问题来了,如何做到不因数据而变傻呢?我没有答案。我认为在未来,不应该有数据分析师这个职业,而应该是所有决策者都懂得“分析数据”。这实际上是写作本书最深层的一个目的。当所有决策者都能正确地获取数据、合适地应用分析方法,得出可靠的结论时,我们的商业将进入一个新的阶段,商业智能才真正落地。
最后,我还是想强调,任何人在应用数据前,都要记住这样一句话:“对业务的理解和思考,永远高于分析技术的选择”。
关注 川术
微信扫一扫关注公众号