特朗普赢了，世界震惊了，各种大数据预测又被打脸了。
从英国脱欧，到美国大选，大数据预测貌似不那么靠谱？
小曹以为，出问题的可能不是大数据预测，而是大数据。
无论预测使用何种模型，模型由何人搭建，分析方法如何选择，权重如何设定，决定预测结果的最底层根基，是数据。
虽然号称是大数据，但用于分析的数据依旧是抽样结果。
如果抽样结果不够全面，比例不符合实际，结果不够真实，会导致分析结果与实际表现大相径庭。
就如那个幸存者偏差的段子，飞机应该加固什么部位提高生存率。
提出加固机翼的专家，没有将那些被击中发动机舱而未返航的飞机计算在内，做出的分析结果自然是错误的。
如果做大选预测的公司，没有统计到一些选民的支持倾向，做出的预测结果也就有可能会是错的。
事实上，有些州的实际投票结果和民调结果差距极大。
美国竞选民调结果的偏差
上图是16个摇摆州的数据，民调和投票结果偏差超过5个百分点的有3个州，偏差达到4.8的明尼苏达州还没有算在里面。
上图填充了橙色的三行，是民调希拉里领先，而最终投票被特朗普反超的三个州，其中差距最大的要属威斯康星。
威斯康星州的民调结果，希拉里领先特朗普6.5个百分点，实际投票结果，特朗普反超1个百分点。
而且，注意下最右栏的数据，除了最终结果，历次民调都是希拉里大幅领先————这大概是最搞笑的地方。
无论特朗普因何原因赢得竞选，民调的数据终究是出了问题的，进而导致各种预测出错。
想要保证用于分析的数据客观、有效、可靠，小曹以为至少应做到三个方面：样本数量足够大、样本组成比例与实际相同或近似、样本数据真实准确。
看下威斯康星州的民调数据，上图4次民调中，样本数量最少400，最大2720。
目前虽然还没有准确数据，但预测威斯康星州有近80万人投票，算一下，最大的样本数量占比只是0.34%。
如果小曹去做市调，样本比例只占1%不到的话，是断不敢收工的，做分析也会战战兢兢。
不过这几次民调选择的样本都是LV，还是很不错的，只可惜样本数量太少。
再加上部分样本在投票和调研时可能做出相反的选择，民调结果的可信度会大幅降低。
不过，即使样本数量足够大、比例合理、数据真实一致，因为建模人员的主观偏好或者建模时手抖一下多个小数点都会影响分析模型，输入的数据再准确，输出的也结果也可能和现实有极大偏差。
好吧，上面都是瞎扯的。小曹更想写的其实是营销工作中的市场调研和数据分析。
数据样本准确性影响调研分析结果
无论大选中的大数据预测吹的多么神奇，终究就是一个市场调研。在本质上，和普通企业的市场调研、广告投放的数据分析没有太大区别。
不同的是，把客户会不会买某样产品、点击某个广告，换成了给某人投票。
特朗普的获胜，民调结果的偏差，大数据预测的失败，可算是一场鲜活的市场调研案例。
而案例带给小曹的启发，则是要更加合理的选取数据样本，精细的数据清洗以及慎重的数据分析。
如果样本不具有代表性，无效数据未被清洗，就有可能造成分析结果的错误，甚至是自我验证的错误。
如果是计算店门前的人流量，应该至少去蹲一个星期，而不是采用某个周日上午的数据。
如果是调整广告的投放时段，应该至少全天投放一个星期，而不是采用过往的效果数据。
恩，小曹正好有一个广告投放的真实案例。
一个网络广告账户，需要进行优化调整。在选择主要推广时段时，看到下面的过往数据，该怎么选择？
该着重注意下11、13、15、16、17这几个时段么？
如果根据这个数据调整，最后得出的结果可能就会是和这个数据差不多的、一个自我验证的结果。
实际的时段效果数据是这样的：
这个结果与过往数据可算是完全不相符的。为什么呢？
因为之前的投放人员，按主观喜好设置了不同广告计划的投放时段，加上费用分配存在问题，导致部分高转化计划过早下线，反而留下了低转化的广告在线上消耗费用。
也就是说，这个广告账户过往的数据来自错误的样本（广告计划的比例不对）、未进行数据清洗（高低转化计划和在线时段未区分），根据这个结果做出的分析、调整都会是错误的。
好在网络广告的特点就是可以方便的跟踪和统计，只要有意愿，且技术能力足够，几乎没有不能跟踪的数据。
有完整的数据，就可以发现问题，进行解决。
这也是为什么小曹喜欢网络营销多一点的原因：统计数据基本就是实际的效果数据，而不是像线下的调研、营销活动一样，基于采样数据进行效果分析。
这次美国大选，各种做预测的机构只是被打脸而已，而博彩业中买希拉里赢的，和希拉里，则是输了真真正正的money。
如果企业做市调，或投放广告，因为样本数据不够准确，而做出错误的营销决策，可能就会在市场竞争中落后了。
毕竟，市场先生永远是对的，即使市场并不总是有效，也不会因为预测结果而改变。
网友评论