先说案例:
有两个广告素材A和B，测试哪一个更能吸引用户转化，评价指标是转化率。(转换率=转换次数/曝光次数)
为了保证实验的公平性，他们都设置了相同的预算，都是中午12点开始，然后晚上12点同时关门。
跑了半天，两组广告基本都花光了预算，发现:
共曝光6500次，转化用户70人，转化率1.077%；
b共曝光6200次，也转化了70个用户，转化率1.129%；
****商小李看到结果后，认为B料的转化率更高。
这时候营销总监老王说:到目前为止，我更愿意相信A更高。
小李一脸惊愕，问，为什么？
王老喝了一口星巴克，解释道:即使是同一个广告，在不同的时间段也会有不同的转化率。一般来说，下午的转化率比晚上低，因为大部分人白天都有事，不容易被转化。晚上大家都有空，比较容易被转化。
小李又问:你说的没错，但是和这个发射实验有什么关系？
老王继续:我刚从后台看了一下素材量——素材A下午转化为50个素材，曝光5000次，晚上转化为20个素材，曝光1500次；B料下午转换成20料，曝光2200次，晚上转换成50料，曝光4000次。其实无论下午还是晚上，A的转化率都更高。而你之所以觉得B更高，主要是因为B只在晚上跑出来——它捏的“软柿子”更多，你误以为它更厉害...
看到这里，也许你还有点疑惑:是的，如果分开看，确实A更高，但如果结合起来看总数，也比B更高...那么应该怎么看待呢？
上述现象是典型的“辛普森悖论”(Simpson # 39paradox)——一定条件下的两组数据，分开讨论会满足某种性质，但一旦结合起来，就可能得出相反的结论。
这也是其他工作领域经常遇到的现象，在《骗中骗》中也经常见到。
几乎每个公司，老板都会要求下属汇总业务层面的各种数据，然后向自己汇报，自以为了解“整体”情况。
然而，一位谷歌数据大牛曾经说过:“聚合的数据往往是一坨屎，没有任何意义。”
为什么这么说？
抛开专业的数学分析，如果用最通俗的语言解释，我觉得是:20头猪是20头猪，50棵树是50棵树。但如果硬要把它们加起来(20+50=70)，这个70就没有意义了——它能代表什么？什么都不意味着什么。
收集到的数据，除了象征性的报告工作，往往没有其他意义。
为什么是“象征性”的？
因为如果汇报工作是为了指导决策，很可能会把人引入一个坑。
就像上面的广告素材案例，如果营销总监想偷懒，只看最后的结果，很可能会误判广告素材的优劣。更有甚者，甚至会导致后续材料沿着“坏材料”的方向优化。
好在他有一定的数据分析基础，避免了这个坑。
所以在真实情况下，如果非要下定论的话，A更高是真的。(当然，继续实验更科学，通过增加预算/严格控制时间段来减少几率和不同性质数据比例的差异)
除了广告，辛普森悖论还经常出现在各种统计活动中——需要计算比率的统计数据基本都会出现，比如:转化率、留存率、合格率、负债率、投资回报率等等。...
那么，如何才能避免汇总数据可能造成的坑呢？
记住8个关键词:性质不同，拆开来算。
坑2：误把相关当因果大家应该都听说过“啤酒和纸尿裤”的故事——商家通过相关性分析发现，啤酒的销量和纸尿裤的销量高度正相关。所以他们把啤酒和尿布放在一起展示以增加销量。
当然，这是一个完全不切实际的捏造的故事。(**是Teradata公司的经理——可能是营销经理，为了说服商家购买他的数据服务，编了一篇软文)
这里我想说的是:相关性分析。
如今，无论是传统行业还是互联网行业，数据已经成为企业最重要的资产之一。
而各个公司的数据分析师几乎每天都在做的一件事就是:分析各种因素之间的相关性，并以此找到增长的方法。
比如游戏公司发现，用户玩游戏的时间越长，留存越好，于是着力增加新用户的游戏时长，从而大大增加其留存。
比如便利店通过监测发现，人们逆时针逛店的时间比例越大，人均消费越高。因此，在装饰和陈列中应尽量引导人们逆时针行走。(因为右撇子比较多，而且一般逆时针绕圈购物可以让更多的商品出现在人的右侧，拿东西更方便，从而更多)
不可否认，通过相关性分析可以找到很多有效的增长方法。
但是，太迷信相关性，有时候会带来相反的结果。
比如一个社交APP想提高留存率。
他们发现，用户发送的消息数量和留存之间的相关系数是最高的。
不仅如此，他们还发现，拥有超过500条消息的用户和没有超过500条消息的用户的留存率存在悬崖般的差异。(“500”在这里，常被称为“***数”)
因此，为了提高留存率，团队建议，如果尝试将新用户发送的消息数量增加到500条以上，留存率可以得到明显提高。
然后通过设置“阶段性中奖任务”(发送一定数量的消息会触发中奖提示，通知下一个中奖任务)，他们拉起了所有新用户的消息数量，基本都超过了500条。
但是，最后的结果是:虽然整体短期留存上升了，但整体长期留存下降了。
为什么会这样？显然，邮件数量和保留之间的相关性是最高的。...
其实这是典型的把相关性当成因果，甚至是因果倒置的错误——不是因为文章多，所以保存好，更多的是因为保存好，所以文章多。
虽然短期内可以通过利润提升保留上述方案，但获奖提示对真正愿意使用产品的用户来说可能是一种打扰。另一方面，利益的**会驱使更多的非目标用户(羊毛党)下载使用app，降低用户质量，所以长期留存会下降。
最终留存的优化方案其实在广告上:因为APP主要是参考Instagram做的，所以以图片相关功能为特色。
而之前的广告只是含糊地说了“好玩有趣”，并没有突出具体的“功能和使用场景”，造成了用户的预期与产品不一致，留存度不高。
有趣的是，在之前的数据分析结果中，广告与留存的相关系数并不是很高。
坑3：只信看得见的数据如果以上两个坑是因为对数据和业务理解不够而掉进去的，那么第三个坑可能是你对数据和业务理解得越多，越容易掉进去。
我在之前的文章里也说过:数据最大的问题是只能显示有数据的信息，而不能显示没有数据的信息。
Klein christensen将这两种信息称为:正面数据负面数据。
正数据是指结构化的、可量化的数据。例如:销量、销售额、留存率、转化率、复购率、利润率、付费率、业绩指数、市场规模等...(所有可以标准化整理到Excel的数据都是正数据)
而负数据是指那些没有明确结构，难以发现和量化的数据。比如用户使用产品背后的动机、情感、观念、习惯，以及这些因素随时代的变化等等。
从业务诞生的那一天起，企业就会有越来越多的正面数据——哪些产品卖得最多？哪些产品利润最高？回购率是多少？客户年龄分布如何？市场份额如何等等？...
随着正面数据的增加，会对企业产生更大的影响——销售部门会根据不同产品的销量和利润来影响生产计划；品牌会根据互联网上的类目关键热词来调整产品的卖点；投放部门会根据老用户的属性精准投放新用户；客服部门也会根据用户反馈给产品优化建议。...
似乎一切都会正向发展，逐渐沉淀为“经验”。
然而，某种“经验之外”的东西正在酝酿和发生。
以电子商务为例。当阿里和JD.COM基于自身的成长经验，拓展客单价更高的品类，抢夺更高净值人群，设立特价促销日，战略放弃低端市场，拼多多异军突起，仅用几年时间就成为全国用户第一。
阿里和JD.COM没有错，但拼多多凭什么？那些低线用户为什么不用拼多多而不用淘宝？
因为更便宜。
品多多为什么便宜？
因为它有很多作坊货和山寨货。
那为什么这些作坊货和山寨货会在拼多多卖？
一方面不允许其他平台销售；另一方面，拼多多的入团模式可以让他们盈利，卖得更多——就像线下参与市场一样。
是的，对于低线用户(包括商家)，拼多多是第一个APP——把他们线下的购物场景带到线上——无论是团购、砍价还是买卖便宜的山寨货，都是他们线下的套路。
至于淘宝和JD.COM，它们更像是城市里的购物中心——价格昂贵，去的次数也不多。(而且对他们来说，什么东西贵的话，只有看到实物才踏实。)
这跟「正面数据」和「负面数据」有什么关系？
先说“负面数据”。
品多多为什么能看到这个市场机会？还发明了“社交电商”这个新物种？
其实，对于低线用户来说，购物本身就是社交的——大家一起逛街；遇到相熟的摊贩砍价，你买一斤花生，他给你两个枣；你帮隔壁阿姨带点洋葱，隔壁阿姨给你带点盐。既有商品交易，也有情感交流——这是拼多多洞察到的关于用户购物的负面数据。
所以，什么“帮着砍拼送”“社交电商”最初来源于生活，来源于对那些负面数据(动机、情感、想法、习惯等)的洞察。).
拼多多只是把它们搬到了手机上，让它更容易发生。
至于阿里和京东，毋庸置疑，他们的核心团队一定
至于阿里和JD.COM，毫无疑问，他们的核心团队必须
但是，为什么这么专业的团队没有在拼多多之前抓住市场先机呢？
这有很多原因。
一个企业要成长，一个团队要成长，自然更愿意专注于利益更大的地方——高净值人群、高客单价产品、高频产品等等。(包括现在的拼多多)
另一方面，如洪水般的正面数据自然将内部注意力集中在产品和指标上——如何提高物流效率？如何增加广告收入？如何提高用户活跃度等等。
这样在利益和数据的驱动下，他们会越来越了解自己的用户，提供越来越好的产品和服务。
但同时他们也会越来越了解谁不是自己的用户——“线低的都不是典型的电商人，我也没有太多精力去关注他们。”
但也正是因为这种由数据造成的，慢慢固化的偏见，市场被分割，被占领，甚至被颠覆。
