餐饮大数据真相：你只讨好90后？为你拉粉的却是他们！

数据真正的价值，并不在于其统计或计算结果，而在于人们能对其做出正确的解读。

年轻人更爱保健品？

（PS，出于保密需要，这里暂且放一张P过的图来示意）

请问，哪个年龄段的人才是该产品的典型用户？对于这个问题，我一共听到过三种答案。

第一种认为是30—39岁。如果你问他为什么，很显然，因为那部分柱形图最高……

第二种认为是25—29岁。因为虽然它高度只是第二，但它的年龄跨度只有5岁，仅仅是30—39岁跨度的一半。

第三种则认为18—29岁都是，道理跟第二条类似，不再多解释。

那么，究竟哪种答案才更加正确呢？我估计大部分人都会选第二种或者第三种吧？

最开始我也是这样解读的，认为该产品的典型用户就是“年轻人”。（若按照国家统计局的标准，也就是15—34岁的人）

而实际上，该产品属于健康食品，主打“排毒”“减肥”“降三高”“治便秘”“抗酸”的功效（你先别笑它卖点太多不够聚焦），而这些功能属性，除“减肥”以外，我相信不少人都会跟我一样——若用常识来判断，它们应该更偏向中年人。

然而，数据结果却与常识判断相互矛盾……这时候，你到底该相信数据还是相信常识呢？

战斗机应该加固机身还是机翼

还有个故事，被很多人拿来说过。

在二战期间，盟军的战斗机在战斗中损失惨重，于是盟军总部秘密召集了一批物理学家、数学家来专门研究“如何减少空军被击落的概率”。

当时军方统计了所有返航飞机的中弹位置，发现机翼部分中弹比较密集，而机身和机尾的中弹比较稀疏，因此当时普遍的建议便是：应加强机翼部分的防护。

然而，统计学家沃德却提出了一个完全相反的观点，他认为应加强机身和机尾部分。

沃德教授说：“所有的样本都是成功返航的飞机，也就是可能正是因为机翼遭到攻击，机身和机尾没有遭到密集的攻击，所以才使得这些飞机能够成功返航。”

后来又经过一系列有力的论证后，军方果真采用了他的建议。事后也证明这的确是无比正确的决策，有效降低了空军被击落的概率。

这个故事讲的就是所谓的“幸存者偏差”

幸存者偏差是指：当取得资讯的渠道仅来自于幸存者时，此资讯可能会存在与实际情况不同的偏差。（因为死人不会说话）

那它跟之前用户画像的例子有什么关系呢？关系很大。

数据+常识，结论才更准确

在战斗机的故事里，开始的统计方法没有问题，收集到的数据也不会撒谎。

但它只能展示出有数据（幸存者）的那部分信息，而无法展示没有数据（阵亡者）的那部分信息，它是片面的。

而本文的第一个案例中，如果用收集到的用户数据来判断产品的用户特征，其实是忽略了那些使用了产品但没有扫码的用户的数据。而这里有很多可能的因素会影响结果，比如：

• 不同年龄段的人拥有不同的扫码习惯——可能年轻人更愿意扫码，而中、老年人大部分都没有扫码习惯。

• 扫码的人不一定是产品的用户——也许是年轻人买了该产品送给长辈，然后自己去扫了码。

• 说服人们扫码的文案也会有影响——假如你说“扫码享优惠”，那最终扫码的可能就更偏向于那些“精打细算”的用户，而不是所有用户。

大数据，虽然有一个大字，但毕竟不是所有的数据。因此，回到文章最开始的问题——哪个年龄段的人才是该产品的典型用户？

结论是：无法仅通过该数据就得出结论，或者说，即使得出一种论断，也不准确。

是的，到目前为止，我依然更偏向于结合常识再来解读，而不只是从数据本身——认为中年人才是它的典型用户。（估摸着至少也是30岁以上）

知识丰富，更能做出正确解读

常识又是什么？它是一个心智健全的成年人应该具备的基本知识，包括生存技能、基本劳作技能、基础的自然科学以及人文社会科学知识等。

不可否认的是，常识跟数据一样，都是片面的。并且每个人的常识都不尽相同，质量参差不齐。

不过这里想说的重点是：相比于数据，常识能从更多得多的角度去分析一个事物。

因为人类的大脑很奇妙，它能把很多看似无关的事物联系在一起，知识越丰富，就越能更好组合不同信息。这一点，是任何计算机都很难以数据的形式做到的。

这就是为什么，在期望得到一些分析时，我们更倾向于听到权威专家们的意见。他们掌握的知识更多，面对同样的数据，也往往能做出更为准确的解读。

- -

筷子哲学

人们可通过观察“一根筷子折得断，十根筷子折不断”的现象，解读出一个与之毫不相关的道理——团结就是力量。

而同一个现象如果交给计算机去处理，仅从数据来说，那最后的结果就肯定只能与“材料”“扭矩”和“力度”等相关...

- -

奶奶去世的真相

迈克·亚当斯曾做过的一项研究，他发现美国大学生期中考试临近时，奶奶去世的可能性是平时的10倍，而期末考试时是平时的19倍（数据来自各高校收到的请假邮件和推迟交论文的申请）。

若单看数据，你也许会认为学生的学术压力会对奶奶的健康造成影响（的确有科学家对此做过研究）；但若用常识去思考，那就很简单了——为躲避考试，学生们编造了“奶奶去世”的请假借口。

这就是常识与数据的区别——常识是多维的，数据是单维的。

数据不骗人，但解读不好会坑人

我以前举过一个例子。据《2017社会大学英雄榜》显示，国内登上胡润百富榜的2000多位资产超二十亿的富豪中，有一半的人都是低学历（本科以下学历）。

请问，从这条新闻中你能读出什么结论？我想肯定有很多人会认为：学历的高低跟收入的确没什么关系。

然而，这种解读是错的。正确的解读方式是什么呢？

中国在2016年末大约有13.8亿人口，其中本科及以上的只有3800万，本科以下则有13.42亿——低学历的人本来就比高学历的人多得多（35倍），而它们进入榜单的人数基本相同。因此，拥有高学历的人进入百富榜的概率，是低学历的35倍。

在这个例子中，所有的数据都是真实的。但如果你只看到一部分数据，而没有看到其他数据，那就很容易被数据给坑了，得出错误的结论。

当然，要想得出更加准确的结论，这里还需挖掘更多的数据。比如富豪们的年龄分布，毕竟不同年龄段人群的学历分布是不一样的；所属行业的分布，不同行业对学历的要求与相关程度是不一样的；高学历的收入与低学历的收入的总体对比情况...

如果你不是专门学统计的，相信在加入这么多因素之后，一定会崩溃掉……不过你也不用慌，因为大部分情况下，你根本就没有机会能知道这么详尽的数据，只能尽可能多了解、多渠道解读。

对数据的正确解读，比其本身更有用

通过上面的种种案例，我们得出一个结论：数据真正的价值，并不在于其统计或计算结果，而在于人们能对其做出正确的解读。

在现代的餐饮业，数据的作用越来明显，我们要看数据的来源、体量，以及从什么角度解读。

显然，在下定论之前，多了解一点，犯错的几率就会小一点，多看到一面，你离客观的真相就更接近一点，这就是进步。

就像在餐饮业，数据和常识都会告诉我们，90后的消费者意见成为消费的主力军，那么我们就要去讨好90后吗？事实上，另一组数据证明，80后们更愿意在公开渠道为餐厅写点评，讨好他们后，才更容易为自己的品牌塑造良好的形象。

如果仅凭单方面数据就武断得出结论，并且笃定得不行，那无论数据样本有多大，你的结论和真实情况都很可能是天差地别的。

解读2018年的餐饮业，我们更全面

餐饮行业里，每天都在产生巨大的数据体量

怎么样分门别类去做分析？

怎样让数据落地到餐饮门店的运营中去？

解读，唯有多人、

多维度的深入解读，

才能真正发挥其价值。