工作报告中数字的欺骗性【转帖】

人们常说“用数字说话”，似乎用数字和图表说话的报告更客观更有说服力。实际情况并不一定，有时候数字具有欺骗性。数字本身没有问题，但有些数字人为地有选择性地组合起来就具有欺骗性。

    讲几个听朋友讲到的工作中数字有关的事情，估计类似的事情很多朋友都会遇到：

    故事一：因不到10%的客户留电子邮件而拒绝运营电子化的故事

    大概在10年前，互联网已普及，但移动互联网还没有刚刚起步。曾向公司总部一个运营管理的主管建议，建议公司客户的购买和服务单据电子化，减少或取消填写纸质购买或服务需求单，一方面可以节约成本，另一方面可以提高效率，并且电子化肯定是一个趋势。

    当时这个主管是以客观数据拒绝，拒绝的理由是公司现有客户在购买填写的纸质单据中留有电子邮件的比例不足10%。现有客户不习惯使用电子化方式，为了适应大多数客户的习惯，不应花大力气去创新推单据电子化。

    （分析：运营电子化是一个趋势，应从行业发展趋势和公司发展的角度考虑问题。至于客户不留电子邮件有很多原因，如没有电子邮件只是选填项客户为了省事不填；即使客户真的没有电子邮件也不是公司不推电子化的理由。）

    故事二：分析“在岗位时间长短与业绩数据的关系”的故事

    某公司在做人力资源分析时，用数据统计分析了机构负责人在岗时间长短和业绩数据的关系，数据展示在岗时间长的负责人的业绩要好很多，在岗时间短尤其是在岗半年以内的的负责人业绩很差。以此数据证明保持干部稳定利于业绩提升。

    （分析：在一个需要业绩考核的文化里，业绩不好的机构负责人需要被淘汰更换，业绩好的机构不会更换负责人。不用分析，业绩差的机构换人了服务时间自然短。数据推理的因果关系颠倒了。至于结论是否正确跟列举的数据从逻辑上讲没有任何关系。）

    故事三：用一堆与结果无关的数字说明做出的工作业绩

    这类情况很常见，如培训的人在总结工作的时候用了参训多少人次，培训了多少学时。这个看似客观的数据时期说明不了什么问题，也体现不了工作业绩。培训真正的业绩在于是否符合传递了公司的战略和文化，是否培养的公司需要的关键人才，是否建设了公司的人才梯队，是否提升了公司员工的胜任力以适应公司要求。

    如招聘的人在总结工作的时候用发布了多少信息，筛选了多少简历，面试了多少人，录用了多少人。这个看似客观的数据多只能说明招聘的工作量，也体现不了工作能力。真正能体现招聘工作的是招聘是否满足了公司人才的需求，招聘进来的人是否能够胜任工作，半年一年后的留存如何，业绩表现如何。有的招聘能力差，选人不准往往会同一岗位多面试很多人，往往招的人短期离职率很高。

    （分析：用不能表现工作结果或过程中的的数字总结工作，往往是没有真正工作业绩的表现。）

    故事四：输入不同数据比较两种方案优劣的故事

    工作中需要用数据测算模拟以比较两种方案的优劣，对两种方案输入了不同的数据，在比较之初其实已有主观偏向，这样的数据测算比较即使分析报告再全面再复杂也说明不了问题。

    （分析：比较两者优劣一定要同一条件同一标准下比较，否则比较分析没有意义。）

    故事五：用一个投产比的标准去衡量所有对象的故事

    在公司经营过程中，常见的情况是要分析投产比，并且把所有的分支机构拿到一起比较，用一个投产比的标准或用投产比的平均值去衡量，因此得出分支机构经营的好坏。看似非常公平合理，其实用同一个投产比去比较是有前提的，所有的机构在同等条件下经营，如同一时间成立，配置的资源一样等，公司业绩较简单经营时间长短对投产比影响小。

    现实中机构成立有先后，对于业绩复杂投产打平时间要求较长的行业来说，用同一投产比衡量所有机构其实并不公平，那些成立时间长经营时间长业绩好的公司自然占有先天优势，用同一个标准来评价和分配资源自然不公平。

    （分析：看似公平的数据标准是有前提条件的，前提条件不对就不适用，看似公平的数据标准会导致很大的不公平。）

    工作中要避免数据的欺骗性，需要注意以下三个方面的问题：

    1、使用数据的方法论和逻辑是否正确  方法论和逻辑比数据本身重要，很多时候数据服务于逻辑和结论。看数据分析和报告很重要的地方是看分析的方法论和逻辑是否正确。如分析比较不同的方案优劣要用同样条件的数据去输入测试；如分析问题不能颠倒因果；如用过程指标的复杂来掩盖结果指标的难看……

    2、数据的衡量标准和核心理念是否吻合  在用数据评价业绩优劣时，需要建立公平的衡量标准；建立的评价标准要与经营的核心理念吻合。如一家处在快速发展初期且各机构发展不平衡的公司不适合用同一投产比的标准去衡量评价所有的机构；如招聘工作的衡量在于引进留存多少人才而不在于筛选多少简历面试多少人；如培训工作的衡量在于培养的符合公司发展需求的人才梯队而不在于了多少人次多少学时的培训……

    3、数据来源是否客观、准确、全面  还有很重要的一点是数据本身的真实准确性。看似简单，现实工作中往往做不到。很多人先有了结论，然后选择性找数据去证明自己的结论。人往往很奇怪，一旦有了一个想法，尤其是这个想法跟人公开说过后，后面就会想各种明这个想法的正确性。这种情况下收集的数据往往就很难做到客观、准确、全面。

    用数字说话没错，更需要用数字背后的事实和逻辑说话。