得出分析结果

【ZhaoWu笔记分享】

现在，有了数据、判断和计算，是时候看看分析结果，并提出怎么办的问题，从而得出结论了。正如我们将在第9章中看到的，这些现在怎么办将为你打造的故事线之中的关键信息提供支持，协助你将解决方案推销给问题所有者。正如我们在第10章中看到的，这些现在怎么办还决定着幻灯片上的各个大小标题，因此，千万不要在这个步骤中得出 错误的结论。

分析结果有时是明确的，从中我们能得出一览无遗、无懈可击的结论。更常见的情况是，我们有不止一种方法来看待数据，有不止一种角度来理解数据。解决问题过程中的每一步都危险重重，而这里的危险同样在于，我们会立即得出支持我们心中的假设和我们头脑中的故事情节的结论，而不去考虑其他解释。这个证实性偏差的问题根深蒂固，克服此问题的唯一方法就是让别人来挑战你的分析。让同事来看一看你的数据，询问他们能否得出不同的结论，这样做的结果往往会让你大吃一惊。

其中一类证据，需要我们拿出寻根问底的质疑态度，那就是“关联数据”（correlation data）。为简单起见，也因为关于确定显著相关性的统计检验超出了本书的讨论范围，我们在此假定，相关性已得到合理的计算，并且具有显著的统计意义。但值得注意的是，对统计显著性的测试，并不能保证相关性在外行人士理解的一般角度上是有意义的。当我们得到一个结果，比如相关性有显著的统计意义，并不意味着这个结果反映了变量之间存在因果关系，只能说明你可以在测试所指定的级别（例如99%）范围内确信，这一相关性的确存在于现实中（比如在你研究的人口群体中）。统计显著性衡量的是你观察到的相关性的靠谱程度，但不能告诉你为什么这两个变量是相关的，而其背后的原因很可能与因果关系根本搭不上边。

举个例子，这段话摘自最近一份关于人工智能崛起的报告：“在我 们调查的3000家公司中，只有20%广泛应用了人工智能。那些报告应用人工智能的公司，利润率比行业平均水平高出3%～15%。”还有这项关于性别多样性的研究得出的结论：“我们发现，在公司高层管理团队中，女性的存在与更加优秀的财务业绩之间存在很强的相关性。”

在这两个案例中，分析师都观察到了两个变量之间的相关性——采 纳某项实践（人工智能或女性董事会成员）和公司的财务业绩。但是，这些相关性是否意味着因为企业有了这些实践所以获得了更好的业绩呢？对这一证据存在几种可能的解释。

首先，应用人工智能、增加女性懂事，的确可能带来更好的结果。有时，相关性是能反映因果关系的。热浪来袭与脱水致死之间，吸烟与肺癌之间存在显著的相关性，而且在每一种情况下，科学严谨的研究都表明前者导致了后者（虽然在第二个例子中，烟草行业数十年来一直声称两者之间的因果关系不可信）。

其次，盈利能力更高的公司，更有可能在早期就采用新技术，也更有可能是性别多样性的积极倡导者。如果事实如此，那么盈利能力就是公司采纳这些实践的原因，而不是结果。这个错误叫反向因果关系。 避免这种错误的一个切实可行的方法，是对事件发生的时间顺序进行调查：如果你观察到这些公司在采用新做法之前已经具备了较高的盈利水平，那么就必须怀疑此处出现了反向因果关系；如果你确认这些公司是在引入实践之后盈利能力才得到提高的，那么就可以将其作为支持性线索，证明实践与企业盈利能力之间的因果联系。

再次，在两个变量之间观察到相关性的第三种解释，是存在第三个尚未观察到的因素在驱动着这两个变量，这个因素可以证伪我们观察到 的相关性。我们在第4章提到过一个典型例子——游泳池中溺水的人数 和冰激凌消费量之间存在虚假的相关性：两者之中的任何一个都不会导致另一个事件的发生，但有一个共同的因素——炎热的天气，对两者都 产生了影响。在我们的例子中，人工智能的应用和女性懂事的任命，都 反映了公司主动做出的选择，而不是像实验研究那样是随机分配的。从研发支出的多少可以看出，专注于创新的公司可能会在做选择时有所偏重，因为创新型公司更有可能采用全新的实践。创新也是企业财务业绩的驱动力。在这种情况下，就算新事件对公司业绩没有发挥真正的影响，也会与较高的业绩水平产生关联。

最后，这些相关性可能只是将彼此毫无关联的事实放在了一起，说白了就是巧合。这种现象经常在时间序列数据中发生。举例来说，缅因州的离婚率与人造黄油消费额，以及被床单勒死的人数与人均奶酪消费额之间存在近乎完美的相关性。这种相关性很可能会让你觉得荒谬至极，事实也的确如此。但是，当你观察到的现象并不像上述情况那样八竿子打不着时，我们就会倾向于从相关性中推断出因果关系。

我们应该如何利用相关信息四个字：万分谨慎。我们不是让你忽略相关性的重要意义，但必须以我们在第4章中介绍的必要条件和充分条件为背景来对其进行考虑。两个变量之间的相关性并非因果关系存在的充分条件，而统计关联是必要条件。

逻辑表明，在得出因果关系存在的结论之前，我们要对一个因素影响另一个因素的机制提出假设，识别并测量除了假设中规定的那些混杂变量之外的所有可能存在的混杂变量。在上面提到的例子中，分析人员提出了这样的假设，对人工智能和性别多样性如何影响财务业绩进行解释，对分析中潜在混杂效应的影响予以控制，并给出支持其因果关系的证据。

还记得我们在第4章中讨论过的Librinova公司的国际扩张战略吗？假设公司领导发现了一项针对100家扩张到加拿大的小型法国公司的研究，结果显示75%的公司都在3年内关闭了加拿大子公司。人们很容易 得出这样的结论：在加拿大扩张与失败之间存在强关联，而这种强关联足以成为放弃原定计划，转而寻求进入另一个国家的理由。但Librinova 公司不应该从相关信息中得出这样的结论。相反，它应该问问这些公司为什么会失败，是因为研究的时间点与加拿大经济的严重衰退恰好发生在同一时期，还是因为汇率的突然变化？另外，这些失败了的公司是否采取了与Librinova公司正在考虑的合作方式不一样的直接扩张战略？上述相关性是Librinova公司应该注意到并加以理解的线索，但是，就其本身而言并不能帮助我们得出任何结论。

优秀的分析是问题解决的关键。虽然我们在问题定义和建构阶段时常能看到惊艳的见解，实际分析过程却几乎无法出彩。优秀的分析工作就是严格执行、规避错误。4S法的解决阶段，当涉及假设金字塔或问题树时，你需要去做的就只有严谨执行。

我们将在接下来的两章中看到，用设计思维去解决问题的思路，同样需要严谨的态度和规矩，同时还要利用对定性数据的分析与合成来开发复杂业务问题的创新性解决方案。