第五，数据的精确不一定代表准确
　　最经典的例子就是收入数据。经常有报道说：公务员收入其实很低，劝大家不要错怪公务员。但问题是，工资收入是低，但非工资收入可能不低。当然，这种情况不仅限于公共组织。其实无论任何组织，只要挣的花的不是自己的钱，就都可能出现这种“工资不等于收入”的情况。
　　在具体业务中，“精确不等于准确”可能出现在两种情境中——总结归纳、分析预测。
　　比如消费者调研，一般都会有定性和定量两种方法。如果没有定性分析，定量分析就可能陷入“虚假精确”的陷阱。如果你的调研对象有问题，那么，就算再辛苦的计算和再精确的数据，其实都没有意义。又比如广告测试，精确的测试结果真的有实际意义吗？
　　又比如销量预测，每个人心里都明白，这是无法准确预测的，你只能无限接近，却不能完全准确，因为“预测未来”本来就是上帝才能搞定的事，所以我们能做的，只能是在保证方向准确的情况下，尽量精确。但也不必过于花费力气、苛求预测数据的精确，因为这不会增加多少实际意义，还不如花多点时间研究其他可操作性强的数据
　　总之，尽量避免追求虚假的准确和错误的确定性。

第六，相关性不一定是因果性
　　我老板的经典口头禅就是：“你们这些人，总是自说自话、以果推因分析法，错把相关性当成因果性，把偶然性当成必然性。”这句口头禅可真是太强大了，因为可应用范围颇广，躺枪几率也颇高，导致我们现在不得不日省三次：“有没有自说自话？有没有以果推因？”
　　以前还听过一个段子，一个领导手下的两个部门同时做生意报告。A部门搞不清楚自己生意为啥涨，B部门搞不清楚自己生意为啥降，结果最后的生意报告中，两个部门不约而同，提到了同一个原因——天气。只不过，A部门说，因为这段时间按天气冷导致A产品需求增大；B部门说，因为这段时间天气热导致B产品需求减少。我现在觉得吧，多亏这领导不是我老板，否则这两部门可以一起蹲小黑屋了。
　　这就是统计学最重要的价值——可以帮助我们排除无关因素，因为这些无关因素太容易让大家混淆了因果性和相关性的区别。

第七，被忽略的“大数定律”
　　有公司做新品上市的消费者调研时，最后需求是：只要超过45%的人喜欢，就决定上市这个新品。其实这压根不用调研了。如果这个新品和对照组的产品本身差距不明显的话，且样本量足够大，肯定会有50%的人喜欢，这就是大数定律的基本常识。

第八，数据是可以作弊的、是可以有偏见的
　　初三接近中考时，老师突然要调座位，而且这次不按学号、不按个子、也不按“好帮差”原则，而是直接按成绩调座位——成绩好的人坐左边两组，成绩不好的坐右边两组。当时我还很懵懂，不明白为啥非要在复习备考的紧张时刻折腾调座位，因为和我关系非常好的小伙伴们都被调到右边两组了。
　　后来我终于懂了。因为接下来的两周，右边座位的同学们，一个接一个的被老师叫走谈话，然后，又一个接一个的，退学了。我想我这辈子都忘不了，那些同学一声不吭的低头收拾完书包，佝偻着腰沉重的走出教室前，回头望过来的最后一眼。那种悲伤和无奈的眼神，让我至今想起来都心酸喉梗。然后，当年我校的升学率就非常高。
　　企业当中数据作弊和偏见也不少见，比如通过压低头一年的数据、使得第二年增长率更高；比如选择错误的样本数据做市场调研；又比如常见的会计数据作弊。
　　总之，数据的把戏大有乾坤。一方面，我们需要数据去分析问题、印证结论，没有数据的虚谈是没有意义的，也是很难有定论的。另一方面，数据不是全部，我们不能成为“数据教”的人。过于追求数据的完美精确，容易让我们忽略那些无法用数据表现的关键要素，比如人的态度、动机和精神气；也容易忽略企业的最终目标。其实，在不该使用数据的使用数据，可能比在该用数据的时候没有数据，结果更可怕。

也欢迎关注我们的微博：
http://weibo.com/biddingx