1702627380
1702627381
问题2 是否能够做出这种改变？
1702627382
1702627383
问题3 如果能够做出这种改变，那么带来的利益是否大于所消耗的成本？
1702627384
1702627385
如果能够回答这3个问题，那么接下来就可以采取行动增加利益，否则的话则没有必要按照统计分析的结果采取行动了。
1702627386
1702627387
比如说，那些了不起的专家和顾问，经常会拿出像图3–1那样非常漂亮的“品牌好感度调查”，那么这个分析结果能够回答上述的3个问题吗？
1702627388
1702627389
之所以会对品牌好感度进行调查，是因为在购买商品时，“对品牌好感度高的人消费金额相对较多”。与之相反，如果品牌不受欢迎或者因为其他因素，产品的销量长期没有发生任何变化的话，就不用考虑这个问题了。所谓“破罐子破摔”的经营策略，有时候也是存在的。
1702627390
1702627391
你对××品牌的看法如何？
1702627392
1702627393
1702627394
1702627395
1702627396
图3–1 没有任何有用信息的图表
1702627397
1702627398
那么，“做出何种改变（比如举办活动之类）能够提升好感度”，以及“这样做需要多少成本，又能带来多少利益”就是我们需要考虑的问题了。
1702627399
1702627400
如果无论如何都不能提升品牌好感度的话，那就只能接受现状。如果为了提升好感度、增加销量，而投入大量成本导致公司财政出现赤字，这是得不偿失的。
1702627401
1702627402
遗憾的是对于这些关键性的问题，图3–1根本无法给出任何解释。
1702627403
1702627404
还有一种情况，假设你的公司从数据库中抽取了“庞大”的顾客数据，统计出如图3–2那样的表格。
1702627405
1702627406
虽然这个表格直接显示出了销售额，这还有点作用，但遗憾的是我们没有改变顾客性别，或者改变顾客年龄的魔法。
1702627407
1702627408
我们能做的只有将价格比较高的商品针对特定性别、年龄的顾客群体举办促销活动。
1702627409
1702627410
顾客的性别、年龄与平均销售额（月销售额）
1702627411
1702627412
1702627413
1702627414
1702627415
图3–2 使用大数据的表格内容空洞
1702627416
1702627417
问题2 是否能够做出这种改变？
1702627418
1702627419
问题3 如果能够做出这种改变，那么带来的利益是否大于所消耗的成本？
1702627420
1702627421
即便如此，这仍然是一个无法回答上述两个问题的“空洞”信息。
1702627422
1702627423
如果你要做的分析，或者你委托别人做的分析，无法回答前面提到的这3个问题，那么在讨论分析结果的准确度之前，应该考虑的是这个分析究竟有没有用。恐怕等到实际拿到分析结果之后，其价值也只有让人“了解到一些数据”而已。
1702627424
1702627425
我在工作中所遇到的商务人士，经常对我说“数据分析的结果对商业判断没什么帮助”。如果他们所说的是类似于“什么问题都无法回答的单纯统计结果对商业判断没什么帮助”的话，那我绝对举双手赞成。而实际上，只不过是因为他们碰到的人“只能提供这些对商业判断没什么帮助的数据分析”罢了。
1702627426
1702627427
古典统计学的时代早就结束了
1702627428
1702627429
计算百分比的古典统计学，在19世纪初就已经被世界各国所应用。比如非常著名的护士南丁格尔所做的最大贡献之一，就是对战争中士兵的死因进行统计分析。分析的结果显示，受伤后因为救治不及时导致细菌感染死亡的士兵数量远远超出因为战斗受伤直接导致死亡的士兵数量。