文章梳理总结了最常见的扭曲数据的九大手段，大家先牢记于心。很有可能你会在年终总结、年度规划、活动评估等场合遇到它们。提前了解，也好早早应对。

做数据分析，有数据才能分析。

如果数据是不真实的呢？

如果数据是人为扭曲的呢？

如果数据被人为扭曲，还要求你接受呢？

今天我们就来讨论这个话题。趁着还没过春节，我们把这些糟心事一次说干净，大家收拾收拾心情辞旧迎新。

段位一：虚报数据

业务方故意虚报、谎报、不报数据，导致基础数据缺失，错误频发。这种情况在用纸质单张的年代很常见。不过随着数据系统的普及，此问题已经越来越少。

如果现在还有使用纸质单张的场景，比如用户纸质申请表、调查问卷等，此问题依然会存在。解决方案也很简单：上微信卡包呀！啥年代了注册个会员还写纸质单。

段位二：人为改数

参见：

系统是死的，可人是活的。想解决，只能加强考核，对违规操作的人严惩不贷。这些操作的规律性很强，且和具体人的行为高度绑定，通过分析是可以识别的。

段位三：修改口径

数据不好看了，怎么办？直接改统计口径！本质上讲，数据指标是为了计算方便而设的，作为使用方业务方想咋改就咋改。但是因为改动口径，导致前后数据不一致，就是大问题。只改统计口径、不改指标名字，更是鱼目混珠的大问题。所以改口径可以，把过往数据报告，按新口径一口气刷了才成。

段位四：控制节奏

参考：

注意，和段位2不同，段位2是伪造数据欺骗公司，性质恶劣。段位4本质上没有伪造数据，而是利用了销售、运营、奖励的规则，谋取个人利益最大化而已。

实际上，是个人都会这么干，这属于业务潜规则。我们常说“水至清则无鱼”，你不可能要求一个人不为自己着想。如果真的管的太死，一线业务绝对会跳槽跑路。

作为数据分析，更多的需要有能力识别这些具体问题，把它们控制在可接受的范围内。如果问题太过泛滥，再看如何推动制度层面优化调整（如下图所示）

注意，从这个问题开始，我们进入中级难度，因为后边的问题，对数据分析师个人的分析能力要求会越来越高。就比如区分哪些是合理潜规则，哪些是恶意改数，是需要一定分析经验积累的。

段位五：乱带节奏

做数据分析时你一定经常听这种问题：

• “最近活跃率下降了？分析下原因”
• “最近销售表现不如人意，？分析下原因”
• “为什么我们的产品那么差？”

然而你辛辛苦苦扒了一堆数据，发现：没啥毛病啊？恭喜，你中了乱带节奏的全套。业务口中的“下降”“不好”“不满意”很有可能是个伪命题！

注意，业务方在不经意间扭曲数据判断，很多数据分析新人会直接一脚踩进去。很多新人做分析，不是先问是不是，而是直接研究为什么。按用户群、注册时间、产品类型等把数据拆的七零八落，最后屁都解读不出来。过两天回来一看，人家问题已经不存在了。

应对此类问题，切记：

• 遇到“大小、多少、高低、快慢、好坏”先问标准。
• 听到具体问题，先问怎么知道这个问题的。
• 听到人议论数据，先问原始数据源。

然而，难就难在，这三个“先问”是违背人本能的。听风就是雨才是人们最习惯的思考模式，所以这个看似简单的三个问题，需要大量、反复、强化训练才能习得，不然就经常被绕进去。

段位六：满意度

此处满意度，指的是那些业务部门口头高挂，却很难用系统直接记录数据的指标。类似的有满意度、品牌影响力、产品力、行业地位、NPS等等玩意。因为缺少直接记录，所以会引发很多幺蛾子。在上一篇《拯救猪队友》中，陈老师很详细的分享过这一类问题咋处理，可以复习下。

段位七：自然增长率

最后想操纵数据，只要不停的改“自然增长率”数据就好了，实在不行了还能把丫改成负数吗（如下图）

应对这种办法，最好的手段就是：不理他。活动实际参与量是很容易算清楚的，如果要定自然增长率，可以事先说好，免得事后啰嗦。

段位八：参照组

参照组和自然增长率是一对难兄难弟。都很容易被人立着“科学评估”的牌坊，实际上随意更换，改改改，改到业务满意为止。如果业务方想纠结，他会一直说你设置的参照组不科学，样本都是特例，不够随机，不具有代表性。

实际上，只要不是全量统计，就永远能扣一个“不科学、不随机、不代表”的帽子（你真全量统计，他们又说：没有剔除自然增长，啦啦啦啦，反正总有理）。

最好的应对方法就是：不回应。只要分组方法是事先说清的，出啥结果就认啥结果，有啥好叽叽歪歪的。本身设参照组，只在做限定渠道精准推送的时候才能用。本身设参照组，只是ABtest一种检验手段。本身Abtest，也只是检验工具之一，不是权威法则。难道没有ABtest业务部门就一点判断能力都没有了？你们的业务能力呢！要你们何用！好爽，终于能骂回去了！

段位九：综合评估

评价一个问题，用单一指标最清晰。然而人们偏偏喜欢用复合指标，以显得“思考全面”。指标一多，势必设计权重分配。于是骚操作来了，如果评价出来，某人对结果不满意，便会祭出：“这个权重不合理，不能反映业务实际”的大旗，然后逼着你改。最后结果，自然是让人家心满意足，才会说你分析深入合理。不然就继续来纠结。

最过分的，陈老师还见过业务方领导手写了一个分公司评分排名，然后告诉我：你用大数据人工智能方法，把各个指标综合计算出这个排名，做的滴水不漏，明年合同还跟你签……此时能说什么，当然是：好的。签单要紧，科学性算个屁，不就是改权重吗，搞得跟读研的时候没整过一样。

应对方法：

1. 每一个指标单独评分
2. 多指标的权重让领导定
3. 放弃业务解释度低的神经网络方法
4. 业务意见不一致，打完架告诉数据怎么定

以上三个是高段位操纵数据的办法。之所以段位高，是因为自然增长率，参照组，综合评估本身就是数据分析常讨论的话题。

很多新入行没吃过苦头的数据分析师，自己都很爱倒腾这些东西，以为做的越复杂就越高级。最后结果是，做的越复杂，业务含义越难讲清楚，越是被业务方各种质疑，最后被牵着鼻子走，变成：“结果对业务有利就是客观全面，结果对业务不利就是缺少深入分析”，自讨苦吃。

对比之下，我们会发现：不同部门用的手段不一样。销售、推广、供应链这些一线部门，数据本身就是他们工作的直接产物，因此最容易篡改数据源。运营、策划、产品等部门则最喜欢搞难以量化的指标，喜欢谈“深远影响”，喜欢设一堆“自然增长率”“参照组用户”然后剔除来剔除去，篡改的是基于数据的判断。

为啥销售、推广、供应链不折腾？因为人家面对的是结结实实的销售收钱，推广进人、仓库出货的问题，一个人头一分钱很清晰，没得扯皮。但是像运营、策划、产品这些大家一起干一件事的时候，就总想突出自己的功劳。于是便开始了无休止的扯。

• “剔除自然增长，我的活动带来多少效益”
• “剔除自然增长、活动拉动，我的产品改版带来多少效益”
• “剔除自然增长，活动拉动，产品改版，我的文案带来多少效益”
• ……

如果一定要对比两种危害，肯定是篡改数据源的危害更大。如果数据是假的，那分析就无从谈起了。篡改数据源背后，代表着公司管理混乱，渠道控制软弱无力。有意思的是：总部的各职能部门都对这种软弱无力深恶痛绝，所以在这个问题上，往往总部部门是枪口一致对外的。

但在数据判断上，往往是乱自上做。总部的运营、产品、策划们出于一己私利乱改标准，对于实现真正的数据驱动是非常有害的。不敢面对事实，拿数据粉饰太平，最后的结果就是业务部门自己越来越丧失判断能力，又回到拍脑袋决策，拍屁股走人的原始状态，这是我们不希望看到的。

理想的状态，是数据源真实丰富，数据判断简单清晰，数据分析深入立体。把精力多放在找原因、做预测、测试效果上，这样才能输出更好的成果。

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

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Unsplash，基于CC0协议