1、整体带来的错觉
当我们观察宏观的数据时，常常会发现有些东西 无法理解。例如为什么人人都说楼价在跌，但公布的楼价数据却在涨？例如为什么经济感受那么差，宏观数据却还是在涨？
如果我们只在于 某个粒度 的数据，而不去考虑产生数据的 底层逻辑，很容易会被看到的数据所 误导 。
所以，我们要学习的，不是如何去 误导别人 ，而是如何去 不被别人误导。
2、一个例子
某知名连锁咖啡店在研究是否缩减店铺面积时，需要研究 店铺面积 与 销售 的关系。
抽取所有有开店的城市，看出一个趋势就是，当店铺面积越大的城市，店均销售是越差的
好，有这个数据支持，我们全部店铺可以通过缩减面积 ( 降低租金 ) ，还可以顺带提升销售，多好
但…不对啊，与直观逻辑对不上啊，我店铺面积大一点，不就能多点桌子，就能做多点生意了么？
不对劲
3、继续细拆
当我抽取几个城市的店铺来看一下先
哎哟，还是很乱…
只好逐个城市来看了
诶？这两个城市都是销售随着面积越大而提升的哦，我抽多两个城市来看看
诶，逐个城市来看，店铺面积与销售都是呈正相关的。
就是在同一个城市内，店铺的面积越大，销售会越高
但如果把他们的平均值放到一起，就会看到
北京、广州的店铺，销售 明显高于北海、大理。但 面积 远小于 北海、大理。
4、背后的逻辑
经过对大多数城市的继续细拆，可以得知：
- 在大城市中，店铺面积会较小城市小
- 在大城市中，平均销售较小城市的高
- 在同样的店铺面积中，大城市的销售会比小城市的高
- 在同一个城市中，店铺面积越大，销售越高
5、如果不认真思考数据背后的逻辑
如果在刚开始，我们通过城市粒度去看这件事情，我们很容易会得出 面积越小，销售也会越高 的结论，从而对我们的目的 “是否需要缩减店铺面积” 而给出一个简单的 肯定答案 。
但如果细拆到城市内店铺间的粒度，我们会发现其实结论是相反的。
同样，如果我们在做任何决策时，就依据很浅显的数据去做决定，那么我们很有可能得到一个错误的答案。
6、是否需要不断放大？
其实也不需要，我们首先需要明确我们的 目的 ，就是 “是否需要缩减店铺面积” 。
基于这个目的我们去研究数据时，始终需要围绕着 缩减面积带来的后果 。销售是最基础的，但如 租金、店铺位置、人工成本、管理成本、机会点等 都是必须考量的。
过度的数据分析会带来 目标的失焦 ，我们仅需要服务于我们的 目的 ，而不是单纯的服务于 数据 。
7、如何防止过度分析？
基于我们能 操作、可控 的手段，去回应 目的 ，才是数据分析的根本。
好了，到时间了，该回家了。
