认识数据与数据思维

1.1 为什么需要数据思维

人在作出判断时，总要借助某种材料。我们可能根据自己的经历判断一项安排是否合理，根据身边人的反馈推测多数人的态度，也可能根据长期积累的经验预测下一次结果。这些判断并非毫无根据：经验可以帮助我们迅速识别情境，发现问题，形成初步解释。但经验也有自己的观察范围。一个人见过的事情有限，容易记住特别鲜明的经历，也可能把身边人的情况当成所有人的情况。

例如，“大家都喜欢晚上参加活动”可能来自组织者与几位朋友的交流。这些交流可以成为线索，却还不足以支持面向全部学生的安排。要扩大认识范围，我们需要记录不同人的情况、比较不同条件下的结果，并检查哪些人没有进入我们的观察。数据思维正是在这样的需要中发挥作用：使判断的依据更清楚，使解释能够接受检查，使后续行动有机会被修正。

1.1.1 经验怎样与数据共同工作

经验帮助我们理解“什么值得问”，数据帮助我们检查“实际记录支持到什么程度”。如果完全离开经验和领域知识，数据中的变化可能没有解释；如果只相信经验，反面的记录又可能被忽视。较合理的做法是让两者相互校正：先提出一个有根据的猜想，再寻找相关记录，核实是否还有其他解释。

假设经营者认为销量下降是因为价格过高。这一经验判断可以引导分析者检查价格、销量、竞争和流量，但不能预先要求所有结果都证明价格有问题。若记录显示访问人数大幅减少、购买者转化情况变化不大，问题可能更接近流量来源。对原判断进行修正，是理解加深的表现。

1.1.2 数据环境改变了什么

数据长期存在于账簿、统计表和调查中。数字系统使更多过程可以持续留下记录：一次搜索、一次报名、一次支付、一次设备读数都可能被保存。这种变化既增加了认识问题的机会，也提高了理解记录的要求。我们可以看见更多细节，但也更容易被大量表面精确的数字吸引。

原书第 2 章从思维原料、主体、工具和形式的变化讨论数据思维的产生。本课程借这四个观察角度理解数据环境，而不把它们当成必须背诵的时代口号：

• 思考材料的变化：个人记忆和汇总结果之外，可以使用更连续、多来源的记录。细节增加后，必须追问记录覆盖了谁、怎样产生、哪些部分仍看不见。
• 参与判断者的变化：不同岗位的人可以共同查看记录、提出解释，系统也可以辅助计算和推荐。共同参与并不意味着责任消失；谁定义问题、谁检查结果、谁决定行动仍要明确。
• 工具的变化：表格、统计方法、数据库和模型扩展了处理能力。工具可以加快计算，却不会自动确认业务含义，也不能替人决定什么目标值得追求。
• 思考形式的变化：判断更容易表现为可记录、可比较、可更新的过程。一次结论可以成为下一次检查的起点，而不是分析完成后就不再追问。

这些变化说明，学习数据思维需要同时提高两种能力：利用记录扩展观察，以及对记录和推论保持审慎。只增加数据使用量，未必使判断更可靠。

1.1.3 本课程的学习对象

本课程研究的是怎样以数据为材料进行认识和行动。学生需要理解概念、辨认证据、解释条件和修正判断。软件操作可以帮助实现这些过程，但本单元并不要求编程。面对一份小表格时，认真解释记录的含义与适用范围，同样是在实践数据思维。

1.2 从数到数据、信息与证据

理解数据思维，首先要分清我们正在处理什么。“数”“数据”“信息”“证据”和“知识”有联系，却不能直接互换。它们在不同学科中有不同定义，本节采用适合本课程问题分析的入门区分。

1.2.1 数是抽象表达，数据带有记录含义

数用于表达数量、次序或关系。单独写出的“420”可以进行数学运算，但在现实分析中，它还缺少对象与含义。数据则是对对象、状态、事件或行为的记录或表达。把“420”解释为“截至某日，某场活动的有效报名人数”，才使它能够进入现实判断。

数据可以是数值，也可以是文字、图片、声音和位置。例如，“入口难找”是一条文字反馈，照片可以记录场地布置，时间戳可以记录一次扫码发生的时刻。它们是否适用于分析，取决于记录内容与问题之间的关系，而不是能否立即进行算术运算。

外观像数字的内容也未必表示数量。活动编号“420”承担识别作用，不能因为它大于编号“110”，就认为对应活动规模更大。使用数据之前，应先识别其语义：这是数量、类别、顺序，还是标识？

1.2.2 对象、变量与取值

对象是被描述的人、事物或事件；变量是对象可能具有不同取值的特征；取值是该特征在具体对象上的记录结果。以一条学生报名记录为例，对象是某名学生的一次报名事件，变量可以包括提交时间、活动编号和报名状态，取值分别是具体时间、编号以及“有效”或“取消”。

这三个概念帮助我们看清：一条记录到底在描述谁的什么。如果把每次提交当成一个人，就会混淆事件与对象；如果把“提交状态”误当成“实际参加状态”，就会混淆不同变量。很多分析错误发生在计算之前，根源是记录含义没有被确认。

1.2.3 数据为什么需要语境

语境是解释记录所需要的背景和规则。除了对象、变量、取值，还要说明单位、时间、来源和统计口径。单位决定“人”和“条”能否相加；时间决定哪些记录属于比较范围；来源帮助我们理解记录如何形成；口径说明哪些记录被纳入、如何去重和汇总。

“本月销售额 10 万元”看似清楚，仍可能包含不同口径：下单金额、已支付金额，或扣除退款后的金额。若比较双方使用不同规则，数字本身都可能正确，比较却没有回答同一个问题。因此，口径应成为结果的一部分，而不是事后才补上的注释。

1.2.4 信息是数据对问题产生的意义

本课程把信息理解为数据在具体语境中被解释后，对一个问题产生的意义。“A 到场 210 人，B 到场 88 人”是记录结果；“按实际覆盖人数看，A 更多”是对比较问题形成的信息。如果问题变成报名者是否到场，还需要报名人数，原有两条数据就不够了。

同一份数据面对不同问题，可能形成不同信息。更多处理步骤也不保证信息更多：把不相关的记录汇总得再细，仍可能无法回答当前问题。解释必须结合问题、概念和领域知识。

1.2.5 数据怎样成为证据

证据是用于支持或检验某个主张的依据。数据能够成为证据，需要与主张相关，来源和口径足够清楚，质量和覆盖范围能够承担相应的推断。证据的作用总是相对于具体主张而言的。

例如，签到记录可以支持“按该规则核实的到场人数为 80”，却不能单独支持“这 80 人都有兴趣”或“活动提升了他们的能力”。后两种主张涉及心理状态或学习变化，需要不同证据。数据真实存在，与数据足以支持结论，是两件需要分别检查的事。

知识是在理解、检验和经验积累中形成的较稳定认识。一次观察可以提供线索，多次在明确条件下的检验可以加深认识，但不会自动变成无条件适用的规律。所谓“知道怎样改进”，还包含何时适用、怎样实施以及有哪些限制。

这条关系用于帮助理解，不是一条自动加工流水线。每一次箭头都需要人的选择和推理，也可能回头修改。发现证据不适用时，应重新检查问题和数据，而不是只继续增加计算。

1.3 大数据与数据化：认识材料怎样改变

当更多活动通过数字系统完成时，记录不再只来自专门调查，也可能伴随业务持续产生。一次交易可能同时留下时间、商品、数量、支付和售后记录；一次阅读可能留下页面、停留与后续操作。数据的规模、速度、多样性与连接条件一起改变了处理问题的方式。

1.3.1 怎样理解大数据

大数据通常指规模、复杂性、产生速度或其他处理要求，使传统处理方式难以有效应对的数据集合及相关问题。它没有适用于所有任务的固定行数门槛。百万条短记录与少量高分辨率影像，对存储和分析的要求可能不同。

常用的认识角度包括规模、速度和多样性，也常讨论可信程度与应用价值。这些角度帮助我们识别处理难点，不是判断数据有用性的评分表。数据量小但记录准确、与问题相关，也可能比海量但不适用的日志更有价值。

1.3.2 数据化是一种选择

数据化是把现实活动的某些方面转化为可记录、处理和分析的数据。它不只是把纸表录入电脑，还包括决定观察哪些行为、用什么分类和尺度表达、何时记录，以及保存什么字段。把体验记录为五分量表，把行为记录为点击事件，就是不同的数据化方式。

数据化扩展了观察能力，也设定了观察边界。一套只记录点击的系统容易看见“点了多少”，却未必能看见内容是否被理解；一份只面向到场者的问卷容易看见到场体验，却未必能解释缺席原因。未进入记录的内容不会因为系统数据量增加而自动出现。

1.3.3 数据形式与分析方式

结构化数据按较固定的字段组织，例如每笔订单都有订单号、时间和金额。半结构化数据带有标记或层次，但未必是一张固定表，例如某些日志和 JSON 文件。非结构化数据较难直接放入统一行列，例如图片、录音与自由文本。

这些区分是处理上的便利，不是价值等级。文字反馈能够指出某个数量指标没有覆盖的问题；把文字分类为“时间冲突”“内容兴趣”等类别，则需要解释分类规则和处理分歧。把资料变成表格，是分析过程的一部分，不意味着资料的全部意义已经保留。

1.3.4 为什么丰富数据仍需要理论

理论提供概念与关系，帮助我们知道观察什么、怎样解释。如果没有“参与”与“完成”的区别，就可能把提交作品当成真正完成；如果没有“目标”与“指标”的区别，就可能把浏览量直接当成经营效果。更丰富的数据可以提出新问题，却不能让概念和推理变得多余。

因此，数据思维要同时处理数据机会和解释责任：既利用新的记录方式扩大观察，又检查每种记录能表达什么。后续学习采集、样本和质量，就是为了使这项检查更具体。

1.4 数据科学、数据思维与相关思维方式

“数据科学”与“数据思维”经常一起出现，但它们的侧重点不同。前者涉及研究与实践领域，后者强调人面对问题时的认识方式和判断习惯。理解区别，可以避免把学习数据思维缩减为学习一个软件。

1.4.1 数据科学研究什么

数据科学是综合利用统计、计算、数据管理与领域知识，从数据中形成认识、解释和应用的交叉领域。它包括如何取得数据、怎样组织和处理、使用什么分析方法、如何评价结果，以及如何把结果用于具体问题。编写程序和训练模型可能是其中的工作，但不是整个领域的全部内容。

数据科学中的不同知识承担不同职责。统计方法帮助理解差异与不确定性；计算技术使大规模处理可以实现；数据管理帮助组织和维护记录；领域知识则说明对象、规则和现实约束。任何一项都不能独自保证结论成立。不了解退款口径，算法也可能准确计算出一个不适用于经营判断的“收入”。

1.4.2 数据思维关注什么

这里的“思维方式”不是某一个计算步骤，而是比较稳定的关注点。例如看到百分比时追问总体范围，看到关系时检查其他解释，提出建议时说明证据和条件。这些习惯可以在借助工具时使用，也可以在没有工具的小型问题中使用。

数据科学为这种思维提供方法和工具，数据思维帮助使用者判断方法为何需要、结果可以怎样理解。知道公式怎样输入，与知道它在当前问题中是否合适，是不同层次的理解。

1.4.3 科学思维：解释应当可以接受检验

科学思维重视清楚的问题、合理的推理与可检查的证据。提出一个解释之后，需要说明什么观察支持它，什么观察会削弱它，并愿意据此调整。只有寻找符合原判断的例子，会让解释失去接受检验的机会。

“提醒能提高到场率”可以作为待检验的解释，但需要明确比较对象、提醒方式、观察结果及其他变化。科学思维并不要求第一次解释正确，它要求解释能够在证据面前被保留、修正或放弃。具体实验如何设计将在后续单元学习。

1.4.4 统计思维：差异与不确定性需要被看见

统计思维关注个体差异、过程波动、数据产生方式以及推断中的不确定性。两批学生的体验可能不同，同一活动在不同时间的结果也可能波动。从部分记录推测整体，或从一次结果推测未来，都需要考虑这种不确定性。

例如，“平均等待八分钟”不能说明每个人都等待八分钟；“收到二十份好评”不能直接说明所有参与者都满意。统计思维帮助我们继续追问分布、样本和比较条件，而不是停在一个平均值或比例上。本单元先理解这些追问的意义，计算方法留待后续展开。

1.4.5 三种思维怎样结合

面对“是否更改活动时间”的决定，科学思维帮助提出可检验的解释，统计思维帮助检查对象差异和观察稳定性，数据思维把问题、记录、解释、行动和反馈连接起来。它们互相交叉，没有一条绝对界线，也不是谁取代谁的关系。

一个好的判断既需要可检验的理由，也需要对不确定性的理解，还需要说明在现实约束下怎样行动。即使暂时缺少完整证据，也可以提出有限建议，同时明确需要继续观察什么。

1.5 数据思维的基本范式：怎样研究、怎样认识、怎样行动

范式可以理解为相对稳定的问题观、证据标准和解决路径。它比一个技巧或流程图更宽：不仅规定“做哪些步骤”，还影响“什么是值得回答的问题”“什么理由可以接受”。原书第 2 章从方法论、认识论和行动范式讨论这一主题，下面采用本课程的入门解释。

1.5.1 方法论：怎样组织研究过程

方法论关注研究怎样开展，所用方法为什么合适。分析之前，需要明确问题、对象和目标；使用数据时，需要说明来源、处理与比较规则；形成解释后，需要检查它是否被证据支持。选择方法应当服从问题，而不能因为手头有一张表或一个工具，就把问题改造成工具容易回答的样子。

例如，调查“学生为什么缺席”与计算“有多少人到场”是不同任务。签到表适合整理到场情况，原因问题可能还需要其他材料。方法合适不仅是计算正确，更是材料和步骤与问题相匹配。

这条过程是本课程整理的方法框架，实际工作可以往返。发现关键变量没有记录，可能返回采集阶段；发现问题过宽，可能重新界定。流程不是一次填完的清单。

1.5.2 认识论：我们凭什么相信一个结论

认识论关注知识与判断的依据。对数据分析而言，需要区分记录显示的现象、分析者提出的解释，以及最终作出的主张。观察到两项数量一起变化，是一种关系；认定其中一项导致另一项变化，则是力度更强的主张，需要更多条件和证据。

评价证据时，可以从三个方面追问：它是否与当前主张有关；记录和处理是否可信；它能够支持多大范围的推断。一次活动的回应者评分，与所有活动参与者的体验，不是相同范围。保持边界不是拒绝结论，而是明确哪些认识已有根据，哪些仍是猜想。

判断的信心应与证据强度相匹配。新材料改变了记录覆盖或解释条件时，结论也应更新。表达“现有数据支持某个方向，但还不能排除另一解释”，往往比把每个结果都写成确定答案更准确。

1.5.3 行动范式：怎样在有限认识下作出选择

现实中不能等到完全消除不确定性才行动。数据能够说明现状、可能效果和风险，但行动还涉及目标、成本、公平和责任。目标如何确定、风险由谁承担，需要决策者明确，而不是让一个数字默默替代这些选择。

例如，两种方案分别有较大覆盖人数和较高完成率，选择取决于当前优先目标。数据可以帮助说明取舍，却不能只凭数值宣布哪种目标更值得追求。作出决定后，还应观察实施情况，识别预期之外的结果。

方法论要求过程合理，认识论要求主张有据，行动范式要求选择可解释并可反馈。三者结合，构成了本课程评价一段分析的基本依据。

1.6 数据思维的五个特点

整体性、量化性、互联性、价值性与动态性，是原书组织数据思维特点的五个主题。它们分别回答观察范围、表达方式、关系结构、应用目的与时间变化的问题。下面逐项解释其含义和边界，而不只把它们列成五个标签。

1.6.1 整体性：把局部放回过程与情境

整体性要求认识局部与整体的关系。某个指标可以描述一个环节，但解释其意义需要了解前后过程、相关对象和总体目标。到场人数更多，可能意味着覆盖增加，也可能伴随拥挤、较低完成率或更高成本。单独看人数，无法说明这些关系。

整体观察并不要求一次收集所有数据。它要求先确定问题涉及哪些重要关系，再选择足以支持判断的材料。若决定是否增加签到人员，重点可能是集中到达时段与等待情况，不必因此取得每位学生的全部生活记录。

整体性还提醒我们，总体汇总不一定代表所有部分。总体评分稳定，某类参与者的体验仍可能恶化。因此，“关注整体”同时包括避免被单一局部支配，以及避免总体数字掩盖重要差异。分组分析将在后续学习。

1.6.2 量化性：把差异表达得更清楚

量化性是用明确的尺度和规则表达状态、差异与变化。“很多人等待太久”提出了问题；记录等待时间及超过某个时长的人数，使比较可以接受检查。量化的价值在于清楚表达和复查，不在于数字本身显得客观。

量化需要说明所测对象、单位、时间和计算规则。“到场率”只有在分子与分母的范围明确时才有解释力。增加小数位可以使表示更细，却不能弥补记录本身的误差：来源不清的 80.00% 不会比口径清楚的 80% 更可信。

不同事物也不能只因为有数字就直接比较。评分等级、编号和金额具有不同含义；满意度与学习收获也不是同一个概念。合理量化必须先理解概念，再决定用什么可观察的材料表达它。

1.6.3 互联性：在关系中理解数据

互联性使我们关注对象之间、业务环节之间和记录之间的关系。报名、签到与后续参与分别描述过程的不同部分，连接后可能发现哪些报名者到场、哪些完成者继续参加。这类认识不能单靠任何一张孤立表获得。

连接必须有语义和记录依据。两张表都有编号，不表示编号一定指向同一对象；两个事件时间接近，不表示是同一个人完成。错误连接可能得到结构完整但实际含义错误的结果。记录能够连接，也不直接证明某种因果关系。

互联性的价值也有条件。匿名反馈即使不能连接到个人，仍可帮助认识整体体验。为了连接而增加标识，可能改变表达意愿或带来隐私风险。应当先解释连接对问题有什么必要价值，再选择适当方式。

1.6.4 价值性：数据的意义取决于问题和使用

数据价值体现为它能够减少哪些重要的不确定性，改善什么理解或支持什么行动。它并不简单等于数据的数量、市场价格或技术复杂性。同一份资料在不同问题中价值不同：历史到场记录可能帮助准备场地，却未必能解释学生对内容的兴趣。

为了体现价值，分析者需要说明数据如何进入决定。如果一个结果不会影响解释、方案或风险判断，就应重新考虑收集和处理它的必要性。收集、清理、保存和使用都有成本，也可能影响被记录者。

价值还涉及不同主体。组织者可能重视效率，参与者可能重视体验和公平。只把某一方容易计算的收益称为“数据价值”，可能遗漏另一方的损失。数据支持权衡，但不能消除价值选择本身。

1.6.5 动态性：判断应当随条件与证据更新

动态性关注时间变化。对象的需求、业务条件、记录方式和行为关系都可能变化。去年合理的安排，今年未必仍合适；过去适用的预测，也可能在环境变化后失准。因此，数据和结论应当带有观察时间与适用条件。

持续更新不意味着只看最新一个数值。一次波动可能来自随机变化、漏记或口径调整。比较前先确认定义一致，再判断变化是否具有解释意义。若记录规则变了，需要说明新旧结果为何可比或不可比。

动态性最终体现为有安排的复查：实施之后观察什么、何时检查、在何种结果下调整。记录新结果而不修正判断，只是不断积累数据；根据可靠新证据改进解释和行动，才形成持续学习。

1.7 数据思维的三个重要局限

理解数据思维，也要理解数据何时不能承担我们赋予它的期待。原书第 2 章讨论全数据、量化与相关关系中的问题。本课程从覆盖、测量与推论三个方面解释这些局限。

1.7.1 全数据的幻像：记录完整不等于现实完整

“全数据”必须相对于一个明确范围理解。系统保存了所有扫码记录，可以说明记录没有抽取一部分，却不能说明记录了所有实际到场者。忘记扫码、从其他入口进入或设备故障，都可能使现实中的行为未进入系统。

这里需要区分三个范围：我们关心的现实对象，记录机制能够观察的对象，以及实际保留下来的记录。即使第三个范围没有抽样遗漏，前两个范围仍可能不同。增加同一种记录的数量，无法自动补上机制看不见的部分。

应对这一局限，需要先说明数据覆盖范围，再寻找必要的补充来源。系统日志可以与现场核实、访谈或其他记录相互检查。结果若只适用于平台中的有效记录，就应这样表达，避免写成对所有人的无条件判断。

1.7.2 量化的局限：能够测量的不一定完整代表概念

一个复杂目标常被转化成较容易观察的指标。比如用参加次数观察活跃程度，用完成作品数量观察学习过程。这些量有用，但不能完整代表参与质量或真实学习收获。把某个指标当成目标的全部，会使未被计入的价值被忽视。

量化还可能影响行为。如果只奖励提交数量，人可能增加容易完成的提交，而不投入更有价值但难以计数的工作。这说明指标不仅描述行为，有时也会塑造行为。选择指标时，需要考虑它可能引导什么行动，以及是否遗漏重要结果。

应对方法包括解释指标与目标之间的关系，结合必要的文字和情境材料，并检查未预期影响。本单元先认识这种风险；怎样设计和制衡代理指标，将在第二单元系统展开。

1.7.3 相关性的局限：一起变化不等于因果已知

相关关系表示某些变量存在共同变化的模式。它可以帮助描述关系、提出研究线索，有时也能用于预测。但因果主张进一步要求：改变一个因素，是否会导致另一个结果变化？两种主张需要的证据不同。

例如，收到提醒的人到场率更高，可能是提醒有作用，也可能是本来更愿意参加的人更容易阅读提醒，或者两组人的活动时间不同。仅从共同变化，不能直接选择其中一种解释。即使预测准确，也未必说明执行某项干预会产生预期效果。

应对这一局限，应把观察与解释分开，提出合理的其他解释，判断还需要怎样的比较或检验。第 10—11 周将学习因果边界和对照思路，本单元不要求统计推断公式。

覆盖局限提醒我们“看见了谁”，量化局限提醒我们“实际测了什么”，相关局限提醒我们“可以推到哪一步”。这三个问题贯穿后续所有分析。

1.8 数据生产：现实怎样进入分析

前面讨论了数据的意义、思维方式及边界，现在进一步考察记录怎样形成。数据生产关注现实中的对象、状态和行为怎样被表达和保存；数据采集则关注怎样取得问题所需要的资料。在实际系统中，两者可能同时发生，但概念上值得区分。

1.8.1 从行为到记录，再到指标

学生走进场地，是现实行为；扫描入口二维码，是记录机制；系统新增编号与时间，是原始记录；按规则核实和去重，得到到场人数；再与有效报名人数对应，才能计算报名到场率。这条过程说明，指标不是脱离记录直接存在的客观答案。

记录机制说明谁在什么条件下、以什么方式留下记录；数据来源说明从哪个系统、文件或观察者取得记录。仅说“来自系统”仍不够，还要了解触发规则、覆盖入口和异常处理。理解来源与机制，才能知道记录的含义与盲区。

1.8.2 数据单位决定计算的意义

记录数是条目数量，人数是不同对象数量，人次是累计参与次数。一名学生重复扫码，可以产生多条记录；同一学生实际参加三次项目，可以计为一人、三人次。不同单位回答不同问题，不能未经解释互相替代。

去重也需要业务规则。统计活动签到人数时，同一人的多次扫码通常不能反复计人数；分析重复扫码情况时，事件本身又需要保留。不能只因为两行类似就删除，也不能只因为是两行就认定是两个人。明确问题与记录单位，是选择整理规则的前提。

1.8.3 记录怎样连接

连接是把有关记录对应起来，以便理解同一对象或过程的不同方面。本课程先用三个条件判断连接是否有基础：共同对象、统一标识和一致时间。

• 共同对象：记录属于同一场活动或相同业务范围。连接对象必须与问题一致。
• 统一标识：编号在不同来源中指向同一对象。字段名称相同、行号相同或姓名相近，都不能单独保证这一点。
• 一致时间：各阶段窗口的关系清楚。报名截止、活动当天和活动后七天可以不同，但必须共同支持当前问题。

这些是入门检查，连接之后还要检查缺失、重复和错误对应。一个人也可能对应多条事件记录，不应把一对多关系直接当成数据错误。匿名反馈无法连接到个人时，应尊重这一设计边界，保留其汇总和解释价值。

1.8.4 未记录与未发生，未知与零

“未记录”描述资料中没有找到相应内容；“未发生”是关于现实的判断。没有某人的签到记录，可能来自缺席，也可能来自漏签或编号变化。只有记录机制的覆盖和质量足以承担判断时，才能把未记录进一步解释为未发生。

“未知”表示当前没有可靠信息，“零”表示在确定规则和范围下确认数量为零。没有取得后续参与表，不能填写后续参与人数为零。保留未知有助于准确识别缺口，也让下一步补充记录有明确方向。

1.8.5 从生产到使用，需要保留什么说明

资料进入分析后，仍应保留来源、时间、单位与处理规则。这样结果才可以复查，其他人也能理解数字怎样形成。数据还需要被保存、更新、共享或删除，这涉及生命周期与责任，后续单元将进一步学习。

本课程的数据地图，就是把上述关系放在业务过程中的应用工具。它不代表一项新的普遍理论，也不替代概念学习。下一节用一个完整例子，把数据含义、思维特点和证据边界一起用于判断。

1.9 综合应用：从概念到有条件的判断

先把理论用于一个简单比较。校园音乐节 A 有 420 名有效报名者、210 人到场；实践工作坊 B 有 110 名有效报名者、88 人到场。假定到场者都属于对应报名者，记录已按相同规则核实。这两项模拟活动用于观察目标怎样影响判断。

如果优先考虑覆盖人数，A 提供了更大规模；如果优先考虑报名者的到场情况，B 的比例更高。这里同时使用了量化性和价值性；承认成本与体验尚未知，则体现整体观察和认识边界。选择目标本身仍需要决策者说明理由。

用数据地图理解记录过程

下面换到第 2 周的 W02 实践工作坊。它与前面用于比较的 A、B 活动是不同的模拟活动，人数不共用。假设记录经过核实，并采用以下规则：

• 120 条报名记录按活动、参与者、状态和截止时间整理，得到 100 名有效报名者。
• 84 条签到记录整理为 80 名到场者，均属于这 100 名有效报名者。
• 80 名到场者中，60 人通过实践验收。
• 这 60 人在相同的活动后 7 天窗口内，有 24 人继续参与项目，共产生 30 人次参与记录。
• 反馈问卷不包含个人标识；宣传日志没有可连接的参与者编号。

窄屏上可左右滑动表格，查看证据边界。

同一个分子，可以回答不同问题

75% 和 60% 都正确，因为它们的分母不同。30 人次也有意义，但不能拿 30 ÷ 60 当作“后续参与人数比例”，因为同一个人可能参加多次。

从地图提出有限而有用的行动

现有记录显示，60 名实践完成者中有 24 人在 7 天内继续参与，比例为 40%。当前数据不能解释其余完成者未继续参与的原因。建议先了解时间冲突、入口清晰度等可能障碍，再选择改进措施；下次仍按相同窗口与口径记录后续参与。

这里没有说“40% 一定很低”，因为缺少目标或基准；也没有说“改入口一定有效”，因为原因尚未确认。地图帮助我们把已知结果与待核实问题分开，找到下一步值得补充的证据。

1.10 情境迁移：理论怎样约束分析

店铺的曝光、访问、加购、支付、退款和复购，也由业务行为产生记录。不过这些环节并非所有人都会依次经过，退款是一种售后事件，不能把它机械地当成所有客户通向复购的必经阶段。

一个访客编号即使不显示姓名，也不一定跨设备、跨平台稳定。连接前应确认它的作用范围。具体渠道归因和漏斗比较在后续单元展开，此处只判断当前数据能否支持连接。

1. 店铺数据能证明什么？

   某周有 1,000 条访问记录和 100 笔支付订单。负责人说“有 10% 的访客购买了”。这句话缺什么证据？

   先想一想，再展开参考解析

   访问记录可能包含同一访客多次访问，订单也可能来自重复购买，部分订单可能不属于该周访客。需要核实不同访客人数、其中购买者人数、两者的标识对应和时间范围。100 ÷ 1,000＝10% 的算术成立，但暂时不能称为访客购买比例。

1.11 概念自测与个人练习

先合上前面的解释，用自己的话回答，再展开解析。先检查概念是否理解，再完成记录与分析练习；背出名词不能替代说明关系。

1. 解释数据、信息与证据

   “系统记录了 80 名签到者”怎样形成信息？它能够支持“活动提升了学习能力”吗？

   先想一想，再展开参考解析

   把记录放入相应对象、时间与规则，可以理解该场活动的签到规模；结合有效报名人数，还可以形成比例信息。它可支持范围明确的签到判断，但没有直接测量学习变化，不能独自承担学习能力提升的主张。证据是否充分，必须针对具体主张检查。

2. 解释数据科学与数据思维

   会使用工具计算所有比例，是否就意味着已经完成数据思维的学习？

   先想一想，再展开参考解析

   工具操作是处理能力的一部分，仍需检查比例的对象和口径是否合适、解释是否有证据、行动是否符合目标。数据科学提供研究方法与工具，数据思维关注怎样理解、判断并使用这些能力。正确计算不能自动补全问题与解释。

3. 把五个特点联系起来

   只评价报名人数，记录得非常精确，是否已经是合理分析？

   先想一想，再展开参考解析

   尚未。精确记录只涉及量化的一部分，还需检查整体过程和目标、与到场等记录的关系、该结果如何影响决定，以及条件是否需要随时间复查。五个特点共同约束分析，并非满足其中一个就足够。

4. 区分三类局限

   完整保存扫码记录、用次数代表学习质量、把共同变化直接解释为原因，分别暴露什么问题？

   先想一想，再展开参考解析

   第一种仍可能遗漏未扫码的现实行为，属于覆盖边界；第二种可能让可测指标替代复杂目标，属于量化边界；第三种把相关推进成因果，属于推论边界。分别需要检查观察机制、概念与指标的关系，以及合理的其他解释。

5. 数清人和人次

   4 位学生分别参加 1、2、1、3 次后续活动。共有多少参与人数和人次？

   先想一想，再展开参考解析

   4 人、7 人次。人数计算不同对象，人次累加参与次数。若要计算参与比例，还缺少有资格参与的总体人数和观察窗口。

6. 检查连接规则

   两张表都有“参与者编号”，就一定能连接吗？

   先想一想，再展开参考解析

   不一定。还要确认编号指向同一对象、是否属于同一活动、窗口是否合理、是否有缺失或重复。字段名称相同只是线索，不是连接可靠的证明。

7. 保留匿名数据的价值

   匿名问卷不能连接到个人，是否意味着它没有分析价值？

   先想一想，再展开参考解析

   不是。可以汇总回应者的体验和意见，发现需要进一步调查的主题。不能进行个人追踪，也不能不加条件地推广到所有学生。匿名可能是有意的设计选择。

8. 解释一条有限结论

   工作坊后续参与率为 40%。是否可以据此说“学生兴趣不足，所以要增加奖品”？

   先想一想，再展开参考解析

   不可以。40% 描述给定总体与窗口中的结果，没有提供兴趣、时间冲突、项目入口等原因证据，也没有证明奖品有效。可以先核实可能障碍，再决定行动，并继续记录效果。

1.12 概念体系回顾与关联阅读

本单元从“为何需要数据思维”进入，先建立对象、数据、信息和证据的关系，再区分学科与思维方式，随后用范式、特点和局限解释分析的要求，最后理解记录产生并应用于具体问题。这些概念共同构成后续单元的基础。

合上教材，试着说明这些问题

可勾选已经能够独立解释的项目。勾选只用于当前页面自检，不计分，也不保存学习记录。

• 我能解释经验与数据怎样相互校正。
• 我能区分数据、信息、证据和知识，说明每一步为何需要解释与检验。
• 我能说明数据科学与数据思维的区别及三种思维的联系。
• 我能从怎样研究、凭什么相信和怎样行动解释基本范式。
• 我能逐项解释五个特点，说明它们为何不能相互替代。
• 我能区分覆盖、量化和相关关系中的局限。
• 我能理解记录机制、单位与连接，将理论用于有边界的分析。

与胡广伟《数据思维》的对应

采用清华大学出版社 2020 年版，ISBN 9787302561385。以下章节定位依据出版社公开目录核实。本读本按这些理论主题组织原创解释，并使用课程补充与模拟例子帮助理解。书中概念涉及更广的讨论，本单元保留适合课程入门的范围。关联章节供进一步阅读，不表示逐字摘录或完整覆盖原章。

阅读胡广伟《数据思维》电子书（PDF） ↗

出版社图书介绍 · 原书完整目录

本单元学到哪里为止？

必须理解的是基本概念之间的关系、思维特点与局限，以及记录和证据怎样支持判断；范式部分以能举例解释为目标，不要求哲学术语记忆。指标体系与代理指标在第 3 周展开；测量和样本在第 4—5 周展开；数据清理与生命周期在第 6 周展开。本单元不要求数据库设计、代码实现、抽样公式或机器学习算法。

接下来，你已经知道数据怎样来，却还要回答：“提升活动效果”究竟提升什么？第二单元将从这个问题进入目标、指标与统计口径。

配套复习：第 1 周课堂课件 · 第 2 周课堂课件 · 第 1 周理论课件 · 第 2 周理论课件