数字是工具，不是真相。知道数字会骗人，才能用好数字。
「DAU 增长了 100%！」听起来很厉害。但如果基数是 1，增长到 2，这个 100% 几乎毫无意义。
破解方法：永远同时报绝对值和相对值。「DAU 从 1 万增长到 2 万（+100%）」比只报「+100%」诚实十倍。
二战时，盟军统计返航战机，发现机翼弹孔最多，于是决定加固机翼。但数学家亚伯拉罕·沃尔德指出：统计的应该是没有返航的飞机——那些机翼被击中却没回来的，才是真正被打中的地方。
产品中的幸存者偏差：「我们的付费用户满意度是 4.5 分」——但 4 分以下的用户可能已经流失了，他们没有机会被调研到。
破解方法：流失用户分析才是关键。不要只看留下来的用户的满意度，要同时看流失用户为什么走。
两个变量相关，只说明它们「同时变化」，不等于一个导致另一个。常见误读：
「用了我们功能的用户留存更高，所以这个功能提升了留存」——但高留存用户可能本来就更活跃，有没有这个功能都会留。
破解方法：相关只是发现因果的起点，不是终点。想证明因果，必须设计控制变量的实验。暂时无法做实验时，结论要保守：「数据显示两者相关，可能的原因是……」
跑了 10 个指标，只报 1 个显著的——这是最常见的「数据造假」方式，也是最难被发现的。
破解方法：汇报时说明「我们测了哪些指标」。不显著的指标也要呈现，并解释「为什么不显著」——这反而体现了分析深度。
用户平均使用时长 20 分钟——但这个 20 分钟是两个完全不同的用户群：活跃用户每天 45 分钟，低活用户每天 2 分钟。均值 20 掩盖了这个事实。
破解方法：报均值时永远加中位数和分布描述。「均值 20 分钟，中位数 12 分钟（说明超过一半用户低于均值）」——中位数低说明分布右偏，少数高活用户拉高了均值。
UC Berkeley 1973 年录取数据：整体看，女生录取率低于男生；但分系别看，每个系女生录取率都高于男生。原因是女生更多申请了竞争激烈的系。
产品场景：某功能改版后，整体留存提升，但拆开看新用户留存下降、老用户留存大幅提升——整体数字掩盖了人群差异。
破解方法：下结论前，先按关键维度分层（新用户/老用户、iOS/Android、高活/低活），看各层结论是否一致。如果不一致，结论要加上「在 X 人群中……」的前提。
提示：点击正文区域或按 ← → 方向键翻页 · 按 ↑ ↓ 滚动