data-deep-analysis（数据深度分析）

系统性深度分析

随意下结论浪费时间，也会误导决策。表面现象可能掩盖真实原因。

核心原则： 先找根因再下结论。表面归因是失败。

铁律

没有充分证据，不下任何结论

如果没有完成信息收集和交叉验证，就不能声称"原因是 X"。

适用场景

• 数据中出现矛盾或异常
• 多个来源说法不一致
• 需要判断因果关系（不只是相关性）
• 结论会影响重要决策
• 直觉判断和数据不符

尤其在以下情况使用：

• 时间压力下（压力让人想跳过验证）
• "显而易见"的结论（越显然越可能是偏见）
• 已有预设立场时（确认偏误最危险）

四个阶段

必须按顺序完成每个阶段。

阶段 1：信息收集

在形成任何观点之前：

1. 识别所有信息来源

- 一手数据 vs 二手资料 - 来源的可信度和偏向 - 时效性——信息是否过时 - 缺失的信息——哪些数据我们没有

1. 交叉验证

- 同一事实是否有多个来源确认 - 来源之间有没有矛盾 - 矛盾的原因是什么（定义不同？时间不同？口径不同？）

1. 区分事实与观点

- 哪些是可验证的事实 - 哪些是推断或观点 - 推断基于什么假设

1. 数据溯源

- 数字从哪来？计算方法是什么？ - 样本量是否足够？ - 有没有选择性使用数据

阶段 2：模式识别

在数据中寻找规律：

1. 对比基准

- 和历史数据比怎么样 - 和同类/竞品比怎么样 - 偏差有多大——是噪音还是信号

1. 多维度审视

- 从不同角度看同一数据 - 聚合数据 vs 细分数据是否讲述不同的故事 - Simpson 悖论——整体趋势和分组趋势相反

1. 识别因果 vs 相关

- A 和 B 一起出现，不代表 A 导致 B - 有没有第三个变量 C 同时影响 A 和 B - 时间顺序是否支持因果判断

阶段 3：假说与验证

科学方法：

1. 形成假说

- 明确陈述："我认为 X 是因为 Y，基于证据 Z" - 写下来 - 具体、可证伪

1. 寻找反例

- 主动寻找反驳自己假说的证据 - 如果找不到反例，假说更可信 - 如果找到反例，修改假说

1. 压力测试

- 这个结论在极端情况下还成立吗 - 换一个时间段还成立吗 - 有没有替代解释同样合理

阶段 4：结论形成

有证据支撑的结论：

1. 分级置信度

- 高置信：多来源交叉验证，因果链清晰 - 中置信：有数据支撑，但有一些不确定性 - 低置信：有限数据，推断较多 - 明确标注每个结论的置信度

1. 陈述局限性

- 这个分析没覆盖什么 - 哪些假设可能不成立 - 结论在什么条件下可能失效

1. 给出建议时区分

- 基于数据的建议 vs 基于判断的建议 - 明确标注哪些是事实，哪些是观点

危险信号 — 立刻停下

如果你发现自己在想：

• "这个很明显，不需要验证"
• "数据基本上支持结论"（基本上 = 没完全支持）
• "大家都这么说"（大家 ≠ 证据）
• "先下结论，后面再补充数据"
• "这个反例是特殊情况"（也许不是）
• "时间不够了，先用这个结论"

以上都意味着：停下。回到阶段 1。

常见合理化借口

快速参考