@精英打工人们
点击上方蓝字关注我们
在这个万物皆可数据化的时代，“数据驱动”成了各行各业的万能标语，数据分析能力也几乎成为各个岗位的标配。打开任意一个岗位的JD，无论数据分析、商业分析、产品、运营、市场，甚至是HR，你都能看到一句似曾相识的要求：具备数据敏感度。但究竟什么是“数据敏感度”？
有人觉得“数据敏感度”就是会用SQL、Excel、Python，但工具熟练不等于敏感，很多人只是机械地取数、清洗、计算，却依然不懂数据背后的意义，甚至被数据欺骗。
有人以为懂统计分析就是数据敏感，可现实往往是即便用尽回归分析、聚类模型，结论却依然漏洞百出。
01
在我看来，真正的数据敏感不在于工具用得有多溜，数据报表做得多漂亮，而是利用数据洞察商业的敏感性，透过数据看到商业运作的本质、利益博弈和人性暗流，能用冰冷的数字洞察火热的商机，在客观的数据里发现主观的博弈点，在确定的统计中预见不确定的趋势。
你会发现，数据是客观的、理性的、定量的，而商业是主观的、直觉的、定性的。数据敏感度完美融合了主观客观、直觉理性、定性定量，是打通“客观数据”与“主观商业逻辑”的能力，是用数据洞察商业甚至生活的艺术和智慧。
这种敏感度主要体现在三个方面，而这三点恰恰是大部分人最容易栽跟头的地方。
1. 不被表面数字迷惑，能看破数据里的谎言
比如，某个管理者向老板汇报道：“我们产品的整体均价由去年的333元提升至今年的800元，我们的高端品牌化策略非常成功”。
很多老板会认为这个管理者能力非常强。但实际上呢，数据显示所有产品线的均价都在下降，高端化策略是失败的。因为高端机降价销售，导致其占比大幅提升，拉升了整体均价。
这个管理者在用数据欺骗老板，他聪明地利用了辛普森悖论。
2. 不以偏概全，能看到别人看不见的数据，揪出“隐形数据”，知道哪些数据被藏起来了
比如，某网红创业导师对外宣传道：“我们的学员3个月变现50万”。
很多人就认为这个创业导师太厉害了。但实际上呢，他招收了1000个学员，这是1000人中唯一的成功案例，而且这个学员本身就有很好的资源，可能不报这个导师的课程，他也能成功。
这个创业导师在用数据欺骗学员，他聪明地利用了幸存者偏差。
3. 预见趋势，预测不确定，哪怕情况不明朗、数据不完整，也能在不确定和不完整中做出靠谱的预测和判断
比如，某个管理者向老板汇报道：“新剧A首周观看量一般，所以我们不能追加营销预算了”。
很多老板就认为这个剧是失败的，停止预算投入了。但实际上呢，该剧用户观看完成率达90%以上， 社交媒体自发讨论量激增，如果追加预算，很可能成为爆款。
这个管理者明显缺乏预测思维，不会利用贝叶斯定理。
接下来，我们详细介绍统计学最经典的三个理论：辛普森悖论、幸存者偏差、贝叶斯定理。
02
1. 辛普森悖论是什么
当数据整体呈现某种趋势时，分组后却呈现出完全相反的结果。举个更具体的例子：实验高中和卓越高中比拼升学率。
整体升学率：实验高中75%：卓越高中70% ，结果实验高中胜。
但是拆开文理科看细节：
理科班升学率：实验高中87.5%：卓越高中90% ，结果卓越高中胜。
文科班升学率：实验高中25%：卓越高中50% ，结果卓越高中胜。
结果是不是很神奇？整体升学率的赢家是实验高中，但是分文理科后，实验高中全部输给卓越高中！这就是辛普森悖论。
为什么数据会说谎？辛普森悖论的根源在于分层变量（比如文理科）未被合理控制，不同分析对象在分析维度上的比例结构有差别。
2. 如何破解辛普森悖论
辛普森悖论往往出现在数据分组和合并时产生了"隐藏变量"，导致结论相反。要破解它，有两个关键点。
（1）找隐藏变量
数据合并后的结论与分组的结论相反？那么一定有个隐藏因素在作怪！比如，升学率问题可能是"文理科占比不同"导致。所以，在数据分组合并时，一定要警惕是不是漏了某个影响因素。
（2）分层分析
看数据时，不要只看整体平均值，而是按影响因素分组对比！比如，升学率分开文理科计算；薪资统计分岗位级别对比。
所以，当下次再有人说整体数据这样好那样好的时候，一定要记得问问分组数据怎么样！
03
很多人往往也会利用幸存者偏差来掩盖真相和失败，比如上文我们提到的，用片面的成功来掩盖整体的失败。
1. 什么是幸存者偏差
二战时期，盟军司令部面对一个生死攸关的抉择：如何优化轰炸机的装甲配置以最大限度降低战损率？当时呈现了两组截然不同的分析报告：
军方技术部门通过检查返航飞机发现：机翼中弹最多，机尾中弹最少，因此建议优先加固中弹频率最高的机翼部位。
统计学家沃德教授认为军方样本存在严重偏差，只记录了"幸存"的飞机，而忽略了没有回来的飞机，因此他提出了颠覆性见解：加强机尾部位的防护。他认为：
机翼多次中弹仍能返航，证明此处非关键部位。
机尾中弹率低，并不是因为这里不容易中弹，而是因为这里只要被打中，飞机就坠毁了，恰恰说明机尾是个致命区域。
"幸存者偏差"揭示了一个认知陷阱：我们往往过于关注"显性证据"，而忽略了那些沉默的关键数据。阵亡者的故事永远埋藏在战场的硝烟里，而幸存者的伤痕却在误导我们的判断。
幸存者偏差在商业分析和日常生活中，屡见不鲜。比如：
分析师研究“成功企业”的共同特质：创新、狼性文化、扁平化管理，其实这些结论可能毫无价值。因为他们忽略了一个关键群体——那些采用相同策略却倒闭的公司。
投资人研究“牛股”时，往往遗漏了大量用相同策略却暴跌的股票。
产品经理分析“高留存用户”时，却无视了沉默的流失用户。
2. 如何破解幸存者偏差
破解幸存者偏差，主要有两个方法。
看数据要全面，主动寻找“失败数据”，不仅要看成功案例，更要研究失败样本。
警惕“选择性呈现”，当别人给你看的数据非常完美时，一定要记得追问数据的完整分布，他可能只截取了片段数据。
所以，当下次再有人说成功的、完美的数据时，一定要记得问问样本是什么，分母是什么，有没有失败数据。
04
不确定和不完整已经是常态，很多人要么认为事情无法预测、不可控，要么做出片面的、错误的决策。
其实，不确定、不完整并不代表完全不可预测，也不代表做出不靠谱的决策。相反，我们可以借助贝叶斯定理，用已有的信息，不断动态调整，去做预测，去降低不确定性，去提升决策的准确率。
1. 什么是贝叶斯定理
贝叶斯定理，就是一种预测思维，帮助我们从已有的经验和信息中去预测未知事件发生的概率。即如何结合过去的经验（即先验概率）和新信息，通过动态调整的方法（调整因子），一步步预测出某个事件的发生概率（后验概率），从而做出正确的决策。
其根本思想是：后验概率=先验概率×调整因子。
通俗地解释一下，当我们对一个未知或者不确定的事情做决策时，我们内心都没有准确的答案。但我们每个人都会基于过去的经验对这个事情有一个基本的认知，给出一个初始的判断，这就是“先验概率”。之后，通过获取的新信息，去调整对初始判断的认知，称之为“调整因子”。最后，通过调整因子对先验概率的调整就会预测出最终的概率，称之为“后验概率”，并据此做出最终的决策。
2. 如何使用贝叶斯定理做决策
举个生活中的例子，用贝叶斯定理找对象，假设你遇到一个“看起来不错”的男生小李。
（1）初始判断：先验概率
通过颜值、聊天等因素，你做出判断，小李适合你的概率是60%，这就是先验概率。
（2）调整你的初始判断：调整因子
接下来，你与小李约会了两次，这两次调整了你对他的初始判断。
第一次约会：
小李主动买单：先验概率×调整因子1.2。
发现小李有点大男子主义：先验概率×调整因子0.6。
因此，第一次约会后更新概率 = 60% × 1.2 × 0.6 ≈ 43%。
第二次约会：
发现他尊重你的职业规划：更新概率×调整因子1.5。
发现他前任很多，且对感情态度模糊：更新概率×调整因子0.7。
因此，第二次约会后更新概率 = 43% × 1.5 × 0.7 ≈ 45%。
（3）做出判断：后验概率
最终，你得出结论，尽管对小李的初始好感度较高（适合概率60%），但经过后期的约会相处后，你调整了对他的认知和判断，发现适合概率只有45%，做出判断小李可能不适合长期发展。
更多产品和课程，可扫描下方二维码进入我们的店铺了解详情。
扫描二维码
了解产品信息
点击“阅读原文”，了解详情。