样本的偏见

假设，你想买一款新手机，于是去询问三位朋友的建议——到底是买iPhone，还是买三星。如果我们把这种经历当作一次抽样调查的话，我确定，它绝对不可能告诉你真实的结果。

我们在做抽样调查的时候，样本往往从一开始就有了最常见的“偏见”——谁愿意反馈我的问卷，谁的建议就被反映在调查结果中；而不愿意给我反馈的人，他的意见就不会反映在调查结果里。有趣的是，被我们忽视了的那些没有反馈的样本，很多时候却是我们最需要知道的结果。

比如，今天淘宝做了一项调查，问：“你爱淘宝吗？”在收到1万份回复为“爱”时，我们的调研报告就得出了“大家都爱淘宝”这一结论。但事实上，我们总共发出了10万个样本，这一结果说明有9万个样本对这个调查保持了沉默。此外，我们在做调研时，会向被调查者赠送礼物，有些人是因为收到了礼物才觉得应该“说点好话”。在了解到这样的情况后，你还会轻易得出“大家都爱淘宝”的结论吗？所以，当我们分析一份数据的时候，一定要问自己：“样本的背后有什么是我们不知道的。”

我们经常会看到易观、Comscore、艾瑞等机构公布某一事物的调研数据。在看到这样的数据时，我常会问，他们的样本是怎么挑选的？据我所知，他们有一个第三方监控软件，它会以数百元每月的费用“购买”样本，并把监控软件置于后台。试想，如果你想做一个高端样本的调研，那么这种做法可行的可能性很小，就算有可能，结果也不会准确。因为他们即使出1 500元每月的资金也无法获取准确的数据。缘由显而易见，让月薪为5万元以上的用户把软件放在后台，然后监测自己每天做了什么，他们自然不会答应。所以说，在这种取样结果中，注定有一部分数据缺失而最终导致结果不正确。

在现实生活中，我们往往不会去想采样的问题，这就造成我们对很多调查结果深信不疑，我们的决策就会有对号入座的嫌疑，而这种嫌疑非常常见。比如，某人告诉你说他身边的很多朋友也是天秤座，这是因为他心里能想到的朋友很多都是天秤座，事实上其他他未能想到的人也可能是别的星座。再举两个现实中的例子，解释一下样本的偏见。比如，某人说他开了2 000次的汽车从没有出现过意外。今天，他喝酒了，但那2 000次里从来没有喝酒后驾驶的样本，所以2 000次这个数据在今天是没有参考意义的，因为并不能证明他喝完酒之后还能安全驾驶。而如果他说有过200次喝了超过3瓶白酒，而且喝完之后开了50公里回家的经历。那么，这200个样本就有参考性了。

样本数量是否足够和是否平衡的问题，是另一个常见的“偏见”。某杂志对用户们偏爱的手机操作系统做了一项调研，结论是现实中的人更多地在使用安卓系统。但是，这本杂志的读者群主要是IT界人士——这个取样一开始就存在偏见，而抽样又是来自读者群，再加上IT界人士本身也比较倾向于接受安卓系统，所以样本的不平衡就造成了结论的失真。

另外一个影响样本的因素是时间。我们公司有一个360度调查，用于反馈员工对部门的评价。如果我想拿高分，我在调研开始前请大家吃饭，给大家培训……我做好所有调查中出现的项目。你要相信，短时记忆力是十分强大的，这就是一个典型的时间样本。这样的抽样，是典型的“似是而非”。那么，假如想消除时间因素对结果的干扰怎么办？其实很简单，你只要随便抽取一天来询问员工：“你的部门好吗？”这往往才会得出有价值的答案。

此外，偏见还会因为我们抽样时的询问方式出现。这里有一个很好的例子，Amazon的调研就很让人信服，它的问卷第一句话就是：“你的亲戚好友里，有没有亚马逊员工？”如果你回答“是”，那么很可能你的意见就不会在这份样本结果里出现。亚马逊的员工、亲友和普通亚马逊消费者的观念是很可能存在差异的。亚马逊的问法，使得调研出的数据更加精确，让有“偏见”的样本也存在了意义，因为它能区分双方的用户层次有多少不一样。

在调研过程中，如果这个样本在你调研前就是有目的的，那么这份有偏见的数据也是有价值的，比如可以通过交叉信息来验证结果是否准确。这在我们身边很常见，比如，你问三个朋友，我是买iPhone还是三星。但首先你得问：“你用的是什么手机？”如果他买了iPhone，却推荐三星，你就要追问为什么了。

同样，我现在去询问淘宝小二：“你会选择在哪里购物？”他们熟悉淘宝，肯定会受到影响。而如果对小二们调研，结果显示更多人愿意去京东、当当购买商品时，这就证明京东和当当确实不错——起码就某些类别来说是不错的。此时，有偏见的样本对企业仍然存在价值。

值得注意的是，样本跟大数据不同。大数据相信全量数据，而非样本；是分析得出，而不是抽样获得。