本文来自微信公众号：数据化管理（ID：sjhglwx），作者：黄成明，此话题分为上下两篇来论述，本篇为上篇，下篇详见：《职场中数据分析师是如何耍流氓的？（二）》，题图来自：视觉中国
本篇是防数据忽悠系列文章的第一篇。后面关于这个系列会分成四部分来阐述，分别是数据忽悠常用手段：【1】指标、【2】图表、【3】权重、防数据忽悠策略。
先来看个案例：2016年7月24日，贵州省房地产研究院向社会公布《贵阳市住房租赁市场发展报告》。随后在2016年7月25日，贵州的三份报纸均以贵阳房租为头条内容：
你看晕了吗？贵阳的房租到底是涨了17.98%，还是涨了10.51%，抑或是下跌了？其实真实的原因如下：
《贵州都市报》：选取了2011年、2016年每套住宅均价作为数据源，得出的结论是每套住宅均价上涨了17.98%；
《贵州商报》：选取了2011年、2016年每平方米月租金均价作为数据源，得出的结论是住房月租金每平方米均价上涨了10.51%；
《贵阳晚报》：选取了2015年、2016年两年的租金作为数据源，得出的结论是贵阳房租连续两年下跌。
由此看到问题所在：不同的数据源得出不同的结论。也就是说这三份报纸都没有错，只是他们各自选取了不同的数据源，导致得出的结论不一样，进而体现在文章标题的差异，若只看标题的公众就容易产生错觉了。
其实在如今的网络时代，充斥着非常丰富的数据信息，各种市场报告以及成交量排行、市场份额报告、行业分析等等。这些信息名目繁多、主题各异，其中不乏鱼目混珠、偷换概念之作。我们身处这个信息爆炸的时代，不应该被数据忽悠，而是应该去适应，去读懂这些数据信息。
今天的文章主题是数据忽悠常用手段【1】指标， 将重点介绍用指标进行数据忽悠的常见手段。
一、同一组数据不同的指标
案例1：某个部门共有7名员工，一直处于超负荷工作。本月其中一名员工由于积劳成疾住院。如何向老板申请增加新员工？
方法一：本部门现有1名员工积劳成疾，申请补充新员工数名。
方法二：本部门现有14.3%的员工积劳成疾，申请补充新员工数名。
你觉得以上两种说法中，老板更有可能同意哪一种？
显然案例中绝对值的说法，效果不如相对值，但其实反映的是同一个事实。所以大家看到这种数据报告后，要多加思考，千万别想当然地就作出判断。
注意：绝对值和相对值是不同的指标。再举一个更奇葩的数据，某个业务员本月新开发了两个客户，然后给老板做报告却说本月新开客户同比增长100%，因为去年只开发了一个。
二、同一组数据不同的指标定义
案例1：再举个理解数据中的例子：
某个部门共有20名员工（该部门标准编制员工数25名），本月这20名员工全部辞职了，月中新入职10人，月末还剩10人。请问该部门离职率是多少？
答案1：离职率67%，即20÷（20+10）；
答案2：离职率80%，即20÷25；
答案3：离职率100%，即20÷20；
答案4：离职率133%，即20÷[（20+10）÷2]；
答案5：离职率200%，即20÷10。
同样是离职率的指标，但是它的定义不一样，居然可以有5种不同的结果！所以问清楚指标定义是非常重要的！针对每个指标，企业必须要有一个统一标准化的指标定义，所有部门都要按照这个标准定义来做统计。
案例2：这是真实事件，有次我去参加一个服装行业联谊会，会间正好听见几个人在聊售罄率的事情：
A说：我们公司的售罄率是75%，你们的公司是多少啊？
B说：我们公司的售罄率只有70%，没有你们好啊。
C说：我们公司比你们还差，售罄率是55%左右。
D说：我们公司还不错，有的产品售罄率可以达到95%以上。
于是我就听到A、B、C同时惊叹道：你们公司的售罄率真高啊，怎么做到的？给我们讲讲吧。 （PS：售罄率是检验商品库存消化速度的一个指标。一般采取期货制订货的企业，如鞋服行业用得比较多，可以随时补货的快速消费品一般不用这个指标）
D扬扬头继续说道：我们公司的买手都是花大价钱从外面请的高手，买货非常准的。还有就是我们商品部的数据分析能力非常强。
从她们的对话中，你们直接发现什么问题吗？
首先，ABC说的是公司的售罄率，而D说的却是某些产品的售罄率，没有直接的对比意义。其次，指标只有放在一定的场景下，找到最合适的对象，并且使用最正确的数据源才有意义。
指标之间的对比必须注意一定要几个一致：对象一致，时间属性一致，定义一致，数据源一致！
后来我和她们详细聊完，结合聊的效果，我们来仔细分析下这几个一致：
对象一致：正如ABC的公司和D公司的对比，个体和整体可以对比，但是可对比性会差很多。
时间属性一致：这是最大的问题，事后和她们聊天了解到，C所说的售罄率只是季度售罄率，而A、B和D所说的是季末售罄率。
定义一致：A、B和D三人虽然都是季末售罄率，但是他们的定义却不一样，A所在公司的季末是最佳销售期再加三个月（即夏装销售期为4-6月，季末售罄率则是到9月底的售罄率），而B所在的季末售罄率是销售期加两个月（即8月底的售罄率），D所在的公司是到自然年度才算售罄率（即夏装的季末售罄率是到12月底的售罄率）。三个公司商品的消化期都不一样，售罄率自然就没有对比意义了。
数据源一致：最初我也没有发现她们有数据源不一致的现象，我也想当然的认为他们就是普通服装公司的“期货制“订货模式，最后才发现D公司采用的是”期货制“加”现货制“的订货方式，这种方式由于可以根据销售情况多次补货，所以售罄率高也是自然的。所以A、B、C和D的数据源是不一致的。
看到这个地方你们明白了指标是不能乱用的了吗？对于售罄率每个公司必须制定一个统一标准定义，这样才能更好的标准化，也方便数据分析以及对商品采购的考核。
案例3：以下是2014年12月21日韩都衣舍天猫旗舰店的退款率截图：
当时一篇标题为《双十一后时代卖家生悲：韩都衣舍退货率69.8%》的文章在网络上疯传，网上也各种议论：都是双11惹的祸、都是刷单刷出来的销售等等。
之前的文章我就分享过离婚率的例子，当时说的主要问题就是分子和分母根本不是一回事儿！其实在本例中的退货率也是同样的问题：
上图中，计算韩都衣舍的退货率就是用的这种算法，30天内退货除以30天内的发货，即11月21日到12月20日的这30天内的退货率（退货/发货）。大家仔细想想，双11的退货在分子里面（这个数据会比较大），而发货却不在分母里面（相对双11来说这个数据会非常小），这样计算的退货率有意思吗？
其实真是没意思。但是却不能说这种方法是错误的，这是目前各大电商通用的计算退货率的方法，虽然不是错误的，但是却不符合业务逻辑。
那电商退货率到底如何处理呢？虽然退货率的公式非常简单，但是退货率和离婚率一样容易出问题。退货率的公式隐含了时间和对象两个关键信息，即什么对象在什么时间周期内的退货率。如果只用公式硬套，还可能算出退货率高于100%的情况。退货率常见问题有两种情况：
1. 对象不一致：有的公司为了方便顾客，允许顾客就近退货，这样极端状况下就有可能造成退货批次大于发货批次的现象，因为会有非本店购买的顾客来退货，这些退货批次不在分母中，但却在分子中。这种情况一般线下零售比较多。
2. 时间属性不一致：经常出现的情况是上月发的货本月来退，造成本月退货率数据失真。这种情况一般线上零售比较多。
当发货数量巨大，退货比较小时一般问题不大，但是现在电子商务的退货率一直高居不下，影响就比较大了。解决这两种不一致的办法有三种：
1. 扩大统计范围：如果公司允许顾客就近退货，那就不要分析店铺的退货率，直接看城市或全公司的退货率就可以了。
2. 追根溯源：包括把非本店铺发货的退货单从数据上返还给实际发货的店铺，把非本周期发货的退货单从数据上返还给实际发货的周期。例如本月发货200单，退货40单，其中10单是非本月的发货，则本月实际退货率是15%。这种方法可以做到对象和时间数据的一致了，不过这种方法计算起来比较复杂，因为退货源的归属期查起来往往比较麻烦。
所以一般用于中长期，如月退货率的计算。这种方法的退货率需要不断的修正，如2013年10月底计算的当月退货率为12%，但11月又有10月发货的商品退货，则11月底时需要修正10月的退货率数据，如果12月时还有10月发货的商品退回，则12月底时还需修正。
3. 实际发生退货率：这种方法就是按当期实际退货数除以当期实际发货数，忽略对象和时间属性不一致的因素。这种方法的好处是简单，就是退货不问出处，可以适用于计算短期退货率使用，如日、周退货率。
不管企业采用何种计算方法，一定要注意标准的统一。只有标准统一了我们才好结合退货率的走势去分析退货背后的原因。
本篇主要跟大家分享了用指标进行数据忽悠的常见手段，建议大家看新闻、看报告等各种数据信息的时候，记得要多进行思考。通过学习本期的内容，并不是让大家去忽悠同事、老板，而是希望大家以后不要被数据忽悠了，希望大家练就识别数据忽悠的本领，提升数据思维。
本文来自微信公众号：数据化管理（ID：sjhglwx），作者：黄成明