數據分析的一些誤區

1.忽略沉默的數據

二戰時英國空軍為了降低飛機的損失，決定給飛機的機身進行裝甲加固。由于當時條件所限，只能用裝甲加固飛機上的少數部位。他們對執行完轟炸任務返航的飛機進行仔細的觀察、分析、統計。發現大多數的彈孔，都集中在飛機的機翼上；只有少數彈孔位于駕駛艙。從數據上說, 加固機翼的性價比最高. 但實際情況缺恰恰相反, 駕駛艙才是最應加固的地方, 因為駕駛艙被擊中的飛機幾乎都沒飛回來.
   "發聲"的數據是最好獲取的, 但如果沒把這些沉默的數據考慮進來, 那么這種數據分析是不靠譜的。
       在某些場合下，被你忽略的沉默信息，恰恰是關鍵信息。很多人會忽視這類關鍵的沉默信息，反而重視一些顯眼，但不關鍵的信息。
　　在上述這個例子里，很多人想當然地（先驗地）認為返航的轟炸機就是全部的樣本。當他們開始思索答案的時候，就已經把那些中彈墜毀的飛機忽略掉了。所以，最終得出了相反的結論。

2.把沉默用戶當作支持和反對的中間態
     兩家網站A和B，都經營類似的業務，都有穩定的用戶群。它們都進行了類似的網站界面改版。改版之后，網站A沒有得到用戶的贊揚，反而遭到很多用戶的臭罵；而網站B既沒有用戶夸它，也沒有用戶罵它。如果從數據來看, 應該是網站B的改版相對更成功, 因為沒有用戶表達不滿。但事實并非如此。網站A雖然遭到很多用戶痛罵，但說明還有很多用戶在乎它；對于網站B，用戶對它已經不關心它了.
    網站A指的是Facebook，網站B是微軟旗下的Live Space。

比如在管理方面，如果員工經常對公司的缺點提出批評，至少說明員工還比較在乎公司，希望公司能夠改進。比如在婚姻方面，如果夫妻倆經常吵架，說明情況還不是算糟糕。如果雙方連吵架都懶得吵，只剩下冷漠以對，那問題才真是嚴重了。

對于這類誤區的總結，重點就是一句話：愛的反面不是恨，是漠然。很多時候，沉默/漠然/冷漠，是比“恨”更糟糕的反應。千萬不要忽視了這種反應。

3.把數據作為決策的唯一標準
    通常認為數據分析指導工作是一種高性價比的做法, 不容易犯錯, 對于代表資方的管理層來說, 比起依賴于人的決策, 依賴于數據的決策似乎更穩健. 這種決策在從0.5向0.8的產品改進上, 可能是有效的. 因為一個已有的產品, 數據就擺在那. 100個用戶50個訪問超時, 解決了這個問題, 就提升了50%的效果.
但對于從0到0.1的新產品上, 由于數據很難獲取, 需要花大力氣在獲取模擬數據上. 往往是用一周時間去想明白一個做兩個小時的產品該不該做的問題. 而且模擬的結果還和最終實際相差很遠.
    A/B test或是原型系統, 先做出來, 再去驗證, 在一些場合下比先拿數據要有效的多.

4.認為數據是絕對客觀的
      數據本身是帶有主觀性的, 完全客觀的數據是沒有的. 數據的獲取方法, 數據的解讀方法, 數據的統計方法, 都是人的決策. 一份數據拿出兩個相反的結論來也不是沒有可能. 即使主觀上沒有偏向性, 也受限于方法和視野. 
     決策上最終起作用的還是人不是數據. 雖然人有那么多的不確定性, 還可能出現爭論, 扯皮, 不敢承擔責任.