數據是如何坑人的？

鄭云瀟

開篇直接看案例：

現有兩個廣告素材A和B，要測一下它們誰更能吸引用戶轉化，評比的指標是轉化率（轉化率=轉化數/曝光數）。

為保證試驗公平，它們都設置了相同的預算額度，并且都在中午 12點開始投放，然后到晚上12點同時關閉。

這樣跑了半天，兩組廣告的預算也都基本花完了，結果發現：A一共曝光6500次，轉化了70個用戶，轉化率是1.077%；B一共曝光6200次，也轉化了70個用戶，轉化率是 1.129%。

看到結果后，廣告投放師小李就認為B素材的轉化率更高。

這時，營銷總監老王卻說：到目前為止，我更愿意相信A要高一些。

小李一臉蒙，問：“為啥啊？”

老王解釋道：“即使是相同的廣告，在不同的時段也會有不同的轉化率。一般來說，下午的轉化率是低于晚上的，因為大部分人白天都有事情，不太容易被轉化，而到了晚上，大家都有空了，所以更容易被轉化。”

小李又問：“你說得對，但跟這次投放試驗有啥關系呢？”

老王繼續說：“我剛從后臺看了素材的來量情況——A素材下午轉化50個，曝光5000次，晚上轉化20個，曝光1500次；B素材下午轉化20個，曝光2200次，晚上轉化50個，曝光4000次。其實不管是下午還是晚上，A的轉化率都是更高的。而你之所以認為B更高，主要是因為B在晚上才跑出了量——它捏的‘軟柿子’比較多，你就誤以為它更厲害。”

看到這里，可能你還有點蒙：是啊，如果拆開來看，確實A更高，但合并看總數的話，又是B更高，那這到底該怎么看呢？

上文的現象，就是典型的“辛普森悖論”（Simpson’s Paradox）——在某個條件下的兩組數據，分別討論時都會滿足某種性質，可一旦合并考慮，卻可能導致相反的結論。

這是在其他領域的工作中也會經常遇到，并且經常會坑人的一個現象。

幾乎每一家公司，上司都會讓下屬對業務層面的各種數據進行匯總，然后呈報給自己，并自以為了解了總體的情況。

不過，谷歌的一位數據大牛曾說過：“匯總的數據往往就是一坨屎，沒有任何意義。”

為什么這樣說？

拋開專業的數學分析，如果用最通俗的語言來解釋，我認為就是：20頭豬就是20頭豬，50棵樹就是50棵樹，但如果你硬要把它們加起來（20+50=70），這個70是毫無意義的，什么都代表不了。匯總的數據，除了象征性地匯報工作，往往并無其他意義。

為什么說是象征性的？

因為如果匯報工作是為了指導決策，那很可能會把人帶進坑里。

就像上文廣告素材的案例，如果營銷總監想偷懶，只看最后的結果，那他很可能就誤判了廣告素材的優劣。更嚴重的，甚至會導致后續投放的素材都沿著“壞素材”的方向去優化。

所以在真實的情況中，如果一定要就此蓋棺論定，確實是A要高一些（當然更科學的做法是繼續試驗，并通過加大預算和嚴控時段，來減少偶然性，以及不同性質的數據占比的差距）。除了廣告投放，辛普森悖論還經常出現在各種各樣的數據統計活動之中——需要算比率的統計基本都會出現，比如轉化率、留存率、合格率、負債率、投資回報率，等等。

那么，如何才能避免匯總數據可能帶來的坑呢？

關鍵記住8個字：不同性質，拆開來算。

“啤酒與尿布”的故事大家應該都聽過——通過相關性分析，商家發現啤酒的銷量與尿布的銷量呈高度正相關。于是他們在陳列上，讓啤酒和尿布離得更近，以此來提高銷量。當然，這完全是個不切實際的、杜撰的故事（杜撰者是Teradata公司的一位經理——估計是營銷經理，為了說服商家購買他家的數據服務，編的軟文）。

而這里想說的重點是：相關性分析。

如今，不管是傳統行業還是互聯網行業，數據已成為企業內部最重要的資產之一。

而各家公司的數據分析師，幾乎每天都會做的一件事就是：分析各個因素之間的相關性，并以此來找到增長方法。

比如游戲公司發現：用戶玩游戲時間越長，留存往往越好，所以就重點提升新用戶的游戲時長，以此大幅提升留存。

再比如便利店通過監測發現：人們逆時針環顧店內的時間占比越大，人均消費就越高，所以在裝修和陳列上，就盡量引導人們逆時針行走。因為右撇子的人更多，而一般逆時針環店能讓更多商品出現在人右側，這樣拿東西更方便，也就拿得更多了。

不可否認的是，通過相關性分析，確實能找到很多有效的增長方法。

不過，過于迷信相關性，有時會帶來相反的結果。

比如某社交APP想提高留存。

他們發現，用戶發消息的條數，與留存的相關性系數是最高的。不僅如此，他們還發現，消息條數超過500的用戶群體，與沒有超過500的用戶群體，留存情況出現了斷崖式的差異。

于是，為提高留存，團隊就提出：假如我們設法提升新用戶發消息的條數，盡量使之超過500，就可以明顯提高留存了。

再于是，他們就通過設置“階段性有獎任務”（發消息到一定條數，就會觸發獲獎提示，并告知下一個有獎任務），將所有新用戶的消息條數都給拉了上去，并基本超過500。

然而，最后的結果卻是：雖然整體的短期留存上去了，但整體的長期留存反而下降了。

為什么會這樣？其實，這就是典型的誤把相關當因果，甚至是因果倒置——不是因為條數多，所以才留存好，而更多是因為留存好，所以條數才多。

上述的方案，雖然短期能通過利益提高留存，但對真正愿意使用產品的用戶來說，獲獎提示可能是一種打擾。另一方面，利益的刺激會帶動更多非目標用戶（羊毛黨）下載和使用APP，拉低用戶質量，所以長期留存就降了。

而最終關于留存的優化方案，其實是在廣告方面：因為該APP是重點參考Instagram來做的，特點在于圖像相關的功能。但此前的廣告只是模糊地說了“好玩有趣”，沒有突出具體的功能和使用場景，所以造成用戶預期與產品不符，留存就不高的情況。

有趣的是，在之前數據分析的結果中，廣告與留存的相關系數并不算很高。

如果說上述兩個坑分別是因為對數據和業務不夠理解才掉進去的，那么第三個坑，可能就是越理解數據和業務，就越容易掉進去。

數據最大的問題，是它只能顯示有數據的信息，而不能顯示沒有數據的信息。

克萊頓·克里斯坦森將這兩種信息分別稱作積極數據與消極數據。

積極數據是指有結構、可量化的數據。比如：銷量、銷售額、留存率、轉化率、復購率、利潤率、付費率、性能指標、市場規模等（能規范地被整理到Excel里的數據都是積極數據）。

而消極數據就是指那些沒有清晰的結構，也很難被發現和量化的數據。比如用戶使用產品背后的動機、情感、觀念、習慣以及這些因素跟隨時代的變化等。

從業務誕生的那天開始，企業就會掌握越來越多的積極數據，比如：哪些產品賣得最多？哪些產品利潤最高？復購率如何？顧客年齡如何分布？市占率是多少？……

而隨著積極數據的增多，它對企業內部的影響也會越大——銷售部會根據不同產品的銷量和利潤，去影響生產規劃；品牌部會根據品類在網絡上的關鍵熱詞，去調整產品賣點；投放部會根據老用戶的屬性，精準投放新用戶；客服部也會根據用戶反饋，給產品提優化建議……

好像一切都會正向發展，并慢慢沉淀為經驗。

不過，一些經驗之外的東西，也在醞釀和發生著。

以電商為例，當阿里和京東根據自己的增長經驗，擴充更高客單價的品類，搶奪更高凈值的人群，設立專門的打折促銷日，并戰略性地放棄低端市場的時候，拼多多卻突然冒了出來，并且只用幾年用戶量就全國領先。

阿里和京東其實都沒有錯，但拼多多是憑什么？那些低線的用戶。為什么不用淘寶，卻要用拼多多？因為更便宜。為什么拼多多更便宜？因為它有很多作坊貨、山寨貨。

那為什么這些作坊貨、山寨貨要去拼多多賣？

一方面是其他平臺不讓賣，另一方面是拼多多的拼團模式能讓他們薄利多銷——跟在線下去趕集一樣。

是的，對于低線的用戶（包括商家）來說，拼多多才是首個把他們線下購物的場景搬到線上來的APP——不管是組團購物、砍價還是買賣山寨便宜貨，本來就是他們線下的日常。

至于淘寶和京東，對他們來說則更像城里的商場——貴，去的次數也不多（而且對他們來說，但凡貴的東西，要看到實物才踏實）。

為什么拼多多能看準這個市場機會，還發明了“社交電商”這個新物種？

其實，對于低線用戶來說，購物本身就是社交——大家一起上街買東西；遇到熟悉的商販砍砍價，你買一斤花生，他送你兩顆棗；你幫隔壁大嬸帶點蔥，隔壁大嬸幫你帶點鹽。既有商品交易，也有情感往來——這就是拼多多洞察到的，關于用戶購物的消極數據。

所以，所謂的“幫砍拼送”“社交電商”，本來就來源于生活，來源于對那些消極數據（動機、情感、觀念、習慣等）的洞察。拼多多只不過是把它們搬到了手機上，讓它更容易發生而已。

至于阿里和京東，毋庸置疑，他們的核心團隊一定是既懂電商業務，又精于數據分析的。

不過，這么專業的團隊，為什么沒有在拼多多之前把握市場機會？

這里的原因是多方面的。

企業要增長，團隊要成長，自然更愿意把注意力放在利益更大的地方——更高凈值人群，更高客單價產品，更高頻的產品，等等。其實，現在的拼多多也一樣。

另一方面，如泉涌噴的積極數據，也很自然地將內部注意力集中于產品和指標，如如何提升物流效率，如何提高廣告收入，如何提高用戶活躍度，等等。

就這樣，在利益和數據的驅動下，他們會越來越了解自己的用戶，并為其提供越來越好的產品和服務。與此同時，他們也會越來越清楚誰不是自己的用戶——“那些低線的人，就不是典型的電商人群，我沒什么精力去關注他們。”

不過，正是這種因數據導致的、慢慢被固化的偏見，才導致市場被分化、被占領，甚至被顛覆。