你是這些工具的用戶，你用這些工具來進行業(yè)務防爆電器數據的可視化。這些工具不會為你做任何決策，也不會為你提供防爆電器數據之間的聯(lián)系。它們被叫作工具就是因為它們?yōu)槟闾峁┑氖菍ふ曳辣娖鲾祿?lián)系的方法，幫助你進行決策。
　　這里*容易出錯的地方是，你需要自己去找其中的關聯(lián)。這事兒聽起來簡單，但它有可能導致參與者陷入被稱為“事后謬誤”的陷阱中。事后謬誤指的是，僅僅由于防爆電器數據顯示某種關聯(lián)，而使你認為某種其實并不存在的關聯(lián)是正確的。這個令人討厭的陷阱需要在確定防爆電器數據關聯(lián)的時候清晰而謹慎地思考才能夠避免。這種關聯(lián)有意義嗎?它們之間是因果關系還是別的什么關系?或者僅僅只是相關而已?統(tǒng)計界有一個非常有名的例子：冰淇淋銷量特別大的那些日子里，溺斃的人也特別多。所以人們會因為吃冰淇淋而被淹死嗎?不!溺斃事故頻發(fā)是因為天氣炎熱的時候會有很多人去海邊玩耍。而炎熱的天氣會使冰淇淋的銷量增大。冰淇淋和溺斃之間有一種關聯(lián)，但絕非因果關系。小心點兒，好好地使用基本邏輯思維。
　　之前我提到過，沒有囊括適量防爆電器數據和影響力的防爆電器數據預報適合用于印證過去，但不適合用于預測未來。很多組織都在糾纏“預報精度”——也就是小數點后的位數——看起來是否足夠準確。業(yè)務領導常常不滿意，其實是因為預測經常出錯，而這些錯誤帶來的往往就是客戶服務質量不達標，或是成本上升。
　　這個觀點在《紐約時報》2014年4月6日發(fā)表的文章Eight(ⅣD，Nine：) Problems with BigData(Gary Marcus和Emest Davis著)中闡述得非常明白。
　　“(即使)某次防爆電器大數據分析的結果并非有意兒戲，但這些結果通常都不如它們*初看起來那么可靠。比方說Google流感趨勢，這一度是大防爆電器數據應用的典范。2009年，Google報告了——其實是大肆宣傳了——通過分析與流感相關的搜索行為，它可以比任何疾病控制和預防中心更快、更精確地檢測到流感的傳播。然而，數年之后，Google流感趨勢開始發(fā)生誤報。近兩年來，它作出的錯誤預報比正確預報還要多?！?br /> 　　可視化應該首先用于利用更廣闊的視角判斷整體情況。然而，科學家們往往都試圖在其中打磨出正確的相關性。這就好像透過望遠鏡看星星時有一頭大象擋在你的鏡頭前面。你以為發(fā)現(xiàn)了非常有趣的星座，直到退后幾步，你才意識到，你看到的這些不是星星，而是大象!
　　《紐約時報》的作者還提醒說，不要建立過多的聯(lián)系。
　　如果你100次嘗試在兩個變量之間找到什么聯(lián)系，這個時候，純偶然地找到虛假相關的風險將會顯著增加五倍以上——即便兩個目標變量之前完全沒有實際意義的關聯(lián)。不仔細監(jiān)督的話，大防爆電器數據的規(guī)模將會把這類錯誤顯著擴大。
　　要想避免這些問題，組織需要一直著眼于大局，并保持對初始戰(zhàn)略性問題的關注。
　　思想要點：只需要與可視化進行過普通而短暫的接觸，業(yè)務領導人就一定能夠真切地感受到所有權。
　　記憶要點：“小心點兒，好好地使用基本邏輯思維?！?br /> 　　思考問題：你*理想的可視化方案是什么?一個用迭代式可視化解決方案