现有两个广告素材A和B，要测一下它们谁更能吸引用户转化，评比的指标是转化率。（转化率=转化数/曝光数）

为保证实验公平，它们都设置了相同的预算额度，并且都在中午12点开始投放，然后到了晚上12点同时关闭。

这样跑了半天，两组广告也都基本花完了预算，结果发现：

A一共曝光6500次，转化了70个用户，转化率是1.077%；

B一共曝光6200次，也转化70个用户，转化率是1.129%；

看到结果后，广告投放师小李就认为：B素材的转化率更高。

这时，营销总监老王却说：到目前为止，我更愿意相信A要高一些。

小李一脸懵逼，问：为啥啊？

老王嘬了一口星巴克，解释道：即使是相同的广告，在不同的时段也会有不同的转化率。一般来说，下午的转化率是低于晚上的，因为大部分人白天都有事情，不太容易被转化，而到了晚上，大家都有空了，所以更容易被转化。

小李又问：你说的对，但跟这次投放实验有啥关系呢？

老王继续说：我刚从后台看了素材的来量情况——A素材下午转化50个，曝光5000次，晚上转化20个，曝光1500次；B素材下午转化20个，曝光2200次，晚上转化50个，曝光4000次。其实不管是下午还是晚上，A的转化率都是更高的。而你之所以认为B更高，主要是因为B在晚上才跑出了量——它捏的“软柿子”比较多，你就误以为它更厉害...

看到这里，可能你还有点懵：是啊，如果拆开来看，确实A更高，但合并看总数的话，又是B更高...那这到底该怎么看呢？

坑1：辛普森悖论

上文的现象，就是典型的“辛普森悖论”(Simpson's Paradox)——在某个条件下的两组数据，分别讨论时都会满足某种性质，可一旦合并考虑，却可能导致相反的结论。

这也是在其他领域的工作中经常会遇到，并且经常会坑人的一个现象。

几乎每一家公司，上司都会让下属把业务层面的各种数据进行汇总，然后呈报给自己，并自以为了解了“总体”的情况。

不过，谷歌的一位数据大牛曾说过：“汇总的数据往往就是一坨屎，没有任何意义。”

为什么这样说？

抛开专业的数学分析，如果用最通俗的语言来解释，我认为就是：20头猪就是20头猪，50颗树就是50颗树，但如果你硬要把它们加起来（20+50=70），这个70是毫无意义的——它能代表什么呢？什么都代表不了。

汇总的数据，除了象征性的汇报工作，往往并无其他意义。

为什么说是“象征性”的？

因为如果汇报工作是为了指导决策，那很可能就把人带进了坑里。

就像上文广告素材的案例，如果营销总监想偷懒，只看最后的结果，那他很可能就误判了广告素材的优劣。更严重的，甚至会导致后续投放的素材都沿着“坏素材”的方向去优化。

还好他有一定数据分析的基础，避免了这个坑。

所以在真实的情况中，如果一定要就此盖棺定论，确实是A要高一些。（当然更科学的做法是继续实验，并通过加大预算/严控时段，来减少偶然性，以及不同性质的数据占比的差距）

除了广告投放，辛普森悖论还经常出现在各种各样的数据统计活动之中——需要算比率的统计基本都会出现，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带来的坑呢？

关键记住8个字：不同性质，拆开来算。

坑2：误把相关当因果

“啤酒与尿布”的故事大家应该都听过——通过相关性分析，商家发现啤酒的销量与尿布的销量高度正相关。于是他们在陈列上，把啤酒和尿布离得更近，以此来提高销量。

当然，这完全是个不切实际的、杜撰的故事。（杜撰者是Teradata公司的一位经理——估计是营销经理，为了说服商家购买他家的数据服务，编的软文）

而这里想说的重点是：相关性分析。

如今，不管是传统行业还是互联网行业，数据已成为企业内部最重要的资产之一。

而各家公司的数据分析师，几乎每天都会做的一件事就是：分析各个因素之间的相关性，并以此来找到增长方法。

比如游戏公司发现：用户玩游戏时间越长，留存往往越好，所以就重点提升新用户的游戏时长，以此大幅提升留存。

再比如便利店通过监测发现：人们逆时针环顾店内的时间占比越大，人均消费就越高，所以在装修和陈列上，就尽量引导人们逆时针行走。（因为右撇子的人更多，而一般逆时针环店能让更多商品出现在人右侧，这样拿东西更方便，也就拿得更多了）

不可否认的是：通过相关性分析，确实能找到很多有效的增长方法。

不过，过于迷信相关性，有时却会带来相反的结果。

比如某社交APP想提高留存。

他们发现：用户发消息的条数，与留存的相关性系数是最高的。

不仅如此，他们还发现：消息条数超过500的用户群体，与没有超过500的用户群体，留存情况出现了断崖式的差异。（这里的“500”，通常被称为“魔法数字”）

于是，为提高留存，团队就提出：假如我们设法提升新用户发消息的条数，尽量使之超过500，就可以明显提高留存了。

再于是，他们就通过设置“阶段性有奖任务”（发消息到一定条数，就会触发获奖提示，并告知下一个有奖任务），将所有新用户的消息条数都给拉了上去，并基本超过500。

然而，最后的结果却是：虽然整体的短期留存上去了，但整体的长期留存反而下降了。

为什么会这样？明明消息条数和留存的相关性是最高的呀...

其实，这就是典型的误把相关当因果，甚至是因果倒置——不是因为条数多，所以才留存好，而更多是因为留存好，所以才条数多。

上述的方案，虽然短期能通过利益提高留存，但对真正愿意使用产品的用户来说，获奖提示可能是一种打扰。另一方面，利益的刺激会带动更多非目标用户（羊毛党）下载和使用APP，拉低用户质量，所以长期留存就降了。

而最终关于留存的优化方案，其实是在广告方面：因为该APP是重点参考Instagram来做的，特点在于图像相关的功能。

但此前的广告只是模糊的说了“好玩有趣”，没有突出具体的“功能和使用场景”，所以造成用户预期与产品不符，留存就不高的情况。

有趣的是：在之前数据分析的结果中，广告与留存的相关系数并不算很高。

坑3：只信看得见的数据

如果说上述两个坑，分别是因为对数据和业务不够理解才掉进去的，那第3个坑，可能就是越理解数据和业务，就越容易掉进去。

在以往的文章中我也说过：数据最大的问题，是它只能显示有数据的信息，而不能显示没有数据的信息。

克莱因·克里斯坦森将这两种信息分别称作：积极数据&消极数据。

积极数据是指有结构、可量化的数据。比如：销量，销售额，留存率，转化率，复购率，利润率，付费率，性能指标，市场规模等等...（能规范的被整理到Excel里的数据都是积极数据）

而消极数据呢，就是指那些没有清晰的结构，也很难被发现和量化的数据。比如用户使用产品背后的动机，情感，观念，习惯，以及这些因素跟随时代的变化等等。

从业务诞生的那天开始，企业就会掌握越来越多的积极数据——哪些产品卖得最多？哪些产品利润最高？复购率如何？顾客年龄如何分布？市占率是多少等等...

而随着积极数据的增多，它对企业内部的影响也会越大——销售部会根据不同产品的销量和利润，去影响生产规划；品牌部会根据品类在网络的关键热词，去调整产品卖点；投放部会根据老用户的属性，精准投放新用户；客服部也会根据用户反馈，给产品提优化建议...

好像一切都会正向发展，并慢慢沉淀为“经验”。

不过，一些“经验之外”的东西，也在酝酿和发生着。

以电商为例，当阿里和京东根据自己的增长经验，扩充更高客单价的品类，抢夺更高净值的人群，设立专门的打折促销日，并战略性放弃低端市场的时候，拼多多却突然冒了出来，并且只用几年就变成用户量全国第一。

阿里和京东其实都没有错，但拼多多是凭什么？那些低线的用户，为什么不用淘宝，却要用拼多多？

因为更便宜。

为什么拼多多更便宜？

因为它有很多作坊货、山寨货。

那为什么这些作坊货、山寨货要去拼多多卖？

一方面是其他平台不让卖，另一方面，拼多多的拼团模式能让他们利薄多销——跟在线下参加赶集一样。

是的，对于低线的用户（包括商家）来说，拼多多才是首个把他们线下购物的场景搬到线上来的APP——不管是组团购物、砍价还是买卖山寨便宜货，本来就是他们线下的日常。

至于淘宝和京东，对他们来说则更像城里的商场——贵，去的次数也不多。（而且对他们来说，但凡贵的东西，要看到实物才踏实）

这跟“积极数据”和“消极数据”有啥关系呢？

先说“消极数据”。

为什么拼多多能看准这个市场机会？还发明“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——大家一起上街买东西；遇到熟悉的商贩砍砍价，你买一斤花生，他送你两颗枣；你帮隔壁大婶带点葱，隔壁大婶帮你带点盐。既有商品交易，也有情感往来——这就是拼多多洞察到的，关于用户购物的消极数据。

所以，什么“帮砍拼送”，什么“社交电商”，本来就来源于生活，来源于对那些消极数据（动机，情感，观念，习惯等）的洞察。

拼多多只不过是把它们搬到了手机上，让它更容易发生而已。

至于阿里和京东，毋庸置疑，他们的核心团队一定是既懂电商业务，又精于数据分析。

不过，这么专业的团队，为什么没有在拼多多之前把握市场机会？

这里的原因是多方面的。

企业要增长，团队要成长，自然更愿意把注意力放在利益更大的地方——更高净值人群，更高客单价产品，更高频的产品等等。（包括现在的拼多多也一样）

另一方面，如泉涌喷的积极数据，也很自然的将内部注意力集中于产品和指标——如何提升物流效率？如何提高广告收入？如何提高用户活跃等等。

就这样，在利益和数据的驱动下，他们会越来越了解自己的用户，并提供越来越好的产品和服务。

但与此同时，他们也会越来越了解谁不是自己的用户——“那些低线的人，就不是典型的电商人群，我没什么精力去关注他们。”

不过，正是因为这种因数据导致的、慢慢被固化的偏见，所以才导致市场被分化，被占领，甚至被颠覆。

-END-