第一，數據的計量單位和范疇很重要

     你買油是按照克單價？還是總金額？這個例子比較簡單。實際工作中比這個要復雜很多，比如銷售人員的績效如何評估——應該按照總銷售額，還是可比店的銷售額？是按照所有產品的銷售額？還是新品的銷售額？是按照單店績效？還是單人績效？是按照工作時間內的績效？還是不計工作時間、將加班時間也計算在內的績效？如果是跨國公司，還涉及到用人民幣、還是美元計算？

   計量單位的不同、測算范疇的不同，得出的結果也就不同——所以，公司開績效評估大會或者任務指標分配大會，一般就是打數據仗，然后你會發現，結局往往不取決于最準確的數據，而取決于最大的嗓門……

第二，中位數和平均數是有區別的

    平均數是一個非常強大的描述性統計數據，也被廣泛用于各種判斷當中，比如時不時會有新聞說“房價在漲”、“我國平均收入水平上升XXX”，“某某學校的升學率高達90%”……平均數最大的問題是，忽略了偏離方差的“異常值”——比如馬云的收入就是個異常值。這個時候，就需要再看一看中位數。

     每一次銷售會，我們會看幾個主要數據，類似“單人產量”“單店產量”“流失率”等等。然而，在對這些數據下結論的時候，我們得萬分謹慎，因為一方面，它取決于計量單位和范疇，另一方面，還得均衡的看平均數和中位數。如此才能甄別出來，哪些是由于“異常值”造成的偶然現象，而哪些是一直存在的普遍現象，防止看錯問題冤枉人。當然有一種情況是不需要區分中位數和平均數的，比如今年北大古生物專業的畢業生就業率（就一個姑娘）。

第三，權重很重要

     每個企業的績效評估方法可能不一樣，但邏輯應該相似，對所有衡量指標設置不同權重后，進行綜合評估。當然，對于那種只有一個指標（老板心情指標）的公司，統計學表示很無力。

    除了績效評估，最常用“權重”的就是生意預測。不同要素對生意結果的影響力不同，且隨時間而變，比如打廣告、公關活動、或者店內促銷，哪個對生意貢獻最大？哪一種具體的廣告形式對生意貢獻最大？是不是贊助《中國好聲音》就一定比投放傳統電視廣告，帶來的銷量更大？只有我們知道不同因素的權重，才會做成更加科學的投資決策。

第四，數據往往只能說明現象，很難說明動機、或者背后原因

    銷售額下降了，怎么辦？相信大多數銷售都會抓狂，開始馬不停蹄的琢磨問題解決之道了。但去年我聽到了一句特別灑脫的話：“銷量下降，有時候只是個現象，并不一定是問題。你怎么知道這不是我們有意為之的呢？”呃…好吧，這豁達和深刻，不是我等凡夫俗子能理解的。

     數據往往只表達一種結果。如果想要知道數據背后的動機和原因，還要借助更復雜的統計學手段、或者非數據手段。主動為之的“壞數據”以及被動承受的“壞數據”，兩者之間的動機差異，會造成迥然不同的行為結果。比如有一次銷售會議，某區域負責人指著自己慘淡的員工流失率指標，輕描淡寫的解釋說：“高流失率是我主動淘汰了一些人，因XXX原因，下個季度新人馬上到崗。”想象一下，如果我們不了解這個動機，可能這位區域負責人就要蹲小黑屋了。

第五，數據的精確不一定代表準確

     最經典的例子就是收入數據。經常有報道說：公務員收入其實很低，勸大家不要錯怪公務員。但問題是，工資收入是低，但非工資收入可能不低。當然，這種情況不僅限于公共組織。其實無論任何組織，只要掙的花的不是自己的錢，就都可能出現這種“工資不等于收入”的情況。

    在具體業務中，“精確不等于準確”可能出現在兩種情境中——總結歸納、分析預測。

    比如消費者調研，一般都會有定性和定量兩種方法。如果沒有定性分析，定量分析就可能陷入“虛假精確”的陷阱。如果你的調研對象有問題，那么，就算再辛苦的計算和再精確的數據，其實都沒有意義。又比如廣告測試，精確的測試結果真的有實際意義嗎？

    又比如銷量預測，每個人心里都明白，這是無法準確預測的，你只能無限接近，卻不能完全準確，因為“預測未來”本來就是上帝才能搞定的事，所以我們能做的，只能是在保證方向準確的情況下，盡量精確。但也不必過于花費力氣、苛求預測數據的精確，因為這不會增加多少實際意義，還不如花多點時間研究其他可操作性強的數據

    總之，盡量避免追求虛假的準確和錯誤的確定性。

第六，相關性不一定是因果性

     我老板的經典口頭禪就是：“你們這些人，總是自說自話、以果推因分析法，錯把相關性當成因果性，把偶然性當成必然性。”這句口頭禪可真是太強大了，因為可應用范圍頗廣，躺槍幾率也頗高，導致我們現在不得不日省三次：“有沒有自說自話？有沒有以果推因？”

    以前還聽過一個段子，一個領導手下的兩個部門同時做生意報告。A部門搞不清楚自己生意為啥漲，B部門搞不清楚自己生意為啥降，結果最后的生意報告中，兩個部門不約而同，提到了同一個原因——天氣。只不過，A部門說，因為這段時間按天氣冷導致A產品需求增大；B部門說，因為這段時間天氣熱導致B產品需求減少。我現在覺得吧，多虧這領導不是我老板，否則這兩部門可以一起蹲小黑屋了。

    這就是統計學最重要的價值——可以幫助我們排除無關因素，因為這些無關因素太容易讓大家混淆了因果性和相關性的區別。

第七，被忽略的“大數定律”

    有公司做新品上市的消費者調研時，最后需求是：只要超過45%的人喜歡，就決定上市這個新品。其實這壓根不用調研了。如果這個新品和對照組的產品本身差距不明顯的話，且樣本量足夠大，肯定會有50%的人喜歡，這就是大數定律的基本常識。

第八，數據是可以作弊的、是可以有偏見的

     初三接近中考時，老師突然要調座位，而且這次不按學號、不按個子、也不按“好幫差”原則，而是直接按成績調座位——成績好的人坐左邊兩組，成績不好的坐右邊兩組。當時我還很懵懂，不明白為啥非要在復習備考的緊張時刻折騰調座位，因為和我關系非常好的小伙伴們都被調到右邊兩組了。

    來我終于懂了。因為接下來的兩周，右邊座位的同學們，一個接一個的被老師叫走談話，然后，又一個接一個的，退學了。我想我這輩子都忘不了，那些同學一聲不吭的低頭收拾完書包，佝僂著腰沉重的走出教室前，回頭望過來的最后一眼。那種悲傷和無奈的眼神，讓我至今想起來都心酸喉梗。然后，當年我校的升學率就非常高。

    企業當中數據作弊和偏見也不少見，比如通過壓低頭一年的數據、使得第二年增長率更高；比如選擇錯誤的樣本數據做市場調研；又比如常見的會計數據作弊。

   
總之，數據的把戲大有乾坤。一方面，我們需要數據去分析問題、印證結論，沒有數據的虛談是沒有意義的，也是很難有定論的。另一方面，數據不是全部，我們不能成為“數據教”的人。過于追求數據的完美精確，容易讓我們忽略那些無法用數據表現的關鍵要素，比如人的態度、動機和精神氣；也容易忽略企業的最終目標。其實，在不該使用數據的使用數據，可能比在該用數據的時候沒有數據，結果更可怕。