我们每天都在被数字说服

我曾满怀期待地去过一家评分高达4.8分的热门餐厅，结果却大失所望。因为评论数超过了300 条，我心想一定是家不错的美食店。毕竟，只要这些数字不是人为刷出来的，就意味着确实有三百多人喜欢这家店。但对我来说，这并不是一家值得推荐的餐厅。数字没有告诉我的是，这个世界上有许多人与我的喜好并不相同。有人喜欢的是餐厅的氛围，有人看重的是价格，有人则追求于无需久等就能用餐。

数字不会说谎，但它也不会告诉你全部信息。数字背后真正的故事，存在于我们看得见与看不见之间的某个地方。

报告越厚，答案反而越迷糊

刚开始我还是实习生做数据分析的时候，接到的第一个课题看似简单，却异常棘手。“请分析一下如何提升二手交易量。”起初，这个问题让我觉得无从下手。既然不知道该从哪里分析，我便先把自己能提取的数据都整理出来：交易量、各品类分布、不同时段的交易模式、复购率、地区差异……凡是看起来可能相关的指标，我几乎都统计了一遍。不知不觉，报告已经写了几十页。可奇怪的是，报告越厚，我却越觉得答案越模糊。数据明明铺陈在眼前，却始终无法回答一个最简单的问题：问题究竟出在哪里？又该如何改进？

起初，我以为是自己的SQL（用于处理数据的语言）还不够熟练，怀疑是自己的统计学知识还不够扎实。当然，这些技能都很重要。但当真正把数据摆在眼前时，我才意识到，比起技术本身，更重要的是读懂数字的能力。我开始思考：眼前的数据，真的能够代表整体吗？是否存在遗漏的数据？这些指标，真的能够解释问题的本质吗？真正重要的，是能够提出并回答这些问题的能力。从那时起，我不再一味写下更多的SQL语句，而是开始依靠逻辑思维和数据素养，去理解数字真正传递的信息。

没有问题意识就打开数据的话，那么数据终究只是一堆数字。数字越多，看似越客观，实际上需要做出的判断反而越多。从那以后，每次分析数据之前，我都会先问自己几个问题：“这个数字，真的反映了问题本身吗？”“如果确实存在问题，它是从消费者旅程的哪个环节开始出现的？”自那以后，我的报告变薄了。但它们反而变得更有说服力了。

为什么要关注那些没有弹孔的地方

第二次世界大战期间，盟军曾对完成作战任务并成功返回基地的战机进行调查，统计机身上的弹孔分布情况。经过调查发现，返航战机的机翼和机身上布满了弹孔，而发动机等部分区域的弹孔却相对较少。仅凭眼前的数据来看，结论似乎十分简单——既然机翼和机身中弹最多，就应该优先加强这些部位的防护。然而，统计学家亚伯拉罕·瓦尔德（Abraham Wald）却得出了完全相反的结论。他认为，真正需要加固的并不是弹孔最多的地方，而是那些几乎没有弹孔的部位。

因为接受调查的都是已经成功返航的飞机。它们虽然机翼和机身中弹，却依然能够飞回基地；而那些发动机等关键部位遭到击中的飞机，则根本无法返航，自然也不会出现在统计样本中。这一经典案例后来成为解释“幸存者偏差 ”时最常引用的例子。

这种现象在实际生活中同样普遍存在。对于已经完成购买的用户，我们通常能够获得相对完整的数据：他们浏览了哪些商品、将哪些商品加入购物车、使用了哪些优惠券，以及最终支付了多少钱，这些行为都能够被记录下来。但那些只是短暂浏览后便离开的用户、因为始终找不到想要的信息而放弃搜索的用户、在购买过程中感到不便却没有留下任何反馈的用户，他们离开的原因，却不会出现在数据里。

因此，在分析数据时，我们不仅要关注表格中呈现出来的数字，更要思考那些没有进入这张表的数据。
我们需要不断追问：眼前的数字，记录的是哪些用户的行为？哪些用户体验被遗漏了？是否还有一些行为，从一开始就没有被测量或记录？真正理解数据，并不仅仅意味着准确计算那些看得见的数字，更意味着能够意识到那些看不见的信息，并据此进行推理与判断。只有这样，我们才能真正读懂数据背后的意义。

看似表现不佳的数据，也隐藏着重要线索

有天，我在查看搜索数据的时候，比起点击量高的搜索词，更吸引我注意的，是那些曝光量很高、点击率却偏低的关键词。如果只看数字，它们无疑属于“表现不佳”的搜索词。虽然获得了不少曝光，却没有带来相应的点击，看起来转化效率并不理想。但换个角度来看，这其实也是一个信号——顾客已经开始关注这些问题，而我们还没有给出足够好的答案。比如，顾客会搜索“无咖啡因茶”“适合送礼物的茶”“适合做冰饮的茶”等等，但当他们进入网站时，却找不到能够真正回应这些需求的信息。

那一刻，我思考问题的方式也发生了变化。我不再问：“哪些关键词为我们带来了更多流量？”而是开始问：“顾客在关心什么？而我们是否已经回答了这些问题？”如果仅仅把低点击率视为表现欠佳，分析也就到此为止。但如果进一步梳理这些数字背后的问题，就会发现，其中往往隐藏着那些我们尚未充分解决的顾客需求。低的数字并不意味着失败，它更像是一个提醒，告诉我们下一步需要做些什么。

AI 也是一样，好的问题，永远先于答案

如今，在公司里使用AI变得越来越普遍。从整理数据、撰写文案初稿，到总结报告，许多工作都可以交给AI完成。过去需要一个小时才能完成的事情，如今可能只需十分钟。但用得越多，我越深刻地意识到一件事：AI输出内容的质量，最终取决于我提出的问题是否足够好。

一句简单的“帮我写一段文案”，与一句“给一位正在挑选春节礼物、第一次访问哦雪绿官网的40岁左右的女性，撰写一段详情页开头文案，让她能毫不犹豫地选择一款3万韩元价位的茶包礼盒”，得到的结果，必然不同。

而要提出后者这样的请求，首先必须真正了解顾客。了解顾客是在什么样的情况下访问的商城，又因为什么而犹豫下单。这些理解，来自数据，来自使用评价，甚至也来自与同事之间的交流。

AI已成为能够快速执行我所提出问题的工具。但我始终认为，真正决定该提出什么问题的，依然是人。数字也是如此。如今，能够整理、分析和归纳数字的工具越来越多，但面对哪些数字应该停下来思考，依然需要人凭借判断与洞察去决定。

面对数字，我始终坚持的事

当我面对数字的时候，也始终提醒自己保持一份警惕。一旦指标成为目标，数字就会失去它原本的意义。如果唯一的目标是提高点击率，我们可以写出更吸引眼球的文案；如果唯一的目标是提高转化率，我们也可以把购买按钮设计得更加醒目。但这样做，是否反而会让我们离顾客越来越远？

因此，现在每当看到一组数字时，我都会先思考：数字背后究竟想向我提出什么问题？那些与预期不符的数字、那些看似不起眼却始终让我在意的数字、那些表现不错却始终解释不了原因的数字……而下一次策划的线索，往往就藏在这些数字之中。

下一篇，我想跟大家聊聊如何将这些线索真正转化为策划。从顾客发起搜索、进行比较、加入购物车，到最终点击购买按钮，在这一连串决策过程中，我们又该如何通过促销策略与UX设计，减少顾客的犹豫不决。