别被平均数带偏：三个数据观察的教训

做数据观察这些年，我越来越怕看到报告里只放一个平均数。不是说平均值没用，而是它太容易让一个复杂的故事变得扁平，甚至完全颠倒。上个月帮一个朋友看他们线下门店的客流数据，全国平均到店人数是每天320人，看起来挺稳。但把门店按城市线级拆开，一线城市平均掉了12%，三线及以下涨了9%。如果只看总数，会得出“客流平稳”的结论，而实际上一线的团队已经在悄悄失血。平均数把两个方向相反的趋势对冲掉了，这就是最典型的平均值陷阱。

更隐蔽的一种情况，是辛普森悖论。去年我追踪过一个内容平台的数据，整体看，用户停留时长和广告曝光量是正相关的——曝光越多，停留越长。但按内容品类分组后，每个品类内部都是负相关：曝光多了，用户反而更快划走。原因在于，长视频品类天然停留长、曝光也多，把整体趋势拉成了正。这种反转在业务里很常见。比如一个App整体转化率在上升，分新老用户看，新用户转化涨了，老用户也涨了，但整体却跌了——因为低转化的新用户占比突然变大。遇到这种走势，别急着做预测，先把分组维度找出来。

双峰分布是另一个让我吃过亏的地方。前年分析一个工具类产品的使用时长，平均每天23分钟，团队觉得用户粘性还行。后来画了分布图，发现根本不是正态：一个峰在3到5分钟，另一个峰在50分钟以上。中间那段几乎是空的。这意味着什么？大部分人是偶尔打开查个东西就走，少部分重度用户把它当工作台。平均23分钟既不代表轻度用户，也不代表重度用户，它只代表一个不存在的“中间人”。如果按这个平均数去设计功能，两边都不讨好。后来他们拆成两条产品线，轻度用户做快捷入口，重度用户做工作流整合，次月留存才真正动起来。看数据，尤其是看用户行为数据，分布形态比均值重要得多。

还有一个老问题：幸存者偏差。我们能看到的数据，往往只是活下来的那一部分。比如你统计一个渠道的广告点击率，发现某个素材点击率高达8%，于是加大投放。但你不知道的是，这个素材在曝光不足100次的小号上跑出来的，大量曝光为0的样本根本没进报表。再比如，你分析付费用户的行为，发现他们平均每天打开App 6次，于是得出结论“多打开就会付费”。可那些打开次数更多但从未付费的用户，可能早就卸载了，根本没进入你的数据表。做趋势观察时，先问一句：这个数据里，谁被漏掉了？

那怎么办？我自己的习惯是，拿到任何一组数据，先做三件事。第一，不看均值看分位数。P50、P75、P90分别是什么，比平均数有信息量。如果P50和均值差很远，说明分布偏得厉害。第二，强制自己做至少一个分组。按地区、按新老、按渠道，哪怕按星期几，都可能看到不一样的东西。第三，找流失样本。每个环节的转化率，分母里包含了谁，分子里又少了谁。把这三步做完，再去看走势和预测，心里会踏实很多。

举个例子。之前看一个SaaS产品的月活跃数据，平均每个企业账号月活15人。听起来不错。分位数一看，P50只有4人，P90是60人。分组再看，100人以上的大客户贡献了绝大部分活跃，但这类客户只占账号总数的7%。更关键的是，过去半年新增账号里，小客户占比从60%涨到了82%，而小客户的P50活跃只有2人。这意味着，整体平均数被大客户撑着，但新增走势已经在往下走。如果只看平均数，会以为产品在稳步增长；拆开看，其实是结构在恶化。后来他们调整了获客策略，不再盲目追小客户数量，而是看激活率和留存。

平均值不是错，错的是把它当成唯一真相。数据观察做久了会发现，真正有用的信息往往藏在分布、分组和那些没被记录下来的样本里。每次看到“平均”两个字，不妨多问一句：谁被平均了？谁没被算进去？这两个问题，能帮你避开大多数陷阱。