从一张折线图开始：数据观察的四个笨办法

很多人第一次接触数据观察，是从一张折线图开始的。图表上有十二个点，代表某产品过去一年的月度活跃用户数。乍看曲线向上，但放大看，3月到4月有一个小回落，7月突然跳高。如果只盯着首尾两个点，很容易得出“全年平稳增长”的结论；但把中间的点连起来读，会发现增长其实集中在两个季度，其余月份几乎走平。数据观察的第一步，不是找结论，而是把图上的每个点看清楚。

观察走势时，最容易被忽略的是基期。2023年某地地铁日均客流量从年初的380万人次涨到年末的520万人次，涨幅约37%。但2022年同期基数偏低，如果拿2019年同期的650万人次做参照，所谓“增长”其实只是恢复。同一组数据，换一个基期，叙述方向完全不同。所以看到任何走势描述，先问一句：跟谁比？同比、环比、还是与历史峰值比？答案不同，判断就不同。

数据里总有异常值。某连锁便利店统计单店日销售额，平均数是1.2万元，但中位数只有0.9万元。原因是三家位于交通枢纽的店，日销售额常年超过5万元，把平均数拉高了。如果直接拿平均数去预测新店业绩，大概率会高估。处理异常值不是删掉它，而是标记出来，单独看它为什么异常。是位置特殊、促销活动，还是统计口径变了？标记比删除更有信息量。

预测是数据观察里最容易走偏的一步。2021年某机构根据前五个月的新能源车销量，线性外推全年销量，得出约240万辆。实际全年是352万辆。偏差来自两个地方：一是下半年政策补贴退坡前的集中释放，二是新车型上市带来的供给变化。线性预测在短期、平稳环境下有效，但一旦系统里有反馈回路，就会失灵。做预测时，不妨同时写下三个数字：乐观值、中性值、悲观值，并标注每个值对应的假设条件。

观察的颗粒度也很重要。把全国社会消费品零售总额按季度看，2023年各季度同比增速分别是5.8%、10.7%、4.2%和8.2%，波动明显。但如果拆成餐饮和商品零售两条线，会发现餐饮增速全年保持在10%以上，商品零售则在3%到8%之间摆动。颗粒度越细，越能看出结构差异。当然，拆得太细也会遇到样本量不足的问题，比如某个西部省份的月度数据只有几十亿，单月波动可能只是统计误差。找到合适的颗粒度，是观察者的基本功。

图表笔记的习惯，是每看一张图，写下三行字：这组数据覆盖什么范围、走势最明显的转折点在哪、如果下个月出新数据，我最想验证什么。举例来说，某电商平台2024年第一季度退货率从8.1%降到6.9%，转折点出现在2月中旬。如果下个月退货率继续下降，可能是品控改善；如果反弹，则更可能是春节因素。把预测和验证点写下来，观察就不再是浏览，而是一次小实验。

最后，数据观察不追求一次看透。它更像记账：今天记一笔，明天记一笔，时间长了，自然知道哪些数字正常、哪些数字反常。一张图看五分钟，写三行笔记，坚持三个月，比读十本方法论都管用。