隨著（zhe）數據積累（lèi）得越來越（yuè）多，數據獲取成本不斷（duàn）降低，人們開始走向另一個（gè）危險的極端，那就是任何事情都要看數據，任何決定（dìng）都去依賴（lài）數據。這種風（fēng）氣培養出了越來越多的“數據呆”。作為一個數據分析師，我（wǒ）是非常反對“唯數據論”的（de）。為什麽呢？讓我詳（xiáng）細（xì）地來說一說。
數據庫並（bìng）不能（néng）記錄一切
你覺得，通過（guò）數據庫中的記錄，你能夠充分了解你的業（yè）務嗎？答案是否定的（de）。說（shuō）白了，數據庫隻（zhī）是記錄（lù）了發生在業務鏈條上的（de）行為，但行為的結果並不代表業（yè）務的全（quán）部。舉個例子，通（tōng）過（guò）用戶的使用行為數（shù）據，我（wǒ）們就能知道用戶的體驗嗎？答案是不能，我們隻是根據用戶的“行為結（jié）果”去（qù）猜測他使用體驗的好壞。真正的用戶感覺，在他們的心理（lǐ），許多時候，不會通過（guò）既定的使用路徑和產品功能提現出來。
那麽，數據庫不能記錄的信息，怎麽獲取呢？答案其實很簡單，通過外部（bù）手（shǒu）段，創造條件去獲取。概括為“調查”和“實驗”兩個（gè）詞。比（bǐ）如（rú）用戶體驗不能量化的問題，直接問不就好了？調查分為訪談和問卷調查（chá）兩個方式，每種方式都需要落地成可量化的結果（guǒ）。問卷調查建議規律性地（dì）長期進行，連續收集的數據在時間（jiān）維度上可比，價值（zhí）遠遠大於單次的問卷調查。實驗的（de）方式在第四章中有所（suǒ）論述，它正是一種創造數據（jù）的手段。通過（guò）實驗組和對照組（zǔ），創造出一個對比的條件，進而量化（huà）出差異，最終形（xíng）成可靠的判斷。
不可能分離多重因素影響
我們在運營當中最容易犯的錯誤就是試（shì）圖用一個“宏觀指標”的（de）變化來評估某個細節動作（策略的改變、產品（pǐn）的改變或者活動的改變）的影響。做這件事情好比買彩票，幸運的時候，某個運營動作（zuò）對業務的影響非常大，那麽從指標中能（néng）反映出（chū）來。但絕大多數時（shí）候，不管是策略（luè）的變更（gèng）還是產品的改進，對業務全局的影響都是有限的，宏觀指標（往往是KPI）的變化並不敏感。真正要做的是就事論事，根據具體的行動，去定義一個信（xìn）度和效度（dù）高（gāo）的指標（biāo）。
另一個角度，業務指標的變動往往是多種運營動（dòng）作（zuò）共同施加的結果，這種影響並不能簡簡單單的分解為“A+B+C+…”或者“A*B*C*…”。有些因素疊加可能相互放大影響，有些則可能（néng）相互抑製，宏觀指標隻是（shì）這眾多影響的結果，內部的（de）影響機製是（shì）黑箱。極（jí）端點說，不可能將每個因素的影響都分離（lí）出來。
那麽怎麽辦呢？怎樣（yàng）能衡量具體某個運（yùn）營動作帶來的影響呢？答案（àn）就是實驗，也隻有（yǒu）實驗。就是通常所講的AB測試。實驗中，運營動作施予對象必須分為實驗組和對照組，實驗組（zǔ）和對照組唯一的不同，就是實驗組被施予了運營動作，而對照組沒有。隻有這樣，觀察實驗組（zǔ）與對照組的指標差（chà）異（方差分析或者DID），我們才有可能去量化某個運營動作的影響。
數據不（bú）能替代邏輯（jí）推理
一個邏（luó）輯混（hún）亂的（de）人，給（gěi）他再多的數據，也不會得出正確的結（jié）論。能否形成正（zhèng）確的判斷和合理的決策，很大程（chéng）度（dù）上並（bìng）不是數據的多少，數據足夠（信息充（chōng）分）就（jiù）可以了。很多時候，我們真正要鍛煉（liàn）的是自己的分析問題的能（néng）力，或（huò）者（zhě）說邏輯思維能（néng）力。尤其是在“根據數（shù）據變化查找問（wèn）題”這樣的場景中。
要對這一點有深刻（kè）的理解，希望大家讀我的《數（shù）據驅（qū）動決策的13種思維方式》。你是不是一個明智的決策者，並不在於你手頭有多少的數據，而在於你能否從數（shù）據中正確（què）地解讀（dú）信息。需要提醒各位的是，當數據（jù）達（dá）到一定的量後，數據越多，往往數據質（zhì）量（liàng）越差，你犯（fàn）錯（cuò）的可（kě）能性（xìng）越大。你是否記起了本書第一章最後部分，數據圖中指標數量與混淆概率的關係了？
預測（cè）的根基（jī）未必牢固
數據分析工（gōng）作，很大一部分是為了“預測”。所有預測模型的“根基”都是“通過過去（qù）發生的事來預（yù）知將來的事”。說（shuō）得更玄乎一（yī）點，就是“曆史是會重演的”。但這個基（jī）本邏輯靠得住嗎？
從（cóng）我的個人經曆來（lái）說，許多時（shí）候是靠不住的。這也是（shì）我在工作中很少進行預測型建模的原因。在我（wǒ）所處的互聯網行（háng）業，業務變化非常快。一個“政策”的（de）決定，往往造成各項業（yè）務數據的巨變。經常是“一（yī）夜回（huí）到解放前”或（huò）者“一（yī）晚跨入新時（shí）代”。在這種背景下（xià），重要（yào）的不是去對某個指標進行預測，而是理解業務背後最根本的商業邏輯（商業模式）。若一個商業邏輯被證明是有效（xiào）的，那麽（me）它在相當長的一段時間內（nèi）不會變化，那麽你就能獲（huò）得一些“定（dìng）性”的預測能力，這就足夠了。
大多（duō）數（shù）人會因數據而變傻
為什麽這麽說呢？在我的工作經曆中，大多（duō）數的管理（lǐ）層，都會因為數（shù）據資源的豐富而或多或少地放棄思考。放棄思考意（yì）味著變傻，難道不是嗎？許多人，自身因為長期業務經驗（yàn）的積累，其實是有很好的直覺的。而現在，卻被（bèi）一個不熟（shú）悉業務，隻會從數據（jù）庫中做些統（tǒng）計的所謂數據（jù）分析師牽著（zhe）鼻子走。實在是“可歌可泣”。許多（duō）人過分地依賴數據統計了。這個現象是值得警覺的。
曾經有一位（wèi）學者告訴我，數據分析使人短視甚至盲目。開始我不（bú）以為意，但之後越來越（yuè）覺得這話有道理。為什麽呢？現實情況是，許多（duō）人有（yǒu）了數據資（zī）源後（hòu），放棄了最基本的商業思考，不斷地去統計（jì）數據，不斷地去提（tí）“幫我查一下這個數字，幫我看一下那（nà）個數字”這樣的需求。失去了思考的深度，非常危險。
我覺（jiào）得，真正的（de）數（shù）據分析（業務分析），應該有很高的（de）門檻。這個門檻並不來自於分析方法的應用，而來自於對業務的理解。隻（zhī）有對（duì）業務有深刻的理解，才能將分析方法（fǎ）用（yòng）對地（dì）方，才能正確地（dì）解讀信息，獲得結論。
所以，許多深耕在業務中的管理者，不需要因為數據資源的爆（bào）炸而驚慌失措，真正有（yǒu）價（jià）值的東西在（zài）你們經驗裏，隻需要有一個量化的出口，你才是那個將數據價值發揮到最大的人。
那麽問題來了，如何做到不（bú）因數據而變（biàn）傻呢？我沒有答案。我認（rèn）為在（zài）未來，不應該（gāi）有（yǒu）數據分析（xī）師這個職業，而應該是所有決策者都懂得“分析數據（jù）”。這（zhè）實際上是寫作本書最深層的一個目的。當所有決（jué）策者都能正確地獲取（qǔ）數據、合適地（dì）應用分析方法，得出可靠（kào）的（de）結論時，我們的（de）商（shāng）業將進入一個新的階段，商業智能才真（zhēn）正落（luò）地。
最後，我還是想強調（diào），任何人在應用（yòng）數據（jù）前，都要記（jì）住這（zhè）樣一句（jù）話：“對業務的理解和思考，永遠高於分析技術的選擇”。
