大数据会说谎:看穿数据的真相

1 评论 6191 浏览 6 收藏 16 分钟

编辑导语:如今在这个大数据时代,我们的日常都被计算在其中,最常见的就是线上购物软件的算法,根据大数据对你进行标签化,推送你可能喜欢的商品;本文作者详细分析了大数据时代的双刃剑,我们一起来看一下。

最近接连温习了几本数据相关的书,作为数学系毕业的学生,虽然毕业多年都无缘从事数据相关的职业,基础的理论知识也基本化整为零,但我对数据一直都蛮感兴趣的,在此也想分享下我的一些看法。

“一家公司宣布3003人持有该公司的股份,每人平均持有660股。”

乍一看,优秀优秀。

别急着鼓掌,这个令人惊叹的数据背后还有另一信息没有透露:“公司累计200万股股票,其中三大股东的股份占了3/4,而剩下的3000人总共持有的股份只占1/4“。

同样的,之前民间盛传的腾讯人均月薪7.18万,看起来是否也颇为可疑?

首先,这数据精确得让人吃惊;其次,未加说明的平均数都是耍流氓;最后,即便你做了大样本调查,可收入作为敏感信息,免不了参杂虚报和瞒报的情况,可信度也要大打折扣——这种话题作为媒体的噱头听听就好,当真了可是要伤心的。

但事实上,人容易为数据痴迷。

学生的能力不好评估,但考试成绩和学位证书可以佐证,于是家长们争先恐后地帮孩子报了补习班;了解一个陌生人很难,但朋友圈和Facebook提供了一个渠道,于是我们都执着于在网上塑造一个理想人设。

看吧,我们一直置身于大数据的热潮中。

我的大学朋友基本上都在从事大数据计算相关的职业,平常我们闲聊时,或多或少会感叹大数据给我们带来的双刃剑。

在充斥数据和算法的年代,究竟是数据为我,还是我为数据?数据是不是就等于我们自己?这个命题太大,我只能随波逐流。

今天主要是想认真探讨下,这么多年来,你我曾经陷入的数据陷阱以及我们能采取的行动。

一、数据会说谎?

大数据是个好工具,尤其到了现在,它早已被放大了光环,给我们带来了诸多便利;你浏览过什么,对什么感兴趣,推荐算法总是能精准地匹配你的口味(或者说,大数据定义了你的口味)。

当然,唱衰大数据的人也不少:“数据只是证实了显而易见的事实。”不少人对此不屑一顾。

然而,我最近看到的几个案例,都不止一次地让我啼笑皆非:数据一次又一次地证明了很多我们想当然的推测跟真实是不相符的。

你可能会认为,在暴力电影放映后的当天,那些有攻击性的年轻人会更易怒,犯罪率铁定会上升;但事实上,有经济学家通过数据分析,在电影结束后到次日的凌晨,犯罪率持续在下降;一方面暴力电影让潜在的暴力人群离开了街头,另一方面由于影院几乎不供应酒类饮品,减少了酒精有关的犯罪活动。

大数据为人我们提供了一个新维度的视角,覆盖面较单一的意会更广,让我们对世界的认知也更立体了。

也正是因为如此,我在看一些调研报告的时候发现,这把双刃剑的另一面,终于还是现出了他的真面目。

1. 相关性而非因果性

大数据显示,某地某时段起飞了多少只白天鹅,据此推断天鹅都是白的。

这显然太扯了,但你敢拍着胸脯保证自己没掉过这类圈套吗?

甚至有些时候,如果我们无法证明自己想要证明的东西,下意识地就会展示一些其他东西,并假装他们是一样的;毕竟现在统计数据让人目不暇接,几乎没人会察觉到其中的差别,不是吗?

说到这我也不得不反思,我难道没有过吗?掀开这层遮羞布,坦白说,不少情况下当我试图争取更多的权益和话语权时,不自觉地也使了这样的把戏。

运用“看似相关的数据”作为论据,要么是无心之失,要么就是惯用伎俩。

学生时代当我还对数学建模竞赛上心时,考题要求预测一个数值变化趋势,我当时就默默发现了一个“秘密”,即/——给你一组数据,你可以使用任一种范式去找到一个看似好使的指标,但换一组数据,这个指标就失灵了;变量太多,你能试验的样本太少,于是你很容易发现这种假相关性,更别提你想基于这个相关性去推导因果性了。

退一步来说,即便我们通过一个人平常访问网站的内容,监察到他有了犯罪的冲动,那到底是抓他还是不抓他?如果我们不能保证自己是正义的,那么我们也不会在意自己是否邪恶。

有些人很擅长利用现有数据去预估接下来的数据变化,可能是多维度的观察,也可能是有了足够的数据样本;但是,数据会变,我们会变,如果你迷信数据而忽视本质,那么大数据就不能用于预测,只能预测有意会的预测。

重申一遍,大数据只能提供相关性,而非因果性;具有纯粹因果关系的事情很少,因为现在事物间的联系变得越来越复杂,影响因素有很多。真正的数据是工具,而非结论或原因。

2. 数据太“薄”

人们总会错误地认为无论样本数量多么少,都能反映种族的特征。

我在读达莱尔·哈夫的《统计数据会说谎》时,书中提到一个经典的医疗实验:

一个地区的450名儿童注射了小儿麻痹症疫苗,另有680名儿童作为对照没有接受注射;不久之后,该地区出现了传染病;注射过疫苗的儿童中没有一个患上小儿麻痹症。

看到这,你可能要给出小儿麻痹疫苗的有效性的结论了。

但,这个实验还有后续。事实上,对照组中也没有儿童患病!

纵观小儿麻痹症的发病率,本来就比较低,这么大规模的群体中只可能出现两例患病者;因此,从一开始这个实验就注定毫无意义;如果想获得任何有意义的结论,实验组需要用比这个群体多15~20倍的儿童做样本。

事实上,我们现在看到的很多市场调研报告,里面不乏通过小样本去给出均值结论的例子,比如我前两天看的90后消费人群分析:

  • “84%的90后有理财习惯“;
  • “34%的90后已购房“;
  • “60%以上的90后将消费贷用于基本生活和休闲“……

然后我翻了下数据来源,样本是5000人,挺多的是不是?而90后据最新数据研究已有3.62亿……

只有试验的样本数目足够庞大,平均数定律才是一个有用的描述或猜测。

二、看穿数据的真相

如果说前文展现的是目前普遍存在的数据行骗手段,那么接下来我们一起来试着看下如何去看穿数据的真相,避免被一些似是而非的东西所迷惑;毕竟“骗子”都已经熟练掌握了这些诡计,老实人又怎能不学点防御之术呢?

《统计数据会说谎》里给我提供了一个很好的思路,下次当我们接触到一些数据时,不妨提出4个问题试试:

1. 是谁这么说,他怎么知道?

这个结论怎么来的?找到有意识和无意识的偏差。

比如你在机场分发消费问卷调查,那你可能就犯了选择误差,因为坐飞机的人相对而言比一般人更富裕些,消费水平自然会高一些。

又或者,你发现某个屋子里人均身高偏高,然后打开门一看,姚明坐那呢;你选择的样本里有过高或过低的数据,样本不平均,就会出现这类错误。

当然还有一种可能,你为了使自己拿到有利的结论,选对自己有利的数据,改变衡量的标准,再使用不恰当的测算方式;比如明明是中位数更能说明问题,却使用了均值来计算,最后再用“平均数”来掩盖事实真相。

这些你能想到的伎俩,别人当然也能。

2. 漏掉了什么?

在我们阅读分析报告时,大多数情况下我们无法得知样本中包含了多少案例;能看到的就是一张张绘制完美的图表,配上铿锵有力的结论,看起来多么令人信服。

然而,如果缺乏可信的测算方式,比如概率误差、标准误差的检验,那么可信度就要大打折扣了。

尤其要留心那些未加说明的平均数,因为无论在什么时候,均值和中位数都有着本质的差别。

一份报告曾指出“过去25年内因癌症死亡的人数大幅增长”,很吓人对不对?

但我们都知道,以前那些“原因不明”的病症现在都被确诊为癌症,这是其一;此外尸体解剖更加频繁,诊断也就更为确切;现在人均寿命延长,因此更多人会活到容易患癌症的年龄;最后,报告给出的数据应该是死亡总人数而非死亡率——毕竟现在的人口总数比以前要多。

3. 偷换概念了吗?

搞乱因果关系,拿词义做文章,都是偷换概念的方式。

早在前几年,人们普遍认为女博士的婚育年龄普遍较学历较低的女性会更大,女博士里的剩女比例也更高;后来“剩女”一词被人诟病后,现在被冠以“单身贵族”的头衔,听起来似乎还蛮前卫的?

这算是很明显的偷换概念了,本质上想传达的观点并没有变化;而更多时候,在更为专业的领域,遇到偷换概念的场合,你我可能并不能一眼识别。

4. 这是否合乎情理?

那么,究竟要怎样做才能不被毫无意义的结论愚弄?你总不能指望每个人都成为统计学家,亲自分析数据吧?

反其道而行,你要去捕捉没有被透露的数据,留心这部分的数据,就能看穿这种别有用心的手段。

此外,截止到目前为止的趋势或许是事实,但未来的趋势不过是我们的猜测;你不能拿现有的趋势直接去臆测未来的趋势,毕竟所有的事情不会一成不变。

比如说现在有个新闻是这么报道的:在大雾天气的一周内,某地区的死亡人数猛增至2800人……

仔细想下,这一周内死亡率比平时高这么多难道不是例外吗?所有的事情都处在变化之中。往下看,随后几周情况如何?死亡率降至平均水平以下,是否意味着大雾中死去的人本来就已不久于人世?

看吧,这个数据的确让人印象深刻,但由于没有其他数据可以对比,所以这个数据也变得没什么意义。

三、数据是把双刃剑

写这篇文有点杀敌一万自损八千的感觉,前文提到的数据陷阱,无论是假相关性、乱因果性,还是拿着薄数据去佐证对自己有利的观点;这些我曾经陷入的圈套,同样也在某些时刻成为了我“行骗”的工具。

究竟要怎么去用数据呢?我已许久没系统性地做过数据挖掘和统计分析,但我相信大数据广阔的应用前景,也在大数据给出的相关性规律里获益匪浅;我也在反思,在数据至上的时代,我是不是过少地发现它的局限性,过分地依赖它给的结论。

至于那些拿大数据用以评判个人、组织乃至社会,特别是关乎人性抉择、生杀进退的大事,我们是否又能接受这些冰冷的数据浇灭人情的热度?

一起拭目以待吧。

再次强推最近读完的这三本书,给了我对于数据和认知上更多的启发:

  • 赛思·斯蒂芬斯:《人人都在说谎:赤裸裸的数据真相》
  • 斯科特·佩奇《多样性红利》
  • 达莱尔·哈夫《统计数据会说谎》

#专栏作家#

林壮壮,微信公众号:健壮的大姐姐(ID: is_strong),人人都是产品经理专栏作家。腾讯高级产品经理,专注于To B服务项目管理和行业分析,欢迎各路好汉一起探讨。

本文原创发布于人人都是产品经理。未经许可,禁止转载

题图来自pexels,基于CC0协议

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 这些问题在《思考快与慢》中都有出现!这个有没有可能是数据本身没有任何偏好,有偏好的是人的主动选择。人主动选择造成了数据在说谎!

    回复