大数据会说谎：看穿数据的真相

编辑导语：如今在这个大数据时代，我们的日常都被计算在其中，最常见的就是线上购物软件的算法，根据大数据对你停止标签化，推送你能够喜欢的商品；本文作者详细分析了大数据时代的双刃剑，我们一同来看一下。

最近接连复习了几本数据相关的书，作为数学系毕业的先生，虽然毕业多年都无缘从事数据相关的职业，基础的实际知识也基本化整为零，但我对数据不断都蛮感兴味的，在此也想分享下我的一些看法。

“一家公司宣布3003人持有该公司的股份，每人平均持有660股。”

乍一看，优秀优秀。

别急着鼓掌，这个令人惊叹的数据背后还有另一信息没有泄漏：“公司累计200万股股票，其中三大股东的股份占了3/4，而剩下的3000人总共持有的股份只占1/4“。

异样的，之前官方盛传的腾讯人均月薪7.18万，看起来能否也颇为可疑？

首先，这数据准确得让人吃惊；其次，未加阐明的平均数都是耍流氓；最后，即便你做了大样本调查，可支出作为敏感信息，免不了参杂虚报和瞒报的状况，可信度也要大打折扣——这种话题作为媒体的噱头听听就好，当真了可是要伤心的。

但理想上，人容易为数据痴迷。

先生的才能不好评价，但考试成绩和学位证书可以佐证，于是家长们力争下游地帮孩子报了补习班；了解一个生疏人很难，但冤家圈和Facebook提供了一个渠道，于是我们都执着于在网上塑造一个理想人设。

看吧，我们不断置身于大数据的热潮中。

我的大学冤家基本上都在从事大数据计算相关的职业，往常我们闲谈时，或多或少会感叹大数据给我们带来的双刃剑。

在充斥数据和算法的年代，终究是数据为我，还是我为数据？数据是不是就等于我们本人？这个命题太大，我只能随波逐流。

明天次要是想仔细讨论下，这么多年来，你我曾经堕入的数据圈套以及我们能采取的举动。

一、数据会说谎？

大数据是个好工具，尤其到了如今，它早已被放大了光环，给我们带来了诸多便利；你阅读过什么，对什么感兴味，引荐算法总是能精准地婚配你的口味（或者说，大数据定义了你的口味）。

当然，唱衰大数据的人也不少：“数据只是证明了不言而喻的理想。”不少人对此不屑一顾。

但是，我最近看到的几个案例，都不止一次地让我啼笑皆非：数据一次又一次地证明了很多我们想当然的揣测跟真实是不相符的。

你能够会以为，在暴力电影放映后的当天，那些有攻击性的年轻人会更易怒，犯罪率铁定会上升；但理想上，有经济学家经过数据分析，在电影结束后到次日的清晨，犯罪率持续在下降；一方面暴力电影让潜在的暴力人群分开了街头，另一方面由于影院几乎不供应酒类饮品，减少了酒精有关的犯罪活动。

大数据为人我们提供了一个新维度的视角，覆盖面较单一的意会更广，让我们对世界的认知也更平面了。

也正是由于如此，我在看一些调研报告的时分发现，这把双刃剑的另一面，终于还是现出了他的真面目。

1. 相关性而非因果性


大数据显示，某地某时段降落了多少只白天鹅，据此推断天鹅都是白的。

这显然太扯了，但你敢拍着胸脯保证本人没掉过这类圈套吗？

甚至有些时分，假如我们无法证明本人想要证明的东西，下看法地就会展现一些其他东西，并假装他们是一样的；毕竟如今统计数据让人美不胜收，几乎没人会察觉到其中的差别，不是吗？

说到这我也不得不反思，我难道没有过吗？掀开这层遮羞布，坦率说，不少状况下当我试图争取更多的权益和话语权时，不自觉地也使了这样的把戏。

运用“看似相关的数据”作为论据，要么是无意之失，要么就是惯用伎俩。

先生时代当我还对数学建模竞赛上心时，考题要求预测一个数值变化趋向，我当时就默默发现了一个“机密”，即/——给你一组数据，你可以运用任一种范式去找到一个看似好使的目的，但换一组数据，这个目的就失灵了；变量太多，你能实验的样本太少，于是你很容易发现这种假相关性，更别提你想基于这个相关性去推导因果性了。

退一步来说，即便我们经过一个人往常访问网站的内容，监察到他有了犯罪的冲动，那到底是抓他还是不抓他？假如我们不能保证本人是正义的，那么我们也不会在意本人能否罪恶。

有些人很擅长应用现有数据去预估接上去的数据变化，能够是多维度的观察，也能够是有了足够的数据样本；但是，数据会变，我们会变，假如你迷信数据而忽视本质，那么大数据就不能用于预测，只能预测有意会的预测。

重申一遍，大数据只能提供相关性，而非因果性；具有纯粹因果关系的事情很少，由于如今事物间的联络变得越来越复杂，影响要素有很多。真正的数据是工具，而非结论或缘由。

2. 数据太“薄”


人们总会错误地以为无论样本数量多么少，都能反映种族的特征。

我在读达莱尔·哈夫的《统计数据会说谎》时，书中提到一个经典的医疗实验：

一个地区的450名儿童注射了小儿麻木症疫苗，另有680名儿童作为对照没有接受注射；不久之后，该地区出现了传染病；注射过疫苗的儿童中没有一个患上小儿麻木症。

看到这，你能够要给出小儿麻木疫苗的有效性的结论了。

但，这个实验还有后续。理想上，对照组中也没有儿童患病！

纵观小儿麻木症的发病率，本来就比较低，这么大规模的群体中只能够出现两例患病者；因此，从一末尾这个实验就注定毫有意义；假如想获得任何有意义的结论，实验组需求用比这个群体多15~20倍的儿童做样本。

理想上，我们如今看到的很多市场调研报告，外面不乏经过小样本去给出均值结论的例子，比如我前两天看的90后消费人群分析：

“84%的90后有理财习气“；“34%的90后已购房“；“60%以上的90后将消费贷用于基本生活和休闲“……

然后我翻了下数据来源，样本是5000人，挺多的是不是？而90后据最新数据研讨已有3.62亿……

只要实验的样本数目足够庞大，平均数定律才是一个有用的描画或猜测。

二、看穿数据的真相

假如说前文展现的是目前普遍存在的数据行骗手腕，那么接上去我们一同来试着看下如何去看穿数据的真相，避免被一些似是而非的东西所迷惑；毕竟“骗子”都曾经纯熟掌握了这些诡计，老实人又怎能不学点防御之术呢？

《统计数据会说谎》里给我提供了一个很好的思绪，下次当我们接触到一些数据时，不妨提出4个成绩试试：

1. 是谁这么说，他怎样知道？


这个结论怎样来的？找到无看法和无看法的偏向。

比如你在机场分发消费问卷调查，那你能够就犯了选择误差，由于坐飞机的人相对而言比普通人更富有些，消费程度自然会高一些。

又或者，你发现某个屋子里人均身高偏高，然后打开门一看，姚明坐那呢；你选择的样本里有过高或过低的数据，样本不平均，就会出现这类错误。

当然还有一种能够，你为了使本人拿到有利的结论，选对本人有利的数据，改变衡量的标准，再运用不恰当的测算方式；比如明明是中位数更能阐明成绩，却运用了均值来计算，最后再用“平均数”来掩盖理想真相。

这些你能想到的伎俩，别人当然也能。

2. 漏掉了什么？


在我们阅读分析报告时，大多数状况下我们无法得知样本中包含了多少案例；能看到的就是一张张绘制完美的图表，配上铿锵有力的结论，看起来多么令人服气。

但是，假如缺乏可信的测算方式，比如概率误差、标准误差的检验，那么可信度就要大打折扣了。

尤其要留心那些未加阐明的平均数，由于无论在什么时分，均值和中位数都有着本质的差别。

一份报告曾指出“过去25年内因癌症死亡的人数大幅增长”，很吓人对不对？

但我们都知道，以前那些“缘由不明”的病症如今都被确诊为癌症，这是其一；此外尸体解剖愈加频繁，诊断也就更为确切；如古人均寿命延伸，因此更多人会活到容易患癌症的年龄；最后，报告给出的数据应该是死亡总人数而非死亡率——毕竟如今的人口总数比以前要多。

3. 偷换概念了吗？


搞乱因果关系，拿词义做文章，都是偷换概念的方式。

早在前几年，人们普遍以为女博士的婚育年龄普遍较学历较低的女性会更大，女博士里的剩女比例也更高；后来“剩女”一词被人诟病后，如今被冠以“单身贵族”的头衔，听起来似乎还蛮前卫的？

这算是很分明的偷换概念了，本质上想传达的观点并没有变化；而更多时分，在更为专业的范畴，遇到偷换概念的场合，你我能够并不能一眼辨认。

4. 这能否合乎道理？


那么，终究要怎样做才能不被毫有意义的结论捉弄？你总不能指望每个人都成为统计学家，亲身分析数据吧？

反其道而行，你要去捕捉没有被泄漏的数据，留心这部分的数据，就能看穿这种别有用心的手腕。

此外，截止到目前为止的趋向或许是理想，但将来的趋向不过是我们的猜测；你不能拿现有的趋向直接去臆测将来的趋向，毕竟一切的事情不会原封不动。

比如说如今有个旧事是这么报道的：在大雾天气的一周内，某地区的死亡人数猛增至2800人……

细心想下，这一周内死亡率比往常高这么多难道不是例外吗？一切的事情都处在变化之中。往下看，随后几周状况如何？死亡率降至平均程度以下，能否意味着大雾中死去的人本来就已不久于人世？

看吧，这个数据的确让人印象深入，但由于没有其他数据可以对比，所以这个数据也变得没什么意义。

三、数据是把双刃剑

写这篇文有点杀敌一万自损八千的感觉，前文提到的数据圈套，无论是假相关性、乱因果性，还是拿着薄数据去佐证对本人有利的观点；这些我曾经堕入的圈套，异样也在某些时辰成为了我“行骗”的工具。

终究要怎样去用数据呢？我已许久没系统性地做过数据发掘和统计分析，但我置信大数据广阔的运用前景，也在大数据给出的相关性规律里获益匪浅；我也在反思，在数据至上的时代，我是不是过少地发现它的局限性，过分地依赖它给的结论。

至于那些拿大数据用以评判个人、组织乃至社会，特别是关乎兽性选择、生杀进退的大事，我们能否又能接受这些冰冷的数据浇灭人情的热度？

一同拭目以待吧。

再次强推最近读完的这三本书，给了我对于数据和认知上更多的启示：

赛思·斯蒂芬斯：《人人都在说谎：光秃秃的数据真相》斯科特·佩奇《多样性红利》达莱尔·哈夫《统计数据会说谎》

#专栏作家#


林壮壮，微信公众号：健壮的大姐姐（ID: is_strong），人人都是产品经理专栏作家。腾讯高级产品经理，专注于To B服务项目管理和行业分析，欢迎各路好汉一同讨论。

本文原创发布于人人都是产品经理。未经答应，制止转载

题图来自pexels，基于CC0协议

分享了

呵呵。。。

来啊，互相伤害啊

加油！不要理那些键盘侠！