数据会说谎：入门常见的四个误区

看数据的人常有一种错觉：数字不会骗人。但数字本身不说话，说话的是选数字、算数字、画图的人。同一组数据，换一个口径，走势可能完全掉头。入门阶段最容易踩的坑，往往不是算错，而是没意识到自己已经站在坑边上。

第一个误区是只看平均数。某公司公布员工月薪平均1.8万元，听起来不错。但如果十个人里有一个拿10万，其余九个拿1万，平均数照样是1.9万。这时候中位数只有1万，更能说明多数人的位置。平均数对极端值极其敏感，而很多业务数据恰恰是长尾分布——少数头部贡献大部分量。下次看到“平均”二字，先问一句：中位数是多少，最大和最小差多少。

第二个误区是把走势的短期波动当趋势。月度数据上下跳几下，太正常了。零售额受节假日影响，招聘量受毕业季影响，连气温都能让用电数据走出锯齿。有人看到连续两个月下滑就喊“拐点”，第三个月反弹又改口。判断走势，至少要看同比而非环比，再拉长到12个月以上。一条线画在图上，先数数它有几个完整周期，再谈方向。

第三个误区是混淆相关和因果。夏天冰淇淋销量和溺水人数同步上升，两者高度相关，但吃冰淇淋不会导致溺水，真正的原因是气温。数据里两列数字一起动，可能只是共同受第三个变量驱动。做预测时尤其要小心：把相关当因果，模型在训练集上好看，换个场景就崩。方法上可以多问一句——如果我把A去掉，B还会变吗？

第四个误区是只看见活下来的样本。二战时统计学家沃德研究战机弹孔分布，发现机翼中弹多、发动机中弹少，军方想加固机翼。沃德说，该加固的是发动机——因为发动机中弹的飞机根本没飞回来。这就是幸存者偏差。放到今天，看用户评价、看成功案例、看留存数据，都容易只统计“还在的人”。那些沉默流失的、没被记录的，才是观察里最容易被忽略的部分。

还有一个常被忽视的点：口径变了，数据就换了张脸。同一个指标，统计范围从“全国”改成“重点城市”，从“含税”改成“不含税”，走势可以瞬间反转。有团队曾把月度活跃用户从“登录过”改成“登录并产生一次操作”，数字直接掉三成。这不是造假，是定义不同。所以看任何数据前，先翻到脚注，把口径、时间范围、样本量确认一遍。

这些误区不要求你成为统计学家，只需要养成几个小习惯：看到平均数就找中位数，看到走势就问周期，看到相关就找第三变量，看到样本就想想谁不在场。数据是工具，观察是动作，预测是结果。工具越清楚边界，动作越不容易变形。入门阶段，少一点“数据说了算”，多一点“数据怎么来的”，往往比多学一个模型更有用。