这几年，全国人民都知道北京的空气质量很差，来北京的朋友常说自己要到帝都吸霾去。今天早上，我看着郊外远方的群山想：今天的空气不错！ 其实，我来北京的这三个月，感觉空气都不错。

此前，济南和哈尔滨的朋友常说：和北京相比，我们这里的空气差远了！而前些年北京空气污染的天数，比上海还要少。数据分析师的习惯之一就是时刻提醒自己：数据会撒谎！于是，我便开始了怀疑：

一种撒谎的方式是“会哭的孩子有奶吃”，人们往往把呼声高和严重性混为一谈。北京污染的名声比济南、哈尔滨大多了，部分原因是京城的人有更多的话语权。于是，我在朋友圈发了一段话：北京的空气差，是不是因为北京的段子手和大腕太多了？很快，我的朋友圈里有了40多条回复：

l 有朋友开玩笑说：这是你人品好，到了北京空气就好了。这个观点当然是错的。从数据分析师的角度看，这是混淆相关性和因果性。

l 有朋友说：今天这个气温不足以产生雾霾。这个说法显然是片面的：因为三个月来有各种天气。

l 有朋友说：三个月的时间短，数据还没法验证你的结论。换句话说，我的观察没有对比，不足以证明 “雾霾轻”的存在性。但马上就有人说了：过去雾霾是很重，去年银杏叶黄的时候，三天有两天雾霾。这等于说“雾霾轻”确实是个事实。但一个人的观点，可能有随机性。还好有更多人说：今年的雾霾天确实少了。也就是说：感觉“雾霾轻”的观点是“大概率事件”。于是，我们可以质疑，确定这是一个事实。

l 有人说：可能是环保力度增大了吧？显然，污染治理与雾霾少是个有因果关系的猜测。这个猜测怎么来的呢？显然是根据已有领域知识得到的：而不是朋友本人通过测量实际排放和污染的关系得到的。

l “最近几个月，河北的钢铁厂减少了大量的产能”、“最近燃煤锅炉改成燃气了”。这些事实支撑了一种说法：污染排放确实大大减少了。

l “最近没有雾霾，主要是今年风大”。显然，这又是另外一种解释。在大数据分析时，往往会有不同的解释。这种解释挑战了“雾霾少是环保的结果”。

l “今年的风也不是特别大”。另一位朋友的观点，否定了“风大是雾霾少的原因”。但这个观点本身是不是靠的住呢？要严格证明，就要找到几年来刮风的历史进行对比....其实，如果这样不断地质询下去，要严格证明一个结论，要花很大的代价。

到此为止，我想用这个案例说说大数据分析的一些道理：

 数据分析的过程，其实是一个不断提出假设、不断进行验证或者修订的过程。修订和验证的原因，是因为存在很多种不同的解释。但是，要用数据严格证明一个结论，是非常难的，常常需要利用领域知识。

一般来说，对结论可靠度的要求越高，验证花费的代价就越大、要做的分析内容就越多。所以，数据分析工作往往只能适可而止。有人强调大数据分析是“关注相关非因果”，本质上就是要注意分析过程的代价、不要钻牛角尖。

而我们强调的却是：工业大数据不同于商业大数据，要“重视因果”。这个观点看似相反，本质上是说：工业对数据分析的可靠度要求高、论证结论时花的代价要适度大一些。事实上，用大数据分析的方法，永远得不到100%可靠的证明。所以，大数据分析一定是适可而止，只是止步的程度不一样。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。