在通过分析得出结论之前，先看看分析论证过程是否严密。
——威廉姆·瓦特
数字的巨大威力在于，它可以简洁明了地传递大量信息。“量化”是统计信息中最基本却也是最重要的特征。这一举措从20世纪就开始应用了。但直到克劳德·夏侬将他的信息学说发表之后，这种应用才得到质的飞跃。夏侬的主要贡献之一就是他借由数据描述出复杂的系统或流程的方法。与之相似，这种方法的简易版本可以广泛地应用于多样的商业情境中去。
从赛马到房地产投资，分析师们现如今都在赶数字时髦，尝试着通过“单一数字”去解释复杂的问题，或是通过数字描述复杂的情境。虽然人们对此进行着不懈的尝试，但结果往往以失败告终。
借用数字回答问题之所以困难，是因为多数问题当中，有大量牵涉主观判断的变量混杂其中。当这样的变量共同发挥作用时，我们就很难分辨出每一个变量的具体效果，以及当某几种变量集合起来产生的协同效果。举个例子，当你想买汽车时，该如何通过简单的数字进行判断呢？如果你只关心价钱，那事情就很简单了。比较一下丰田的凯美瑞和福特的福克斯，你就能得出答案。但是，你肯定还会考虑油耗。这样一来，你就得加入第二个变量更新之前的判断。依照单一的标准进行判断非常容易，但哪怕只再增加一个变量，事情就变得复杂起来了。有些人手头比较紧，因此会对价格比较敏感；另一些人想要提倡节能环保，或是希望自己的车省油。不同的处境和想法会让不同的消费者用各自的天平来衡量二者的权重。这是一个比较复杂的问题。分析师面对这种情况的时候会描述它为消费者各自的“偏好”。这并不是说谁对谁错，而是说他们的偏好各不相同。这就如同我们在买冰激凌，你不能说巧克力口味的就是“对”，而香草口味的就是“错”。大家的口味不同而已。因此，偏好的始终如一是为解决复杂问题订立客观衡量标准的第一步。
作为算牌人，我们就有这样一条简单明了的偏好——赢钱。我们的问题难点在于：“每一局，我们每手应该下多大的注？”因为我们的策略是建立在对输赢概率预判上的，即赢的概率高时多押，反之则少押或是干脆不押。对我们来说，赢牌的概率就成了我们的首要任务。
在我21点的全盛时期，每天2~3小时的训练是必不可少的。每当我下班回家，我都坐在沙发上进行练习，自己跟自己玩。与此同时，我可以吃东西、喝水、看电视甚至是打电话，什么都不耽误。我是特意进行这种分心式的训练。这样的话，我在赌场的时候就能适应一切干扰，毫不费力地取得胜利。我努力地让玩牌变成我的一种本能。当然了，我并不是在说思考是多余的。你需要数字来帮助自己进行决策。
我在算牌上花费的大把时间，都是为了保证自己“算”得准。我们其实把牌分为高、中、低3类。牌面上发出一张“高”牌的时候，我们就减1，发出一张“低”牌的时候，我们就加1，“中”牌则不加不减。
因此，如果牌面上出现过了10张“低”牌，2张“高”牌和3张“中”牌的时候，我们算牌的结果就是＋8（10－2＋0=8）。这个结果就是我们彼此间传递的信号。我们中的“情报员”将这样的数字结果传给“大玩家”，由此他就可以判断这桌发牌器里剩余的牌究竟是对庄家有利，还是对玩家有利。
我们的算牌其实是收集真相的过程。这对我们的统计分析来说非常重要。它让我们了解过去发出的每一张牌，并让我们依赖这些信息可靠地作出之后的每一个决定。正是依靠这种简单的方法，我们赢得了数以百万计的赌金。
如果发牌器内总共有3副牌，＋11的算牌结果即意味着我们获胜的概率比赌场要高3%。而发牌器内装有5副牌时，－5的结果就代表了与赌场相比，我们获胜的概率要低1%。我们对于这所有的数字都了然于心。
我们做的所有练习都是为了让每位队员都能牢牢记住这些数字。我们之前开玩笑说，可以试着在某人记牌的时候踢他脑袋一下，看看他是不是还记得住牌。玩笑归玩笑，我们对于算牌这件事可是非常认真的。
最重要的是，任何时候算牌的结果都应该是独一无二的。它是一个绝对客观的度量标准。只要记得准，任何人得出的算牌结果都应该是相同的。在练习的过程中，如果两名组员得出的算牌结果不同，我们可以追溯查阅之前出现过的牌，来看到底是谁对谁错。
算牌是一项完美的数学训练课。算牌者对牌桌上出现过的每一张牌进行记录，并借此得出自己的分析结论。可以这么讲，算牌是建立在历史信息上的完美的分析方法。
当然了，这样完美的情况在数据分析领域是可遇而不可求的。现实的问题往往经受着多种不同因素的共同影响，无法单凭一个简单的数字就描绘出所有的变量来。因此，我们无法像对待21点的牌局那样简单地对待它们。
21点算牌理论的原理非常简单，容易理解。因此，我们无需费大力气去证实它的合理性。但是，大多数的统计分析并不是如此一目了然的。实际上，要验证方法的合理性，其过程大多数时候甚至是相当繁琐的。
通过数字描述出的故事，往往跟我们从表面看上去的不太一样。我这里就有一个很好的例子。那是在我和NBA的波特兰开拓者队合作过程中发生的一件事。
我与开拓者队的合作开始于2004年。当时球队的新任球员人事总监凯文·普里查德刚上任。普里查德曾是1988年带领堪萨斯大学篮球队获得大学生篮球联赛总冠军的主力控球后卫。他在NBA打过6年，曾效力过5支球队，后来还去西班牙和意大利打过球。1998年退役之后，普里查德努力地在商业领域开拓出一段新的职业生涯。
正是这种不懈的努力让他看到了赛场外的统计学对于篮球运动的特殊作用和意义。他想利用这门科学来帮助他的球队。上任之后，他与我的公司Citizen Sports签订了协议，要求我们通过分析的方法，根据大学生球员的比赛统计数据来预测他们进入NBA后的发展潜力有多大。
通过一些简单的统计方法，我们（在此要感谢本阿尔玛的大力协助）建出了一个模型。将球员的上年比赛数据输入之后，我们能够得出他未来加入NBA后的成功指数。根据球队中每个位置球员的具体能力需求，各位置的分析模型都不尽相同：平均每分钟断球数和助攻数是评估控球后卫最关键的两个指标，投球命中率是得分后卫的主要判断指标；平均每分钟封盖数量是大前锋和中锋的重要指标。这些都和我们通常的理解完全相符。
每一年，我们都会给开拓者队提供一份球员排行榜。在榜单中，我们还会注明为什么某些球员的排名会跟社会上的评论有些差异。在此之后，他们都会挑选出感兴趣的几名球员，要求我们对这些球员进行更详细的分析。这样一来一回，我们实现了一个近乎不可能的配合：分析师＋球探。但是，这种合作直到几年后才开始变得得心应手起来。
在我们与开拓者队合作的第二年，普里查德升任球队经理。他邀请我到球队的训练场认识一下球队的球探，并介绍一下我的工作成果。这太令我激动了。我终于可以见到篮球界的“伯乐”。不过，我立马意识到，我将要会面的那些人很可能会对我的所有工作成果产生质疑。
我如约来到开拓者队的训练场馆中，见到了普里查德、球队助理经理还有3名球探。我简单地介绍了一下球员排行榜生成的原理和流程。这部分进展的很顺利。这些篮球界的专家们对此表示了认同。但当我们开始下一个环节时，问题就来了。
当我拿出之前几个赛季的整体排名结果时，普里查德和球探们立马开始向我发问：“为什么肖恩·梅排名那么靠前，而J．J．雷迪克排名那么靠后？为什么马迪·柯林斯的排名这么奇怪？还有，你的统计结果和我们对于拉马克斯·奥尔德里奇的判断为什么差异那么大？”
我向他们介绍这个分析模型的原理，解释为什么有些球员的分析结果会与通常的理解相悖。肖恩·梅是联盟中进攻效率极高的队员。J．J．雷迪克只有投篮这一个强项，他进攻的效率却并不是很令人满意。马迪·柯林斯的助攻能力很强，而且每场比赛的上场时间都在38分钟左右。马克斯的技术很好，但他只是个一年级新生。球队的老队员很多，因此他上场表现的机会并不是很多。这个问答的过程很有意思，有助于双方的互相了解。但到最后，普里查德的脸上露出了失落的表情。他叫停了会议，问道：“怎么才能让你的统计数据看起来跟我们的判断相符呢？”
他是一位久经沙场的篮坛老将——做过球员，当过教练，如今身居球队要职。他是联盟中冉冉升起的新生代管理者，对这个行业可以说是了如指掌。以他在这个圈子中20多年的从业经验来说，他完全有理由对自己的判断充满信心。
我从未对普里查德的知识产生过怀疑。但是，他的表现让我觉得他忘记了当初聘请我们的初衷，还有我们的价值。普里查德希望我们的分析结果能与他的观点产生契合。虽然他也相信这些数字所代表的意义和价值，但他并不希望看到这些数字站在了他和球探们的对立面。
“我们没法迎合你们的想法。”我脱口而出，“我们的任务是通过另一条途径发掘事情的真相，从数字中看到单凭双眼无法看见的东西。现实的情况是，你们掌握了某些我们从数字中无法获得的信息。因此，我们双方的排行榜有差异是很正常的。”
“通过对球员的观察和直接的访谈，你们球探可以获得很多额外的信息，而我们没有。同理，通过整赛季的数据分析你也能看出很多当场比赛无法反映出的情况。”
“分析可以帮我们作出更好的决策。分析的作用不是单纯地迎合观察的结果，而是发掘出那些单凭观察无法意识到的事情。”
普里查德大度地接受了我的这番言论，给这次的会议画上了一个圆满的句号。自那次之后，我们的配合就更加默契了。他和他的团队意识到，数据并非是某种让自己感觉安心的工具。通过数据分析，我们能看到平常无法察觉的事情，能更好地为决策提供支持。
要想获得普里查德和其团队的信任和理解，接受“测试”是必不可少的环节。当普里查德要我通过分析的方法帮他预测这些大学生球员们未来在NBA中是否可以取得“成功”时，我首先问起他对“成功”的定义如何。为了通过这次“测试”，我得先弄清楚自己的目标才行。
怎样才算在NBA取得“成功”？对于这个问题，每个人心中的答案都不尽相同。有些人说入选全明星阵容是成功，也有人说成为球队先发球员就是成功。我们经过商议，决定将成功定义为：在进入NBA的第三年，在自己打的位置上，排进联盟中的前10（NBA有一系列的高级统计标准）。为了回答普里查德的问题，我们需要首先给自己订立一个单一的、恒定的判断标准。
不幸的是，很多人忽略了“测试”的重要性。他们只是单纯地迷信数字的力量，总是强行用数字来回答那些无法得出答案的问题。这一点在媒体行业尤其明显。在电视或者其他媒体上，数字是否可信完全取决于提出结论的主持人或嘉宾是否有权威。然而，如果所用的数字出现问题，那麻烦就大了。
这一点非常关键。
从1998年开始，大学生橄榄球联赛的排名系统就承诺要采用严格理性的分析，而非球迷投票的方式来决定。现如今，我们可以通过分析得出一些看似不可能的结论：在赛季开始前就能预测出哪支球队将获得最终的总冠军。
“我想强调一下，这不是选举。”罗伊·克拉默如是说道。他被尊称为“大学生橄榄球联赛之父”，当时是东南赛区大会委员。
克拉默当时面对的是上百万的橄榄球球迷。这个理性的决定让球迷们非常沮丧。体育主流媒体ESPN和《今日美国》教练投票进行的调查结果也表现出球迷对此举的愤怒。在20世纪90年代，采用电脑进行排名在许多地区带来了无数的争议——1990年的科罗拉多、1991年的迈阿密、1993年的佛罗里达，还有1997年的密歇根。
但是我们必须承认，BCS统计评分系统是众多统计学博士们的优秀作品。比起狂热球迷身上的感性因子，这些学术专家们对事实、真相的追求无人可比。克拉默和其团队努力地想让外界认同BCS统计评分系统，但这个过程却异常艰难。
1998年赛季开始前，美联社发表了《由电脑决定比赛球队？》的文章，对BCS系统提出了质疑。这篇报道文章讽刺说：“这个系统非常复杂。每次开电话会议的时候，克拉默都需要花十几分钟给与会者进行介绍。”
“复杂”正代表了“公平”和“客观”。克拉默也正是这么想的。尽管面临着潮水般的反对声，他却对BCS系统的成功信心满满。
“每当新事物产生的时候，无论它究竟是好是坏，反对的声音总是此起彼伏。人们面对改变的时候总是会不自觉地加入浓重的主观判断，但我们还是希望有人能接受BCS。”克拉默如此说道。
时值今日，BCS已经问世有十几个年头了，但球迷和教练们还是对它颇有微词。在最近的比赛过程中，得克萨斯队的教练迈克·布朗和佛罗里达队的教练厄本·梅伊还公开批评了BCS系统。美国参议员奥林·哈奇提议对BCS系统进行审查。就连美国总统都建议重新规划赛制，开始推行季后赛。
对于球迷来说，他们还是一如既往地支持着自己的球队。克拉默的愿望也算是实现了——尽管反对的意见依然存在，但人们还是接受了BCS这套系统。
BCS系统称得上获得了商业和政治的双丰收。我不会称它为统计学的胜利，因为它从来就算不上是真正的统计。尽管它看上去做的是通过数字分析得出结论的工作，但它根本无法非白即黑地表达出球队的真实表现。它所处的是模糊的灰色区域。
那些新闻记者还有可能听克拉默那冗长的BCS介绍，听他讲自己在这个系统中考虑了哪些变量，公式又是如何得出的。但对于球迷来说，这无非都是在浪费时间而已。
BCS处理的信息仅限于数字，而大多数的反对者并未注意到这一点。它总共包含3部分内容，而其中两部分都是票选结果，与统计毫无关系。2009年的时候，选用的投票结果是哈里斯互动民意调查及《今日美国》教练投票。这两部分都是人们对“最佳球队”的投票结果，跟科学一点儿关系都没有。
BCS系统的第三部分内容就是计算机排名了。它由6个不同的排名系统共同构成。看上去这种方式比单一的排名系统更加复杂。因此我们会觉得它更为可靠。但是这些其实都是烟雾弹，无非就是为自己增添一些公信力而已。
在这种情况下，所谓的复杂、精密的方法无非就是披着统计的外衣，继续着主观的判断而已。而这一切都源于无人对其进行“测试”。BCS系统的创造者们从未对优秀球队的衡量标准作出明确的界定。相反，教练和球迷的选票结果还作为评断标准的一部分影响着最终的结论。
这到底是谁的错？毫无疑问，BCS系统的公式首当其冲。所有的矛头都指向了它。然而，教练和球迷们却并未因为参与投票而受到任何指责。
从中我们可以学到些什么呢？“伪统计”给统计学带来了骂名。BCS系统给这一代的大学橄榄球迷心中留下了这样的印象：数学是不可信的。
那么，究竟什么是“伪统计学”呢？为了给它一个明确的定义，还是让我们先看一看教科书中对于统计学的定义吧！通过网络查询，我们发现统计学的意思是：对某一现象有关的数据的搜集、整理、计算和分析等。而数据的定义又是：用于推论、讨论和计算的数字信息。因此，统计的定义简单的来说就是用单个数字来表达事情的真实面貌。
因此，BCS系统虽然通过排行榜为公众传达出了排名信息，但它的问题在于：它采用的并非单个数字，而是很多数字的集合，并且其中的某些数字还是从球迷和教练的投票结果中来的，缺乏客观性。当然了，这些工作还是围绕着回答“哪支大学生球队是最优秀的”这个问题而展开的。
在凯文·普里查德要求我调整分析结果使之与球探们的观点相符时，实际上就是在要求我们让统计变成“伪统计学”。我们拒绝了他的要求，从而免于沦为彻彻底底的工具。
体育迷们都会对自己喜爱的球队给予大力支持，他们可不理会到底什么是“客观”。这样一来，所谓的“球迷票选”收集来的信息基本上都毫无借鉴意义。
在美国职业橄榄球大联盟当中，也有一版类似BCS的“伪统计学”系统——NFL四分卫评分器。它可以通过分析所有的比赛数据告诉你谁是联盟当中最优秀的四分卫。毕竟观众们谁不想知道联盟中最好的四分卫是谁呢？
其实在这个结果背后并没有什么所谓的统计学分析。它只是把一堆数据单纯地堆砌在一起而已。传球成功率、场均传球码数、截击数还有传球达阵次数这样的数据都在这个评分系统中得以体现。然而，它的数据库中并没有跑动带球码数、首攻成功率及另外一个重要数据：阻截成功次数。缺失了这些重要的数据的分析，结果能准确吗？同时，四分卫的价值不仅仅体现在双手上。速度、冲击力及强壮的身体都能向对手施加巨大的压力。这些重要的因素并没有体现在NFL评分器中。
实际上，NFL的内部人士都知道，有些四分卫为了让自己的传球成功率保持在较高的水平，宁愿被擒抱也不选择传球。Fox电视台分析师布莱恩·比利克在2009年的一次比赛转播过程中就提到，有些球员为获得漂亮的统计数据，不惜牺牲全队的集体利益。
因此这种评分由于评估要素的不完整性，根本无法正确地衡量四分卫的赛场表现。更有甚者，他们还把分数的区间定为0~158.3！最完美的得分是158.3分！数字对普通人来说本来就够复杂的了，更何况那些所谓的“专家”们还定出一个这么荒谬的总分来。真是让人有点哭笑不得。
这些“伪统计学”数据经常堂而皇之地出现在各类媒体上，被公众错误地归类为统计学当中，被误认为代表着最先进的统计学成果。但通常情况下其背后开发者都对统计学一无所知。就拿BCS系统来说，克拉默原本是高校橄榄球大会的委员，不是什么统计学家。而四分卫评分器的发明家唐·史密斯也不是什么数学专家。他曾是NFL名人堂的副总裁，在退休之后产生了这个想法，并将这个想法变成NFL评分器引入了观众的视线当中。
如此通过媒体大肆宣扬“伪统计学”，会让统计学在人们心中留下负面印象。不过从本意来看，“伪统计学”的出发点还是好的：给观众们多一些量化的赛场信息。但是，其他“伪统计学”数据可就不太一样了。
拿经济学来举例吧！我首先想到的就是通货膨胀率。
大家都知道，过去的20年间通货膨胀率都是受人操纵的。想要对通货膨胀率产生影响，政府的手段可是非常多的。首先，通货膨胀率的上升意味着生活成本的增加。在这种情况下，政府就需要提高利率予以应对。不过，利率的上升又会减缓经济的发展速度。不仅如此，政府支出中的社会保险和福利也与通货膨胀率密切相关，每年的政府开支很可能据此波动上亿美元。
但是，通货膨胀率的数据是如何被人为操控的呢？它不是源于真实的数字并采用科学的统计方法计算得出的吗？
简单说吧！实际上，通货膨胀率是根据居民价格消费指数（CPI）的增长来计算的。CPI的计算，堪称政府运用的复杂统计工作之一。政府会跟踪居民的日常消费品及劳务价格，并根据它计算出一个价格指数，即CPI。这个概念诞生于20世纪20年代。然而从卡特时期开始，联邦政府的经济学家们就不断地人为操控着CPI的数据。
通过将价格高企的品种移除出CPI的计算范围（如石油、天然气、食品等），政府能很好地控制CPI的增长。不仅如此，政府还提出一个所谓的“核心CPI”概念，排除了那些价格变动较大的品种。想想看，如果没有了石油和天然气，我们的生活会变成什么样子？但从CPI的计算来看，政府就是这么想的。
在把价格高企的品种从CPI的计算范围中剔除之后，CPI的数据还是很高。因此劳工统计局想出了另一个好点子：在CPI的计算过程中变动各类商品的权重比。这么一来漂亮的数据就出炉了。而普通大众却不得不在“祥和”的环境中继续忍受高企的物价水平。
说到底，通货膨胀率就是对统计学的污蔑。不过通过这件事情，我们也能看出人们对于数字的操纵力到底有多强。通过人为的操纵得出失真的数据，最后有可能让这个统计结果变得毫无意义。最终，它只能沦为被人唾弃的伪统计学。
跟BCS系统不同，通货膨胀率的失真危害重大。选错了橄榄球冠军球队比起错误的政府政策来说根本不算什么事儿。要知道政府政策经常是根据通货膨胀率来制定的。
现在你看到这种伪统计学的危害了吧！这就是我一直都在倡导公众摒弃伪统计学的用意所在。
然而，传统的媒体行业更像是伪统计学生长的肥沃土壤。实际上大多数电视和电台的广告价格都是根据这些“伪数据”制定出来的。
亚瑟·尼尔森和他的公司于20世纪50年代提出了“收听率”这个概念。设计之初，公司对收听某特定电台节目的人数进行统计，并计算其占总人口的比重，最后用收听率的方式予以呈现。后来这一概念被引入电视领域，也就是我们家喻户晓的“收视率”。不管是“收听率”还是“收视率”，最终的目标都只有一个：通过简单的数字让企业了解受众的多少，依次优化自己的广告策略。
前面提到过，尼尔森的测算方法是在50多年前提出的。因此那套方法多少显得有些过时，其做法是这样的：通过对小样本的测试，将得出的结论广化到整个社会当中去。该方法收集信息的方式有两种：日记法和测量仪法。日记法，就是让选定的受众记录下自己的收听或收看节目的情况。测量仪法，实际上就是在选定的家庭的电视上安装测量仪，对收视记录进行实时记录。在现如今这个信息化时代，很少有人再记日记。因此日记法已经快被淘汰了。
调查公司选择的样本量与全部人口相比，简直是太微不足道了。据我调查得知，尼尔森的调查样本是25000个家庭（此数据并未得到尼尔森的官方确认，公司的公关人员对此拒绝提供任何信息）。经过细致的研究，他们挑选了这25000户家庭作为代表，认为通过对这些样本家庭的收视情况进行调查得出的收视率可以推而广之，体现全国的收视率情况。
如果是50年前人口基数还小的时候，这也许还算有道理。当时电视是稀缺产品，而且只有3个电视频道供观众选择。现如今这套方法真的要过时了。用这么粗糙的统计方法来计算，结果一定是有很大偏差的。
问题还不仅限于此。直到不久前，收视率的统计才加入了大学适龄孩子们的收视习惯。但是酒吧这类公共场所的收视率仍未计入其中。此外，通过互联网和录播进行观看的人群对于收视率的调查来说也还是一片空白。
尽管如此，数百万美元的广告费还是凭借着尼尔森的收视率数据就最终拍板了。可以这么说，这25000个人爱看什么，广告费就会投向哪里。很多节目停播或是被取消，完全源自这一小群人的收视习惯。这种伪统计学产生的恶劣影响让很多人深受其害。
这是伪统计学的真正危险所在。在极力声称自己研究的可靠性同时，却无法将大量的核心变量加入自己的计算模型当中。就拿尼尔森来说，它的问题就在于数据样本太少，得出的结果太不准确。不幸的是，即便我们有能力作出更细致的分析来，伪统计学还是无处不在。互联网广告和CPM指标就是其中的典范。
CPM指的是每千人成本（罗马数字M代表的是千），即将某条信息传达至一千人广告商所需支付的广告费用。这个概念是从电视广告的定价模式中来的，广告费用与收看的人数成正比，这很合理。然而在互联网中这个概念被滥用了。它只是单纯地表明那些广告弹出多少次，或是其所在的网页被浏览了多少次。而究竟有多少人真正注意到了这些广告，没人知道。尽管如此，它仍然是互联网广告一条重要的定价法则。
当某品牌需要在网站上打广告时，经常会选取CPM作为衡量广告效果的标准，进而支付广告费用。然而CPM根本无法显示出广告的效果究竟如何。其他一些衡量标准如CPC（每次点击成本）或是CPA（每次获取成本）对于衡量广告效果来说可能更为可靠。
比如说，Sonic汽车快餐店想要开展一场营销活动，目标人群是体育迷们。他们决定在体育网站A上做广告。假设网站的CPM为10美元，那么花100000美元的广告费就可以买来10000000次广告。不过，如果广告的目的是让球迷们进入sonic.com的网站进行注册并获赠一份土豆泥的话，CPM这个指标就不能告诉企业这个活动的效果究竟如何。相反，用最终成功注册的人数来判断活动是否成功才是比较合理的。
通常来讲，广告商们都会通过不同方式来衡量广告效果，如广告收视率、目标人群收视率，等等。然而，无论通过何种方式计算广告的有效性，结果都是不准确的。尼尔森公司的收视率就是一个典型的失败案例。
在广告行业当中该如何运用统计分析成了一个很大的挑战。就拿赞助来说，像AT&T这样的公司该如何衡量自己在高尔夫巡回赛中一个广告牌的价值大小呢？就这个问题，我直接咨询过AT&T公司负责赞助的执行总监迪姆·麦吉。
“您是如何衡量PGA（职业高尔夫巡回赛）赛场上，公司LOGO的价值大小呢？”我这样向麦吉问道。
“在我看来，只要转播的过程中我们的LOGO在画面中出现30秒钟的时间，赞助费用就算值了。”麦吉如是解释道，“不过我们没法对此进行精确的掌控。这就跟广告一样。我们都会在心里打个折扣，让心理预期低一些。”
“同时，我们还会在LOGO频繁出现期间跟踪公司销售额，看是否产生了增长。”他继续说道，“虽然这种推论并不是严丝合缝的，但我们相信与PGA这样的顶尖赛事进行合作，可以提升我们的品牌价值。”
麦吉总结说：“我们一直在对广告效果做着各种的分析、调查，希望通过这些工作能将感觉和主观判断降到最低水平。不过我们也很清楚，自己的判断虽然不够准确，但方向是不会有错误的。”
不难看出，广告商们都想对自己广告活动的效果进行尽可能精准的测评，却苦于无法获得足够的数据进行衡量。然而，对互联网广告来说这却不再是一个“不可能完成的任务”。实际上，互联网广告绝对可以用做广告效果测评的教学案例。只不过，单一的CPM是远远不够的。
之前讲的是如何将分析应用于企业运营当中。通过一个简单的数字来帮助企业作决策绝非易事。就连我们战绩赫然的21点小组都得需要记牌、算牌才能取得优势，更不用说复杂的企业了。不过在互联网的营销活动中，如果将CPM和其他几个指标综合起来衡量广告的效果，那结果应该算是比较准确了。
回到Sonic餐厅的例子上来，他们到底该如何判断广告的效果呢？他们关心的其实只有一个结果：究竟有多少人最终选择进入公司的网站，进行注册并获取免费的土豆泥礼券。“注册人数”是他们的关注点。让我再为这个例子补充一点信息，Sonic同时在两个网站上进行广告活动：一个是我的Citizen Sport公司的网站，另一个假设叫做ABCD.com。
广告在两个网站上同时进行，公司选用了CPM的方式购买广告。你可能会问为什么他们不按照CPC的方式付费。那些点击了广告的消费者最终完成注册的概率更高，广告效果应该会更好。不过，谁又能确定那些点击了广告的消费者有多少能最终完成注册呢？由于我们网站的用户特征与Sonic的目标消费者特征更为相符，通过我们网站注册成功的人数应该比ABCD.com多很多。
因此，用CPC来判断也不合适。说实在的，只有像零售商那样对用户进行全程的跟踪调查才能帮我们找出答案。首先记录下用户在第几次看到广告的时候才会选择点击。如果他点击进去，进行注册的概率又有多大。得到这些信息后，我们还想知道他是否常去Sonic用餐。如果我们获得了这些问题的答案，就能有效地评价两场营销活动的有效性。这问题听起来就不简单，还是让我们先看看相对容易的AT&T公司的LOGO效果评价吧！
这也就是本章的核心所在：数字可以说话，但无法讲述完整的故事。大多数的故事当中都有各种各样的主观衡量标准掺杂其中，无法通过简单的统计学一言以蔽之。CPM告诉我们的只是互联网营销的冰山一角。同是1000个用户，你觉得Sonic公司是愿意把做广告给素食者还是普通人看呢？因为公司主营的是汉堡包，我觉得这个答案再明显不过了。电视广告和互联网广告都会用到CPM这个衡量标准。那么，如果同是5000人的受众，你觉得Sonic公司会选择在电视上做广告还是在互联网上呢？公司真的在意有多少人进入网站注册并获得免费的土豆泥吗？当然不！这些免费的小礼物都只是提升销售额的小噱头而已。公司的目标无非就是扩大自己的影响力。当然了，到底是电视的广告效果好还是互联网的广告效果好，我们无从得知。
但是，如果说我们能从中学到点什么的话，那就是信息多了总比少了好。通过互联网做广告，公司可以有机会在CPM之外获得更多信息。通过经验的积累，我们可以用多条指标对广告效果进行测评，进行多维度的分析。这样一来，我们就能通过数字把“故事”讲得更圆满、更生动。同时，广告商们也能在日后的营销活动中为自己制定出更有效的广告策略来。或许到了那个时候，你还能帮尼尔森一把呢！
数据分析在我们的日常生活中无处不在。利率、互联网广告还有橄榄球比赛中满是它们的身影。但现实情况却是，那些自称统计学的“伪统计学”不断地制造着假象，将人们引入歧途。
在21点中，“伪统计学”无处藏身。我们运用数字来进行所有的决策制定。我们依赖它，因为它客观公正，毫无偏差。但是在现实的社会中，这种情况就太罕见了。
当你在经营自己的公司时，为了取得竞争优势你得找到属于自己的“算牌方法”——通过数字指导决策的方法。但是，如何避免伪统计学是更为重要的步骤。只有这样，你才能避免为其所扰，才不会对真正的统计学产生敌意。
那么，我们该如何避免采用甚至创建“伪统计学”的标准呢？
首先，所有的统计学都是建立在客观的衡量标准之上的。BCS就是很好的反例：它2/3的结论都是建立在主观的投票结果之上的。统计学只有采用了正确的数据才能得出正确的结论。老话说得好：“种瓜得瓜，种豆得豆。”如果选用的数字都是错误的，那根本不会有好结果。还记得我们的四分卫评分器吗？那么多关键的指标都没有体现在其中，结果怎么可能准确？
其次，统计应该易于理解，或是说尽可能地简单易懂。在四分卫评分器中，总分竟然是可笑的158.3分，这真是让人看不太懂了。为什么不能把总分设定为100分？通常人们都比较容易接受百分制的评价结果。这样的话不是更方便大家判断吗？数字本来就够让人头痛的了，我们没理由在此之上继续添加令人费解的无谓要素。
第三，统计学不应该用来编造谎言。美国政府通过操纵通货膨胀率的数据达到一己私欲的做法，让普通的消费者对这些数字产生了不信任感，也让他们对数字产生恐惧。很多书中更是充满了数字谎言。这样的做法让人们对数字产生了厌恶情绪，因此对数字敬而远之。因此，在你运用数字的时候要千万小心，要凭良心作分析。因为数字讲述出的故事、得出的结论的分量远比简单的言语要重得多。
最后，真正的统计学专家不会只图简单。得出的结论一定要对未来有预测价值，这一点是最苛刻的标准。如果你面对的问题无法通过现有的分析手段得出结论，那么你就要想方设法改进分析手段，而不是退而求其次，找那些关联度低的指标进行分析。在互联网广告的那个例子当中，CPM可以表示受众的数量，但对活动有效性并不能进行准确的判断。要想获得广告活动的真实效果，你只需要多拿一些信息，多做几个分析即可。或者你可以将手头的问题进行简化，将其变成单维度的简单问题，并对其进行有效性测试。对于那些复杂的问题，这个方法屡试不爽。
用数字讲故事、传递信息的能力是企业获取竞争优势的重要途径。通过细致地分析统计方法的准确性和真实性，你能避免掉入“伪统计学”的陷阱中。相信你可以真正地驾驭分析和统计，描绘出事情的全貌。
