错误的数据分析导致错误的经营决策

10.1.6　错误的数据分析导致错误的经营决策

我们假设某次观众调研采用极具代表性的样本、设计周密的调查表以及能排除所有干扰性变量因素的研究方法,最后的程序就是分析结果、提出建议。然而,即使是最后一个步骤,仍然可能出现严重的问题。首先是统计上的问题。准确的量化分析涉及的运算技巧可能远远超出一位职业品牌经理的能力范畴(我们在此推荐一个大学水平的夜校课程———统计学101)。第二个难点在于从数据分析中得来的解释和结论。也就是说,数学计算可能是准确无误的,但数字所代表的真正含义却可能让人迷惑不堪。

对统计数据的解释可能会引发经理之间的争论。例如,很多调查在统计学上都会产生相关性,在这种情况下,就需要分析两种以上的(变量)因素,找出它们之间的密切联系。然而,当某种紧密的关联被轻率地解释为因果关系,即某个因素假定是导致另一个因素的原因时,问题就出现了。让我们从大自然中举一个例子。早上,太阳升起的时间和公鸡的第一声打鸣之间有一种很强的关联。然而,没有人会就此做出结论,说清晨的打鸣导致了太阳的升起,其中的荒谬性是显而易见的。但当媒介调查中出现同样的情形时,这种荒谬就不是那么容易觉察了。某个新闻节目的收视率和一周当中的某一天之间有着高度的关联,这并不一定就意味着观众喜欢那个晚上的新闻内容。导致那个晚上收视率表现特别突出的真实原因,也许就是一个不同寻常的前导节目或者是因为某个竞争性新闻节目“超时”的延迟播出。

警告:对两个营销因素之间的紧密关联的验证并不一定能证实它们之间的因果关系,只有控制性实验才能合理地洞察真实的因果关系。

在解释统计结果的过程中,另一个普遍存在的问题是:调查人员并没有意识到,任何以样本为基础的调查都存在着统计上的误差率。因为小规模样本抽样误差高,所以经理不应该为品牌在相对表现中出现的一位数的微小差异而烦恼不安。对于纯粹应用数字技术的尼尔森收视率和市场份额来说,更是如此。尼尔森提供一些基本方针,应用“标准误差”修正估算(是的,尼尔森承认,在他们自己发布的报告中存在着大量的抽样误差)。