数据会骗人，但我们学会了怎么拆穿它

我们这行天天和数据打交道：成本、延迟、成功率、渠道报价。最大的坑不是数据缺失，而是"看起来特别专业、其实是包装过的说法"。这周读了一本书，专门教人怎么拆穿这些——伯格斯特龙和韦斯特的《拆穿数据胡扯》。读完后我们留了两条判断准则，这篇就是记录它们。

一、为什么要专门读一本拆穿数据的书

因为我们真的被数据骗过。做渠道和成本管理时，不同来源的数字一度怎么都对不上账，差了好几倍，查到最后才发现是两边统计口径不一样——一个算的是消耗量，一个算的是包含缓存流量的总量。从那以后我们明白：数字不会自己说谎，但"谁统计的、怎么统计的、为什么给你看这个数字"全都可以动手脚。

所以这本书对我们不是消遣，是工作必需。

二、留下的第一条：五问拆穿法

书里给了完整的方法，我们浓缩成五问。看到任何"看起来很专业"的说法，先过这五关：

• 动机：这话是谁说的？他为什么说？有没有利益在里面？
• 样本：数据是多大样本？怎么选的？是不是只挑了对自己有利的部分？
• 统计：数字是不是被反复试出来的？挑了个好看的出来讲？
• 图表：图的坐标轴是不是从中间开始的？是不是双轴故意拉大差距？
• 源头：这个说法是一手出处，还是二手转引、越传越走样？

翻译成业务场景：有人跟我们说某个服务"又快又稳"，我们不会直接信，而是问：它统计的是哪几天的数据？样本够不够？结论是自己说的，还是独立验证过？五问里有任何一问答不上来，这个说法在我们这儿就降一级信度，不拿来拍板。

三、留下的第二条：别忘了没活下来的

书里讲了一个特别反直觉的坑：幸存者偏差。你看到的都是活下来的，没活下来的你看不见，于是你会高估"成功率"，还会把运气当成本事。

我们评估渠道、复盘方案时就犯过这个毛病：眼里全是现在还能用的渠道，被淘汰的那些为什么不行，早就忘了。结果就是高估整个池子的健康度。现在我们的规矩是：评估任何"成功"之前，先问三句——没成功的那些去哪了？是谁把它们过滤掉的？我是不是只看了结果没看过程？甚至主动把失败案例拉回来当对照组。

四、这套东西我们其实一直在用

读完发现一个让信心倍增的事实：书里的核心方法，我们这几年一直在用——给 AI 模型做真实验证、给监控数字做显著性检验、数字对不上账时先查口径。只是以前是零零散散的纪律，这本书给了它一个完整框架，让我们知道哪一步还没做到位。

读书对我们从来不是"读完"，是"读完后做事的方式变了"。连续读了几本，这个"筛、验、落"的方法固定了下来：大部分内容和已有做法重复，先筛掉；新增的拿真实业务验证；验证过的写进日常判断流程。

如果你也在和数据打交道，或者想确认 AI 给你的结论靠不靠谱，发你的业务现状过来，48小时内回一份免费的智能化可行性判断。