作為商業工具，數據及其應用的價值早已成為社會共識，我們逐漸進入了數據的“成熟期”。

這個階段的典型特征是——討論數據的聲音不是越來越多，而是越來越理性。這意味著市場的成熟度在變大，與之相應的，數據作為一種工具，在應用層面也愈發完善。

往往在這樣的時刻，工具化的嫻熟會帶來認知的另一層壁壘：人們開始淡化對數據邊界的思考——究竟什么結論是數據真正所能達到的？

從即日起，CTR洞察推出“CTR數據科普系列”內容，我們會關注一切與數據有關的話題，并為你一一拆解現象之下的數據內核，為大家解惑。

新年伊始，很多企業都在制定新一年的戰略和計劃，這其中當然離不開對數據的運用。

對此，有很多決策者會說：我們要盡量掌握更大量級和更多維度的數據資源，來更準確地定義消費者和受眾。

這背后其實暗含著這樣的理解：大規模地運用數據，可以提升結論的可靠性。

換言之，如果數據的量級足夠大，覆蓋的范圍足夠廣，通過分析它們所得出的結論就會更趨近于事實。

那么，這是不是一種準確的認知呢？我們在這里先打上一個問號。

1、“冷啟動偏差”

很多人在應用數據的時候，會忽略一個事實：大數據分析是典型的單純從數據出發的分析。

也就是說，我們往往是通過不帶有目的性地掌握了某些數據事實（注意，是否帶有目的性地搜集數據是一個重要的區分點），再據此去進行一系列相關的分析，這個過程被形象地稱為數據的“冷啟動”。但是這樣的做法卻很容易出現問題。

有一個典型的案例：Google曾經基于其所掌握的幾十億條檢索記錄，利用尚未公開的某些算法模型，構造出一個“流感預測指數”。

他們的前提假設是，通過用戶搜索流感關鍵詞得到的大數據必定包含流感疾病的全數據。

工程師們認為，這些數據可以完全取代傳統數據抽樣統計，并把“采集到的用戶搜索”數據與 “某流感疫情涉及的人群”這個總體對等。

但遺憾的是，其對美國流感趨勢開展的預測遠遠高于美國CDC（美國疾病控制與預防中心）公布的結果。

很多人不明白，流感搜索大數據必定包含流感全數據的設定究竟出了什么問題？

從統計學的角度來看，這種基于搜索關鍵詞預測流感發病率的方法，只滿足了數據的相關性，而缺少了重要的一環——對數據之間因果性的考察，或者說，缺乏對樣本背景先驗分布的掌握。

什么是先驗分布呢？

可以這樣做一個簡單的理解：在進行一項調查之前，研究人員需要對研究本身所涉及的樣本屬性進行基本的設定，并在此基礎上進行抽樣。

舉個例子，如果我們想預測一個新品未來可能形成的銷售情況，按照統計學的方法，我們應該先根據產品的屬性等基本要素設計這次研究所應該覆蓋的人群，然后再進行相關的抽樣調查和數據分析。而不是采取相反的路徑——先找到已有的數據，再按照需求進行篩選。

統計學中的貝葉斯學派認為，在任何統計推斷問題中，必須對調查總體規定一個先驗分布，它是在進行推斷時不可或缺的一個要素。

缺少對數據先驗分布的認知，很容易導致預測分析偏離實際情況，并且有很多案例已經證明，這種偏離會真實地反應在調查結果上。

這是再龐大的數據量也無力解決的問題，而且，通過優化算法也沒辦法真正解決整體性的系統誤差。

2、看不見的“總體”

——海量數據就是總體嗎？

上面的例子告訴我們，存在一個比海量數據更宏觀、更根本的概念，那就是——“總體”。

在統計學中，總體是指所要研究對象的全體。它是根據一定研究目的而規定的所要調查對象的全體所組成的集合。技術的進步創造了海量數據，這很容易給人造成一種海量數據即可以代表總體的假象。

如果說大數據是樹木，那么總體就是它背后的森林。

為了避免“只見樹木，國內服務器，不見森林”的困境，就需要在研究啟動前就有效解決什么才是研究總體的問題。

統計學告訴我們，在某個專項領域的研究中，我們無法在不進行研究預設的情況下，將任何單一渠道獲得的已知數據等同于包含了豐富先驗分布的那個復雜的“總體”本身。不管這個數據的量級有多龐大，即便是互聯網巨頭們覆蓋十億級用戶的超級應用生態也是如此。