📢 转载信息
原文链接：https://www.kdnuggets.com/the-psychology-of-bad-data-storytelling-why-people-misread-your-data
原文作者：Nate Rosidi
作者供图
数据叙事中的心理学陷阱：人们为何误读你的数据
人们为什么会误读你的数据？因为他们数据素养不足。这就是答案。文章结束。我们可以收工回家了。
图片来源：Tenor
是的，事实确实如此；即使在许多标榜“数据驱动”的组织中，数据素养水平仍然很低。然而，我们的任务不是回家，而是留下来，用呈现数据的方式来努力改变现状。我们只能提升自己的数据叙事技能。
如果你想完善如何用叙事、结构、轶事和视觉吸引力来包装数据，可以查看这篇关于打造令人印象深刻的分析师作品集的指南。它提供了构建真正能引起受众共鸣的数据故事的实用技巧。
了解所有这些后，我们可以确保数据按照我们预期的意图被理解，而这，说实话，是我们在工作中唯一重要的事情。
原因 #1：你认为逻辑总会胜利
事实并非如此。人们通过个人叙事和选择性注意力来情感性地解读数据。数字不会自己说话。你必须让它们说话，而且不留任何歧义和解释空间。
示例：你的图表显示销售额下降了，但销售主管却不予理睬。为什么？他们觉得销售团队比以往任何时候都更努力地工作。这是典型的认知失调的例子。
解决方法：在展示图表之前，先说明这个要点：“尽管本季度销售活动有所增加，但销售额下降了 14%。这很可能是由于客户需求减少所致。”这提供了背景信息，并明确指出了销售额下降的可能原因。销售团队不会感到被攻击，从而更容易接受销售额下降这一冷酷的事实。
原因 #2：你依赖了错误的图表
花哨的图表或许能吸引注意力，但它真的能清晰无误地展示数据吗？视觉表现正是如此：是视觉的。角度、长度和面积都很重要。如果它们被扭曲，解读也会被扭曲。
示例：一个 3D 饼图使某个预算类别看起来比实际更大，从而改变了人们对资金优先级的感知。在这个例子中，由于透视原因，销售部分的扇区看起来最大，但它与人力资源部分的扇区大小完全相同。
解决方法：坚持使用易于解释的图表类型，例如条形图、折线图、2D 饼图或散点图。
在下面的 2D 饼图中，预算分配的大小就容易得多。
只有在你有一个充分的理由时，才使用花哨的图表。
原因 #3：相关性（Correlation）与因果关系（Causation）的混淆
你明白相关性不等于因果关系。当然，你明白；你分析数据。但这对你的受众来说往往不适用，因为他们通常不太懂数学和统计学。我知道，我知道，你认为相关性和因果关系的差异是常识。相信我，事实并非如此：两个指标同步变动，大多数人就会假设一个是另一个的原因。
示例：社交媒体上对品牌的提及量激增 (40%)，恰逢同一周销售额增长 (19%)。营销团队将广告支出增加了一倍。但实际上这次激增是由一位有影响力的博主未经付费的评论引起的；额外的支出与此无关。
解决方法：用“相关”、“因果”或“无确凿联系”来清晰标注关系。
如果你想证明因果关系，请使用实验或额外数据。
原因 #4：你一次性展示所有内容
与数据打交道的人倾向于认为，他们在仪表板或报告中塞入的数据越多，就越显得可信和专业。事实并非如此。人脑吸收信息的容量是有限的。如果你用信息超载仪表板，人们就会快速浏览，错过重要数据，并误解上下文。
示例：你可能会在一张幻灯片上同时展示六个关键绩效指标（KPI），例如客户增长、流失率、获取成本、净推荐值 (NPS)、每用户收入和市场份额。
首席执行官盯着 NPS 的小幅下滑，使会议偏离了轨道，却完全错过了高级客户留存率下降了 13%这一更为严重的问题。
解决方法：做幻灯片的“纳粹”：“一张幻灯片，一个图表，一个主要观点。”对于前面的例子，主要观点可以是：“本季度高级客户留存率下降了 13%，主要原因是服务中断。”这能让讨论集中在最重要的问题上。
原因 #5：你过于关注精度
你认为展示细致的细分和带有六位小数的原始数字比四舍五入的数字更可信。基本上，你认为更多的位数显示了其背后计算的复杂性。恭喜你展示了这种复杂性。然而，你的受众更关注整数、趋势和比较。第六位小数的精度？令人困惑，分散注意力。
示例：你的报告说：“缺陷率从 3.267481% 上升到 3.841029%。”搞什么鬼！？人们会感到迷失，并错过这个变化实际上是显著的这一事实。
解决方法：四舍五入数字并加以阐述。例如，你的报告可以这样说：“缺陷率从 3.3% 上升到 3.8%——增长了 15%。”清晰易懂地传达了变化。
原因 #6：你使用了模糊的术语
如果你使用的术语、指标名称、定义和标签不清晰，你就为多种解释留下了空间，其中可能包括错误的解释。
示例：你的幻灯片显示“留存率”。
谁或什么的留存率？一半的团队会认为是客户留存率，另一半认为是收入留存率。
解决方法：说“客户留存率”，而不是仅仅说“留存率”。要精确。此外，只要有可能，就要使用简洁精确的指标定义，例如：“客户留存率 = 本月活跃客户中，上个月也活跃的客户百分比。”
这样可以避免混淆，也有助于那些可能知道你所说的指标，但不确定其具体含义或计算方式的人。
原因 #7：你使用的上下文级别不正确
在展示数据时，很容易忽略上下文，呈现出过于放大或过于缩小的视图。这会扭曲感知；微小的变化可能看起来很重要，反之亦然。
示例：你在月度规划会议上展示了 10 年的收入趋势。好吧，展示大局很棒，但这掩盖了一个更小、更重要的画面：过去一个季度下降了 17%。
解决方法：聚焦到相关时间段，例如过去 6 个月或 12 个月。然后你可以说：“这是过去 12 个月的收入。请注意第四季度的下降。”
原因 #8：你过于关注平均值
是的，平均值很棒。但有时是这样的。然而，它们无法显示分布。它们掩盖了极端值，也隐藏了背后的故事。
示例：你的报告说，平均客户每月花费 80 美元。很酷，但现实情况是，大多数客户花费 30-40 美元，这意味着只有少数高消费客户将平均值拉高了。哦，对了，市场部根据你的报告制定的那个针对 80 美元客户的营销活动。抱歉，它不会奏效。
解决方法：始终通过使用直方图、箱线图或百分位数细分来展示分布。使用中位数而不是均值，例如：“中位数支出为 38 美元，其中 10% 的客户支出超过 190 美元。”有了这些信息，营销策略就可以得到显著改进。
原因 #9：你使视觉效果过于复杂
过多的颜色、过多的形状、过多的标签和图例类别可以将你的图表变成一个无法解开的谜题。视觉效果应该既具有视觉吸引力又信息丰富；在两者之间取得平衡几乎是一门艺术。
示例：你的折线图追踪了 13 个产品（即 13 条线！）在 12 个月内的变化。每条线都有自己的颜色。到了第三个月，没有人能跟上任何一条趋势线。此外，你还添加了数据标签以使图表更易于阅读。好吧，你失败了！数据标签开始看起来像《权力的游戏》中的詹米和瑟曦——它们令人不安地亲密无间。
解决方法：简化图表。只展示前三或五类，将其余的归类为“其他”。只提供重要信息；并非你拥有的所有数据都值得可视化。留一些以后再用，以备用户需要下钻查看时使用。
原因 #10：你没有说明该怎么做
数据本身不是最终目的。它应该导向某个结果，而这个结果就是行动。你应始终根据你的数据提供可行的建议。
示例：你显示流失率上升了 14%，然后就结束了演示。好的，每个人都同意流失率上升是个问题，但应该采取什么措施呢？
解决方法：你应该为每一个主要见解配上一个可操作的建议。例如，你可以说：“本季度流失率上升了 14%，主要集中在高级客户中。建议在下个月内为该群体推出保留优惠。”通过这样做，你就实现了数据叙事的最终目标——基于数据做出商业决策。
结论
作为数据展示者，你有时需要成为一个业余心理学家。你应该考虑你的听众：他们的背景、偏见、情绪以及他们处理信息的方式。
我讨论的这十点展示了如何做到这一点。下次展示你的发现时，试着实施它们。你会发现误解的可能性会降低，你的工作也会变得容易得多。
Nate Rosidi 是一位数据科学家，专注于产品战略。他也是一名兼职教授，教授分析学，并且是 StrataScratch 的创始人，StrataScratch 是一个帮助数据科学家利用顶级公司的真实面试问题进行面试准备的平台。Nate 撰写关于职业市场最新趋势、提供面试建议、分享数据科学项目以及涵盖所有 SQL 相关内容。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区