數據是人類(lèi)的發(fā)明。人類(lèi)定義了他們想要測量的現象，設計系統收集數據，在分析之前進(jìn)行清理和預處理，最后選擇如何解釋結果。即使使用相同的數據集，兩個(gè)人也可以得出截然不同的結論。這是因為數據本身并不是“地面真實(shí)”——能夠反應客觀(guān)現實(shí)的、可觀(guān)察的、可證明的數據。

　　你如何概念化一個(gè)現象，確定要測量什么，并決定如何測量，將影響你收集的數據。你利用AI解決問(wèn)題的能力很大程度上取決于你如何表述你的問(wèn)題，以及你是否能建立無(wú)歧義的”地面真實(shí)“。如果你的標準本身是錯誤的，那么結果不僅是錯誤的，而且可能對你的業(yè)務(wù)有害。

　　除非你直接參與定義和監視原始的數據收集目標、工具和策略，否則你可能無(wú)法掌握那些能幫你發(fā)現錯誤處理、解釋和使用這些數據的關(guān)鍵知識。大多數被我們成為“數據”的東西可能是些僅僅是用來(lái)支持某種議程的測量、與事實(shí)無(wú)關(guān)的信息集合、或者來(lái)自看起來(lái)合理、但是帶有偏見(jiàn)的收集工作。

　　下面是一個(gè)關(guān)于九個(gè)常見(jiàn)統計錯誤的速成班，每個(gè)管理者都應該熟悉：

　　不明確的目標：

　　未能確定收集數據的原因，意味著(zhù)你將錯過(guò)闡明假設和確定收集內容的機會(huì )。結果是你可能會(huì )收集錯誤的數據或不完整的數據。

　　大數據的一個(gè)共同趨勢是企業(yè)收集大量信息而不了解他們?yōu)槭裁葱枰�它，以及他們如何使用它。收集龐大而混亂的數據量只會(huì )阻礙你未來(lái)的分析，因為你將不得不通過(guò)更多的垃圾來(lái)尋找你真正想要的東西。

　　定義錯誤：

　　假設你想知道你的客戶(hù)上個(gè)季度花了多少錢(qián)在你的服務(wù)上。即使是這樣一個(gè)簡(jiǎn)單的目標也需要在你得到你想要的信息之前定義一些假設。

　　首先，你如何定義“顧客”?取決于你的目標，你可能不想把每個(gè)人都放到一個(gè)桶里。您可能希望通過(guò)購買(mǎi)行為細分客戶(hù)，以便相應地調整營(yíng)銷(xiāo)動(dòng)作或產(chǎn)品特性。如果是這樣的話(huà)，那么你需要確保你包含了關(guān)于客戶(hù)的有用信息，例如人口信息或支出歷史。

　　還有一些戰術(shù)上的考慮，比如你如何定義宿舍。你會(huì )使用財政季度或日歷季度嗎?許多組織的財政年度與日歷年不符。財政年度也在國際上有所不同，澳大利亞的財政年度從7月1日開(kāi)始，印度的財政年度從4月1日開(kāi)始。你還需要制定一個(gè)策略來(lái)解釋回報或交換。如果顧客在第一季度買(mǎi)了你的產(chǎn)品，但又把它退回去了呢?如果他們對你提出了質(zhì)量投訴并得到退款怎么辦?你把這個(gè)事件歸到哪個(gè)季度?所以定義不是那么簡(jiǎn)單。你將需要討論你的期望，并設置適當的參數，以收集你真正想要的信息。

　　捕獲錯誤：

　　一旦確定了希望收集的數據類(lèi)型，就需要設計一種機制來(lái)捕獲它。這里的錯誤可能導致捕獲不正確的或偶然的、有偏見(jiàn)的數據。例如，如果你想測試產(chǎn)品A是否比B產(chǎn)品更吸引人，但你總是在你的網(wǎng)站上顯示產(chǎn)品A，那么用戶(hù)可能不會(huì )頻繁地看到或購買(mǎi)B產(chǎn)品，從而導致你得出錯誤的結論。

　　測量誤差：

　　當你捕獲數據的軟件或硬件出錯時(shí)，或無(wú)法捕獲可用數據或產(chǎn)生虛假數據時(shí)，就會(huì )出現測量錯誤。例如，使用日志與服務(wù)器不同步，則可能丟失移動(dòng)應用程序上的用戶(hù)行為信息。同樣，如果你使用像麥克風(fēng)這樣的硬件傳感器，你的錄音可能會(huì )捕捉到背景噪音或其他電信號的干擾。

　　加工誤差：

　　許多企業(yè)擁有幾十年前的數據，原來(lái)能夠解釋數據決策的團隊早已不在了。他們的許多假設和問(wèn)題很可能沒(méi)有文檔化，這將取決于你推斷，這可能是一項艱巨的任務(wù)。

　　你的團隊可能會(huì )做出與原始數據收集過(guò)程中不同的假設，并得出截然不同的結果。常見(jiàn)的錯誤包括缺少一個(gè)特定的過(guò)濾器，使用不同的會(huì )計標準，并簡(jiǎn)單地犯方法錯誤。

　　覆蓋誤差：

　　覆蓋誤差指，目標受訪(fǎng)者都沒(méi)有足夠的機會(huì )參與數據調查的情況。例如，如果你正在收集老年人的數據，但只提供網(wǎng)站調查，那么你可能會(huì )錯過(guò)許多答卷人。

　　你的營(yíng)銷(xiāo)團隊可能有興趣預測所有移動(dòng)智能手機用戶(hù)的行為與未來(lái)的產(chǎn)品的關(guān)系。然而，如果您只提供iOS應用程序而不是Android應用程序，iOS用戶(hù)數據將使你對Android用戶(hù)的行為有有限的了解。

　　抽樣誤差：

　　當你分析一個(gè)較小的樣本時(shí)，就會(huì )發(fā)生抽樣誤差。當數據只存在于某個(gè)群體中時(shí)，這是不可避免的。結論：你得出的代表性樣本可能不適用于整體。

　　推理錯誤：

　　當統計和機器學(xué)習模型從已有數據中做出不準確的判斷后，它們之后的推理結果也可能是錯誤的。如果你有一個(gè)非常干凈的“地面真實(shí)”數據庫，那么就可以用它去檢測數據模型得出的推理是否正確，但實(shí)際上，大多數數據庫是充滿(mǎn)噪音的，所以你通常很難確定AI推論的錯誤點(diǎn)在哪里。

　　未知錯誤:

　　現實(shí)是難以捉摸的，你不能總是輕易地建立事實(shí)。在許多情況下，比如使用數字產(chǎn)品，你可以捕獲大量用戶(hù)在平臺上的行為數據，而不是他們對這些行為的動(dòng)機。你可能知道一個(gè)用戶(hù)點(diǎn)擊了一個(gè)廣告，但你不知道他們對它有多惱火。除了已知的許多類(lèi)型的錯誤之外，還有一些未知，它們在以數據代表的現實(shí)和現實(shí)本身之間留下了一個(gè)缺口。

　　沒(méi)有數據科學(xué)或機器學(xué)習背景的管理人員通常會(huì )犯這九大錯誤，但許多更微妙的問(wèn)題也會(huì )阻礙AI系統的性能。