在我們的工作與生活中，數據往往是理性的代表。

但也許你沒發現，就算數據完全真實，我們依然有可能被欺騙。在這個信息爆炸的時代，數據理性也無形地給我們套上了一層枷鎖。過于依賴數據的思維模式，看似高效理性，實則陷阱重重。

很多時候，你看到的，并不一定是真正的事實。

為什么花更少錢買偏遠的房子不一定劃算？

為什么得分最多的運動員不一定是好運動員？

為什么癌癥發病率上升竟可能是一件好事？

被各種量化指標裹挾的我們，要常常思考，這些指標真的能起到衡量作用嗎？當真相被蒙蔽時，我們所做的努力，很可能徒勞無功甚至適得其反。

數據并不牢靠， 由不合理指標產生的數據陷阱無處不在，貌似科學的指標常常誤導著我們的決策。《為什么數據會說謊》一書將從各個角度把你拉出“錯誤指標”的泥潭，讓你迅速識別真相，在大數據時代更加游刃有余。   

從生活到工作，從醫療到教育，從交通狀況到企業利潤，人們通過先觀察再行動，來理解我們的世界。于是，我們衡量所做的幾乎一切。

孩子在學校學習了嗎？對他們進行測試。

我們的工作效率高嗎？統計工作時間。

一家企業是否成功？對收入、利潤、增長等數據進行細分，直到你確定為止。

這些措施、評價和業績指標就是我們的衡量指標。它們不僅是我們用來量化了解生活的工具，也是量化了解世界的工具。衡量指標有助于我們決定哪些事情值得重視且優先于其他事情，衡量指標塑造了我們對世界的理解。我們花費大量時間和資源來選擇、搜集和分析構成這些衡量指標的數據。幾乎沒有什么是我們不去測量的。

與簡單的測量不同，衡量指標是一種進行賦值的測量。也就是說，衡量指標是帶有目標的測量。例如，考試得A比得D好，公司利潤增長是件好事。衡量指標可以告訴我們，情況是在改善還是在惡化。當我們選擇衡量某個事物時，往往是在選擇追求它。

在信息時代，我們被淹沒在數據之中。數字革命在世界上掀起了一股數據浪潮，只要接入互聯網，任何人都可以毫不費力地獲得各種信息。我們不再受限于單調乏味的記錄，我們擁有的數據多到不知該如何處理。計算機不僅成倍地提高了我們的計算能力，還提高了我們搜集、存儲和共享信息的能力。互聯網擴大了信息量，并從根本上提高了信息交換的便捷性。政府、企業、組織和個人搜集利用這些新信息來制定政策、開發更好的產品和營銷策略、提高生產力、解決社會問題，以及滿足個人利益。

數據的爆炸式增長導致我們對衡量指標的使用激增。有了更多的信息，我們就可以跟蹤更多的措施，實現更多的目標，進行更多的評估。毫無疑問，在數據領域發生的革命給我們的世界帶來了無數益處。更好的數據意味著更好的決策。更多更好的信息意味著我們的醫療系統能拯救更多的生命，企業能提供更好的產品和服務，人們對自己的健康、財富和幸福能做出更好的選擇。

然而，數字革命創造了一種信息狂妄。聚光燈越集中在這個世界可測量的部分上，我們就越相信我們無法測量的部分不再存在。有了新信息，我們就忘記了所有我們不知道或難以知道的事情。我們太過專注于那些在燈光下看到的事物，以至于忘記了成功的關鍵可能在黑暗中。企業如果發現了有關其供應鏈、生產過程和市場運輸的大量新信息，就不應該忽視市場適銷性、創新、員工激勵，以及市場中未知和不可預測的變化等更難獲得的信息。

信息如此豐富也有不利的一面。就像螞蟻會被信息素引入歧途一樣，我們也會被我們認為對自己有幫助的衡量指標引入歧途。我們不僅要對信息的真實性和完整性持批判態度，還必須理解數據的含義，為什么它們很重要，以及它們如何影響我們的行為。

我們必須認識到，那些用來理解、評估和分析世界的工具，也會影響我們的判斷，誤導我們的注意力，或者蒙蔽真相。

你一定想不到，為什么癌癥發病率上升竟可能是件好事？

2018年，60多萬個美國人死于癌癥，這簡直駭人聽聞。據估計，在那一年還有超過 170萬人被診斷出患有癌癥。預計每4個美國人中就有一人死于癌癥。但情況并非一直 如此。1970年，死于癌癥的人數只占美國死亡人數的16%。1958年這一數字是15%。1900年這一數字是4%。

癌癥診斷率急劇上升的原因是什么？是我們攝入體內的化學物質嗎？是我們的生活方式？又或許是手機、微波爐、電腦和收音機等的使用增多？其實，這些都不是。頭號原因會讓你大吃一驚。

雖然在過去的幾十年里，有多種原因導致癌癥死亡率上升，但最大的原因是我們很少有人猜到的：心臟病。心臟病導致癌癥發病率上升的原因則更為奇特。這并不是因為得心臟病的人越來越多，而是因為得心臟病的人越來越少。

事實上，心臟病是美國人的頭號殺手。2015年，心臟病導致的死亡人數多于癌癥，有60多萬人。但在過去的幾十年里，心臟病的發病率和死亡率都大幅下降。2001—2011年，心臟病死亡人數下降了近39%。1970年，心臟病占全部死亡人數的40%。2002年，這一比例為28%。2011年，596339名美國人死于心臟病，相當于每10萬美國人中有191人死于心臟病。2001年，這一數字為700142，即每10萬美國人中有248人死于心臟病（請注意這里使用人均死亡率是多么重要）。心臟病的減少是過去幾十年來公共衛生領域最偉大的成就之一。此外，結核病、腹瀉、腸炎、傷寒、白喉和麻疹等傳染病的死亡率也大幅下降。

不幸的是，每個人最終都會死。由于死于心臟病和各種傳染病的人越來越少，而且心臟病和各種傳染病是死亡的主要原因，因此，本應死于心臟病或傳染病的人現在活得更長了。他們中的許多人壽命長到最終患上了癌癥。簡言之，并不是死于癌癥的人越來越多，而是死于其他疾病的人越來越少。默認情況下，如果你只是用癌癥造成的死亡比例，或者總死亡人數來衡量癌癥的影響，那么癌癥似乎越來越嚴重了。人總會死于某種疾病，一個人年紀越大，死于癌癥的可能性就越大。所以，奇怪的是，癌癥發病率上升是件好事。正如丹·加德納（Dan Gardner）所言，如果平均預期壽命上升到 100 歲，癌癥發病率將會飆升。由于很少有其他原因導致死亡，幾乎每個人都會在某個時候患上癌癥。這簡直太棒了。

慶祝癌癥發病率上升的奇葩案例引發了一個重要的問題：為什么這一點如此反常？死亡率上升怎么可能是積極的呢？原因在于，不是所有的死亡都是一樣的。度過漫長的一生之后在85歲時死去和在8歲時死去是完全不同的兩件事。晚上在睡夢中安全舒適地死在自己家里和被人隨意攻擊或謀殺是截然不同的。雖然我們都同意死亡是一件悲慘的事情，但我們也同意，有些死亡比其他死亡更理想，有些死亡比其他死亡更悲慘。這影響了我們對疾病的看法。

想象一下，有兩種疾病每年造成的死亡人數相當，你會把更多的精力放在消除哪一種疾病上？在沒有更多信息的情況下，我們很難做出決定。現在再想象一下，死于第一種疾病的人的平均年齡是70歲，而死于第二種疾病的人的平均年齡是11歲。此時你會集中精力消滅哪一種疾病呢？答案顯而易見。基于每百萬人死亡人數的直觀評估會告訴我們，這兩者之間沒有區別。我們都知道這是不對的。然而，我們對疾病和其他死因的了解，很大程度上來自每年死于此病的原始人數。當在公共話語中討論公共健康時，人們往往把焦點放在“頭號死因”上，或前三名，或前十名，或其他什么。直到20世紀90年代，即使在公共衛生領域，大多數關于疾病的評估也集中在這些因素上：死亡率、發病率和流行率。但這些衡量方法是有誤導性的。它們忽略了這些死亡的性質及其對受害者的影響。

衡量指標往往無法區分品質差異很大的測量單位。5歲時的死亡比85歲時的死亡要糟糕得多。患有重度抑郁癥比輕度缺鐵更糟糕。如果不考慮這些差異，我們就會過度重視不太重要的條件，而忽略更重要的條件。簡言之，我們必須記住，既要衡量品質，也要衡量數量。某種東西越多，并不意味著它就越好。

當我們純粹以數量來衡量事物，而不考慮它們的不同品質時，我們就會讓自己陷入各種各樣的適得其反、效率低下或不理想的境地。

通過這個癌癥發病率的案例，我們可以深刻感知到，那些看似理性的數據，卻

是會“說謊”的，在不知不覺中就欺騙了你。衡量指標能為我們的決策提供洞察力、清晰度和有價值的信息。但是，它們也可以瞞天過海，混淆視聽。

為什么人們總是測量錯誤的數據，而忽視重要的指標設定？

在許多系統中，關于什么是有價值的、什么是重要的，存在著許多不同的觀點。如果我們僅僅依靠個人觀點來判斷好壞，那么我們將永遠無法解決這類問題。

衡量指標提供了一個客觀、冷靜且一致的標準，我們可以用這個標準比較和評估業績，衡量指標能夠讓我們擺脫關于“什么是重要的，以及為什么重要”這個問題混亂的、各執一詞的和情緒化的討論。衡量指標可以跳過對話，提供一個適用于所有人的清晰一致的標準。衡量指標為我們提供了客觀性，大多數衡量指標最終的目的都是改進我們所做的事。

在一個理想的世界里，我們選擇最好的衡量指標，并遵循它們建議的成功之路。然而，這些衡量指標卻可能讓我們誤入歧途。

當衡量指標的目的存在缺點時，就有可能會誤導、誤解和歪曲實際發生的事，并破壞衡量指標的初衷。衡量指標可能導致我們采取適得其反的行動，將我們的注意力吸引到最終并不重要的事情上，由于選擇了錯誤的衡量指標，我們在無效的活動上花費了過多的時間和資源。衡量指標可能扭曲我們對世界的看法。我們甚至可能成為衡量指標的奴隸，過于關注自己在測量中的得分，而忘記了自己真正要實現的目標。

可見，說謊的從來不是數據本身，而是被不科學的衡量指標支配的人。

衡量指標會在很多方面誤導我們，幸運的是，我們可以從這些錯誤中吸取教訓。學會識別衡量指標如何以及為什么會誤導我們，這樣就不會落入陷阱。

《為什么數據會說謊》一書通過大量生動的案例，強調了選用恰當衡量指標的重要性，并且告訴我們，如何在做出關鍵決策之前找到正確的目標。生活不是一場數字游戲，我們不必盲目地遵循衡量指標規劃的路線，而是有能力從道路上抬起頭，重新評估目的地。我們可以停下來想一想，弄清楚是否真的越來越接近目標，還是在原地打轉。

向導并不總是正確的，我們可以學會在旅途中選擇更好的地圖。