每日读书精华 – Analytics the Right Way

Analytics the Right Way: A Business Guide to Making Decisions with Data

Tim Wilson · Wiley（商务分析决策指南，2023年前后；作者 Tim Wilson 为资深分析顾问，书为合著）

💡 核心洞见（5条）

📌 具体而言，以下洞见提炼自本书核心章节，兼顾理论框架与可执行方法，供日常决策参考。

1. 降价10%后营收涨了，团队开香槟——但这是本书最狠的一课：你只看到了『实际发生』的那条线。把『如果当时没降价』的反事实线补上，修正后的对照显示：不降价营收本会长得更多。也就是说，降价非但没帮上忙，反而吃掉了利润。任何『我们做了X、指标Y改善了』的结论，第一步都该问：Y的变化落在『不做X本可能的结果区间』里吗？还是只是恰好发生了？
2. 职业扑克玩家 Annie Duke 一句话点破决策幻觉：一手牌赢了不代表你打得好，输了也不代表你打错了——结果=技术+运气。商业里我们习惯用后见之明宣判决策好坏（『早知道就该……』），但那条『本可以』的线永远不会被验证。书里把这叫 resulting，是数据分析误用的最深根源：用结果反推决策质量。
3. 市场团队把『社媒互动量』和『订单量』按时间画在一起，两条线齐头并进，R²=0.79，结论『社媒在驱动订单』。但当他们改用『一阶差分』（看每天的变化量而非累计值），R² 直接掉到 0.00——两个指标根本没一起动过。多数时间序列的『强相关』只是共同随时间上涨的假象。看趋势图下结论前，先问一句：去掉时间趋势，它们还相关吗？
4. 『活动跑完拿到1500个合格线索，表现好吗？』——这是分析师最怕被问的问题，因为答案取决于『你当初期望多少』。书里把绩效测量定义成一台『时光机』：在启动前就锁定期望值（目标），之后只比对实际 vs 期望。只列 KPI 不设定量目标的团队，最后拿到的是40页仪表盘和一句『所以……好吗？』。两个魔法问题：①我们到底想达成什么业务结果？②什么量化阈值算成功？
5. 1993年《一对一未来》就提出了个性化营销，30年后还是一堆团队一上来就造完整的自动化机器，等跑起来发现没有证据证明确实有效，却因沉没成本关不掉。书里给的解法：把每个功能点当假设，先用 MVP 手动或半自动试，证明确实带动转化再固化进系统。先验证、再工程化——这条对当下疯狂往流程里塞 AI 的团队尤其刺耳。

💥 最震撼案例

最震撼的是那个『降价反事实』案例。一家公司6月初全线下调10%价格，年底看数据：营收涨了，团队准备庆功。但书里把『如果没降价』的反事实曲线补上后画面反转——不降价营收本会涨得更多，那条看似成功的动作实际在吞噬利润。它暴露了因果推断的根本难题（Fundamental Problem of Causal Inference）：我们永远无法回到过去试另一种选择，只能估算『本可能发生什么』。所以任何『做了X、Y好了』的结论，第一步都该补上那条没被选择的反事实线。

一本敢把『数据不能消除不确定性』写进第一章的 analytics 书——如果你带数据团队、或被『这个动作带来增长』的 PPT 坑过，它比十门 Python 课更值钱。

causal-inference-sanity-check —— 用反事实框架检验一个因果声称的可信度
触发词: 我们做了X，指标Y涨了/跌了，是不是X导致的？ / 这个增长是XX带来的吗？
输入: 一个动作X + 一个观测指标Y的变化描述
输出: 因果可信度评级（强/弱/无）+ 需排除的混淆变量清单 + 推荐验证方式（实验 / 一阶差分 / 控制变量）

kpi-target-setter —— 用两个魔法问题生成带定量目标的 KPI 清单（绩效测量时光机）
触发词: 帮我们定这个项目的KPI / 这个活动怎么衡量成功 / 指标怎么设目标
输入: 项目/活动/倡议的一句话描述
输出: KPI 列表（每项含定量目标）+ 为什么不是『虚荣指标』的说明 + 未达标时的三级假设（管理者已知 / 同侪知识 / 不明原因）