去年双十一，大数我盯着一家女装店铺的据分后台数据看了整整三个小时。不是大数看销售额，是据分看一个反常现象：晚上九点到十点，加购人数突然飙到全天峰值，大数但同一时段的据分支付转化率却跌到谷底。运营团队一开始以为是大数优惠券设置出了问题，查了半天没毛病。据分后来把用户设备信息拉出来一对比，大数真相浮出水面——这个时段涌进来大量iPad用户，据分她们在沙发上刷手机，大数把喜欢的据分衣服先扔进购物车，等着第二天上班摸鱼时再慢慢比价、大数凑满减。据分手机端用户则更冲动，大数看到就买。

这就是大数据分析有意思的地方。它不负责告诉你“为什么”，只负责告诉你“是什么”。那个iPad和手机的差异，是我们自己脑补出来的解释，数据本身只呈现了相关性。但恰恰是这种相关性，帮那家店调整了推送策略：晚上九点给iPad用户推“明日专享券”，给手机用户推“限时秒杀”。转化率次周就涨了17%。

很多人把大数据想得太玄，觉得非得是PB级别的数据、Hadoop集群、实时流计算才配叫大数据。其实不是。我见过最有效的一次分析，是一家社区便利店老板用Excel做的。他把过去半年的收银小票导出来，按小时统计客单价，发现每天下午两点到四点之间，进店的人买的东西特别少，平均只有八块钱。他一开始以为是附近写字楼午休结束没人来，后来调了监控，发现这个时段来的大多是接孩子放学的老人，顺手买瓶水或一包纸巾。于是他调整了货架，把儿童零食和老年无糖食品挪到门口，客单价直接翻了一倍。

数据量不大，工具也土，但逻辑是对的：先找到异常点，再拆解维度，最后落到行动上。很多公司做大数据失败，不是技术不行，是卡在第一步和第三步。异常点摆在眼前却看不见，或者看见了却不知道能干什么。

我自己有个习惯，每次看到平均数就条件反射地警惕。比如某电商平台说用户平均年消费5000元，这个数字毫无意义。拆开看，可能是5%的人年消费五万，剩下95%的人只花几百块。那5%的人是谁？他们在什么城市、什么年龄段、买什么品类？这些信息才值钱。平均数掩盖的往往是真相，而大数据分析的第一课，就是学会不相信平均数。

另一个常被忽略的点是数据的时间属性。同一批用户，早上八点和晚上八点的行为模式可能完全不同。我跟踪过一个新闻App的阅读数据，早高峰时段用户点开文章后平均停留12秒，晚高峰则是47秒。12秒意味着什么？在地铁上单手刷，标题扫一眼就划走。47秒意味着躺在沙发上，愿意读两段。同一个App，同一个用户，不同场景下就是两个人。如果运营只按日汇总数据，这两个场景就被平均掉了。

当然，大数据也有让人哭笑不得的时候。我朋友在一家生鲜平台做算法，有次发现一个诡异现象：每周三下午，香蕉的销量会突然暴涨。查了半天，原来是他们给某企业食堂供货，食堂周三做香蕉奶昔。这种“规律”对普通消费者毫无意义，但如果你不知道背后有B端订单，就会误以为周三下午是香蕉的黄金时段，然后傻乎乎地在那时候给C端用户推香蕉优惠券。

数据从来不会自己讲故事。它只是一堆数字、时间戳和ID。讲故事的是人，是那个盯着屏幕、挠着头、试图把碎片拼成图案的人。工具越强，人的判断反而越重要。因为工具能算出相关性，但只有人能判断这个相关性是不是放屁。