數據造假的三種常見形態_數據分析師考試

一、圖表欺騙

圖表通常用來增強需要文字和數據的說服力，通過可視化的圖表更容易讓受眾接受信息。但圖表有時候會表現的不是數據的本質:

1.圖表拉伸

如果沒有特殊用途，通常圖表的長(橫軸)與高(縱軸)的比例為1:1到1:2之間，如果在這個范圍之外，數據現實的結果會過于異常。比如:

2.坐標軸特殊處理

在很多場合下，如果兩列數據的取值范圍差異性過大，通常在顯示時會取對數，這時原來柱狀圖間的巨大差異會被故意縮小。通常，嚴謹的分析師在講解之前會進行告知。比如:

3.數據標準化

數據標準化也是一個讓數據落在相同區間內常用的方法，常用Z標準化或0-1標準化，如果不提前告知，可能會誤以為兩列數據取值異常接近，不符合實際業務場景，比如:

隱秘層次:★★☆☆☆
破解方法:詢問分析師的圖表各個含義，了解基本圖表查看常識。

二、數據處理欺騙

數據處理中的欺騙方法通常包括抽樣方法欺騙、樣本量不同、異常值處理欺騙等。

1.抽樣方法欺騙

整體樣本的維度，粒度和取數邏輯相同的情況下，不用的樣本抽樣規則會使數據看來更符合或不符合“預期”。比如在做用戶挽回中，假如做的兩次活動的抽樣樣本分別是最近6個月未購物和最近6個月未購物但有登陸行為的用戶，不用做什么測試，基本上可以確定后者的挽回效果更佳。要識破這個“騙局”只需要詢問數據取樣方法即可，需要細到具體的SQL邏輯。

2.樣本量不同

嚴格來說樣本量不同并不一定是故意欺騙，實踐中確實存在這種情況。(遇到這種情況可以用欠抽樣和過抽樣進行樣本平衡)樣本量不同分為兩種情況:

樣本量數量不同。比如要做效果差異對比，第一步是做效果比對，假如兩個數據樣本量分別是幾千和幾萬的級別，可比性就很小。尤其是對于樣本分布不均的情況下，數據結果可信度低。

樣本主體不同。這是非常嚴重的數據引導錯誤，通常存在于為了達到某種結果而故意選擇對結果有利的樣本。比如做品類推廣，一部分用戶推廣渠道為廣告，另一部分是CPS可以遇見相同費用下后者的效果必然更好。

相同樣本不同的客觀環境。比如做站內用戶體驗分析，除了用隨機A/B測試以外，其他所有測試方法都沒有完全相同的客觀環境，因此即使選的是相同樣本，不同時間由于用戶，網站本身等影響，可信度較低。

3.異常值處理欺騙

通常面對樣本時需要做整體數據觀察，以確認樣本數量、均值、極值、方差、標準差以及數據范圍等。其中的極值很可能是異常值，此時如何處理異常值會直接影響數據結果。比如某天的銷售數據中，可能存在異常下單或行單，導致品類銷售額和轉化率異常高。如果忽視該情況，結論就是利好的，但實際并非如此。通常我們會把異常值拿出來，單獨做文字說明，甚至會說明沒有異常值下的真實情況。

隱秘層次:★★★☆☆

破解方法:在跟數據分析師溝通中，多詢問他們在數據選取規則，處理方法上的方法，如果他們吞吞吐吐或答不上來，那很有可能是故意為之。同時，業務人員也要增強基本數據意識，不能被這種不可見的底層錯誤欺騙。

三、 意識上的欺騙

這種欺騙是等級最高也是最嚴重的欺騙和錯誤，通常存在于數據分析師在做數據之前就已經下結論，分析過程中只選取有利于證明其論斷的方法和材料，因此會在從數據選擇，處理，數據表現等各個方面進行事實上的扭曲，是嚴重的誤導行為！數據分析師需要有中立的立場，客觀的態度，任何有立場的分析師的結論都會失之偏頗。

隱秘層次:★★★★★

破解方法:在跟該分析師溝通中，查看其是否有明顯立場或態度，如果有，那么該警惕；然后通過上面的方法逐一驗證。
綜上，當你遇到以下數據情形，就需要警惕數據的真實性了:

數據報告從來不注明數據出處，數據時間，數據取樣規則，數據取得方法等?，F在市場上很多報告都屬于這一類。

數據報告在做市場調研中說明全樣本共1000，其中北京可能只有100，基于這100個樣本出來的結論顯然不可信。事實上很多市場研究報告就是這樣出來的。

數據報告中存在明顯的觀點，對于事物的分析只講其優勢或劣勢，不全面也不客觀?，F在很多互聯網分析師就是屬于這類，大家注意辨別。