平均數的誤解：正確的計算，卻帶來錯誤決策！商業人士如何解讀數據。

◎公司對媒體宣稱，年終平均6個月，基層員工群起反彈：哪有這麼多？
◎客戶滿意度達84％──聽起來很棒，但抽樣可能一開始就沒找上給差評的人。
◎優衣庫最在乎的數字不是熱賣品，而是哪些衣服試穿後又被放回──用意是？

公司會議上，常出現以下數據：「我們的客戶平均每個月光顧2.3次。」
接下來大家可能繼續討論：如何把這個平均數提高到2.4次。

但決策者忽略的是，這個平均數背後，可能有兩種意義：
你的顧客確實每個月光顧二到三次，多數都是常客。（這結果真的很棒！）

但也可能是其中10％客戶，每個月光顧20次，剩下90％每三個月只光顧1次。
這時要做的，不是把平均數拉高到2.4，
而是如何找到這10％的忠實顧客，留住他們甚至提高此數字。

作者伊恩．雪帕德目前是英國最大寢具零售商Bensons for Beds董事長，
擔任過多個世界級品牌的高階主管，
包含跨國電信公司沃達豐（Vodafone）、歐洲最大連鎖電影院歐典（Odeon）。

他推出了客戶忠誠度計畫，並將下滑的市占率轉變為強勁的增長──
這些都基於他對消費行為的敏銳捕捉。

◎商業人士該如何解讀數據？

‧企業經常參考「客戶平均光臨次數」、「平均消費金額」，
但如果樣本中有極端值，計算出來的平均數反而會誤導你。

例如：「某商品的平均庫存期為3週」，看起來很合理，
但其中或許有分店高達20週，如果只看平均數，便難以發現問題。
所以你必須參考中位數和標準差。

‧分店業績大幅提升，是因為行銷策略奏效了？
評估成效不應單看店鋪銷售額成長，而是利用對照組，
把採取行銷策略與未採取的門市拿出來比較，才能判斷。

◎什麼樣的數據才有參考價值？

‧客戶滿意度達84％──聽起來很棒，真的嗎？
除了請客戶直接評分（但他可能出於禮貌而填高分），
也可以調查淨推薦值：客戶是否會向朋友推薦（這個比較準確）。
還可以問一個具體的問題：「你今天找到想買的東西了嗎？」

‧你可以不懂演算法，但要利用它：
優衣庫（UNIQLO）的每件商品都有「RFID電子標籤」，
一籃商品放上自助結帳機，就能自動感應客戶買什麼。
還能用來追蹤，有多少比例的衣服被拿進試衣間試穿後，又被消費者放回架上。
這才是商品開發人員最該參考的指標。（都試穿了為何不買？）

商業人士該如何解讀數據？什麼時候不該只看平均數？
對簡單的表面數據稍加挖掘，才不會被各種「均值」誤導。

伊恩．雪帕德（Ian Shepherd）
目前擔任英國最大寢具零售商Bensons for Beds董事長。過去二十幾年，在多個世界級的消費品牌中擔任高階主管，包括英國天空公司（Sky）、英國跨國電信公司沃達豐（Vodafone）、遊戲商Game、連鎖電影院歐典（Odeon）等。
他根據對消費行為的敏銳捕捉，以及對數據與客戶關係之間的洞察力，推出客戶忠誠度計畫，為傳統零售商建立新的收益，並將下滑的市占率轉變為強勁的增長。

張翎
2003年畢業於北京外國語大學。現就職於大型國有銀行，從事外匯交易工作。業餘從事圖書翻譯。
主要譯著有：《創新金融：如何為公共利益融資》、《哈耶克舌戰凱恩斯》、《改變歷史的企業家》、《印度經濟史》、《商品投機400年：從鬱金香到比特幣》等。

推薦序一
懂得洞察數據，做行銷才能無往不利

《經濟日報》數位行銷專欄作家、講師、企業顧問╱鄭緯筌

說到平均數、變異數，也許你會覺得一個頭兩個大，但與此同時，不知道你有沒有聽過這樣的說法──「內容為王，數據為后」。這句話的道理很簡單，因為內容和數據之間存在相輔相成的關係，亦即優質的內容可以產生有價值的數據（如觀看時間、點擊率、用戶回饋等），而這些數據又可以用來優化未來的內容。故而這種循環，能不斷提高內容的相關性和效果。
話說回來，我們身處在這個瞬息萬變的年代，廣告費用越來越昂貴，成效卻屢見低落。各行各業只有持續產製獨特的內容，加上懂得洞察數據，做行銷才能無往不利。
很高興有機會可以搶先拜讀《平均數的誤解》這本書，當我翻閱書中的篇章時，立刻被本書提到的案例，以及作者對數據分析的深刻洞察力、在商業領域應用的深入探討所吸引。
作為一位資深的職業講師和企業顧問，我時常在公部門、企業與大學院校，講授數位行銷與文案寫作等相關課程，自然深知數據在塑造商業策略和決策過程中的重要性。這本書不僅是數據分析的專業指南，更是如何在快速變化的商業世界中，保持競爭力的啟示錄。
身為企業顧問，我平時需要為客戶想方設法，找到解決問題的良方。回首自己的職業生涯，我曾協助多家新創企業，利用數據分析重新定位市場策略。其中，有一家科技公司讓我印象深刻：原先他們依賴傳統的市場調查方法，但效果平平。後來我介入輔導，透過分析社群媒體數據和線上消費者行為，發現了未被充分開發的藍海市場。這個有趣的洞察，不但幫該公司調整產品線和行銷策略，最終也讓銷售額顯著成長。
顯而易見，數據分析可以揭示消費者行為、偏好和趨勢，幫企業精確的識別和理解目標市場，使企業更有效的定位其產品和服務，並針對特定的消費者群體進行行銷。
另一個有趣的案例，則是某家位於臺灣中部的機械公司，透過數據分析優化其供應鏈。過去，該公司經常面臨庫存過剩或短缺的問題，經過我與管理團隊開會檢討後，協助他們引入先進的數據分析工具，透過預測分析來優化庫存水準和生產計畫。結果不到半年的光景，該公司不僅降低了庫存成本，還提高了客戶滿意度和市場的回應速度。
當我在閱讀《平均數的誤解》這本書的時候，一方面很欣賞作者的邏輯思考能力與文采，另一方面也勾起我許多有關輔導客戶的回憶。綜觀本書，不僅提供了翔實的理論說明，更透過多個案例，來講解數據分析在職場上的多元應用。
最後，我想鼓勵每一位讀者，無論你是企業決策者、管理階層，或希望未來能成為獨當一面的市場行銷專家、數據分析師，都應該好好閱讀這本書。它能提供寶貴的知識和靈感，幫讀者在數據驅動的商業世界中取得成功。讓我們在這個人工智慧時代一起擁抱數據的力量，進而開啟智慧型企業的嶄新篇章。

推薦序二
談到「平均數」這個指標，你是苦惱還是興奮？

「資料科學家的工作日常」粉專版主╱張維元

在這個大數據與人工智慧的時代，資料科學與統計學的技術到位，引領業界進入快速成長的商業環節。其中「統計學」作為一門強大的工具，逐漸成為數位時代下，輔助決策不可或缺的工具。
也許你學過統計學當中的各種公式，但你真的能從中掌握數據反映的趨勢嗎？統計學的價值不僅展現在數字和圖表之間，更是在解讀這些數據背後的故事，洞悉潛在的商業機會。它不僅提供了對過去的解釋，還能預測未來的趨勢，使企業得以提前應對市場變化。
隨著資料科學不斷發展，企業在分析數據時面臨的挑戰也在增加。更多企業為了搭上這班數位轉型的列車，必須從數據中提煉出更多的商業智慧、優化流程，進而提升企業競爭力。這種轉變不僅是技術的進步，更是商業思維的變革。想在競爭激烈的市場中脫穎而出，不僅需要創新的產品和服務，還需要精準的數據分析。

基於數據驅動加速商業的成長飛輪

數據的驅動力對商業的影響，展現在提高效益和降低成本上，以及創造價值和打造品牌忠誠度的過程中。這包括從客戶著手，透過深入了解客戶的需求和行為，發現商業增長的關鍵；以及在庫存、門市和經營業績之間，建立微妙平衡，以增加收益。
企業透過數據分析，能更精準的預測市場需求，制定更靈活的供應鏈策略，降低庫存風險，提高營運效率。數據驅動商業的重要性越發凸顯，因為它不僅提供了對過去的解釋，還能預測未來的趨勢。企業要更加靈活和敏捷，以應對市場的變化。
書中提供的案例，呼籲企業要積極應用數據，將其納入日常經營和決策的每一個層面，這不僅是技術的問題，更是企業文化的轉變。數據不僅是資料科學家的專利，更應該是每個部門、每個員工的共同資產，共同參與和推動數據文化的建立。

利用數據串聯商業觀點與統計視角

統計學是一種能串聯人類視角與數學觀點的科學，運用量化方式，讓人類擁有探索龐大數據的能力。無論是「均值回歸」還是「預測的科學」，都凸顯出統計學在解決實際問題中的不可替代性。
透過本書，讀者不僅能迎接數據時代的挑戰，還能站在數據的浪潮之巔，創造出更多的商業價值。統計學對於讀者而言不再是一座高山，而是一條通向商業成功的捷徑。本書的獨特價值在於，它不僅是灌輸理論，更有助於培養實用技能，為讀者打開統計學的大門，讓每個人都能參與並受益於這場數據革命。

推薦序三
數據分析加上商業思維，做出更好決策

數據專書作者、知識遊牧公司負責人╱彭其捷

本書從「平均數的誤解」作為出發點，開宗明義點出許多人在工作上，常套用平均數來分析數據的缺點。例如在商業市場中，大多數的訂單經常來自於忠實顧客，而非新顧客，因此如果單純將不同群的顧客以平均消費指標作為代表，反而局限了分析的可能性，導致許多重要商業觀點被忽略。
本書作者在書中反覆強調，商業上須納入更多元的數據分析視角來觀察，除了平均數之外，也應加入中位數、標準差等的描述性指標，或納入一些資料科學的技巧，例如數據分類、數據預測等，打造以數據為導向的企業，幫助我們挖掘更多商業數據特徵。
我曾對數千位成年人進行數據分析教學工作，許多人從學校畢業後，便對於統計、數據議題產生抗拒感；然而，如果想透過數據做出更好的決策，相關的基礎概念是不可或缺的。
本書將原本艱澀的數據相關名詞，以淺顯易懂的例子解釋，並闡述數據分析的各種應用。書中整理了大量的數據分析思維案例，像是：資訊增益、貝氏定理、倖存者偏差、相關性不等於因果、均值回歸等，將各種分析關鍵字搭配商業場景說明，讓讀者像看故事書一樣，得到流暢的閱讀體驗。
你可能會懼怕數據相關的技術名詞，但無須太過擔心，透過書中的案例引導，你會發現這些概念並沒有想像中困難。
舉例來說，本書針對許多人陌生的「演算法」主題，用淺白的方式舉例，說明自動化推薦演算法技術的商業效益，即透過電腦的輔助，提供更客製化的資訊給特定對象（如潛在客戶）。本書幫助讀者從應用端的視角，了解各類技術的價值所在，並思考未來的商業應用。
我認為，並非所有人都須成為資料科學家，但對於工作中會接觸到數據的人，如果能提升數據應用的思維層級，就可以有效的提升決策品質，提升打勝仗的能力。
我在職場打滾的十多年經驗中，每天都會接觸到各類的數據決策場景。如果我們還是習慣只使用「平均值」這把武器，並不足以面對各種挑戰。本書彙整了許多重要的商業數據分析方法，搭配易懂的語彙，幫助讀者習得重要的理論素養，是本書的核心價值。



前言　如何從大量數據中挖掘價值？

在行銷會議上，「我們的客戶平均每個月光顧2.3次」等說法不絕於耳。這數字真是算得夠精確。接下來，大家很可能會繼續討論，公司應該如何將平均數提高到2.4次，卻不太會深挖隱藏在平均數背後的數據。
平均數究竟是什麼？這個數字意味著什麼？我們應該如何解釋「客戶的每個月平均光顧次數」？在這個簡單的統計數字背後，又隱藏了哪些重要資訊？不妨設想以下兩種場景：

‧場景一：大多數客戶確實每個月光顧2～3次。
你的客戶大都是常客，你可以透過深入研究客戶對產品的使用回饋，增加客戶的光顧次數，將平均數從每個月2.3次提高到更高水準。
‧場景二：事實上，有10％的客戶每個月光顧了20次，而其餘90％的客戶每3個月才光顧1次。在這種情況下，客戶的月平均光顧次數也正好是2.3次，但反映的經營狀況卻截然不同。
面對如此現實，你一定很想知道，為什麼有些客戶會如此頻繁的光顧？他們與大多數普通客戶有何不同？抑或那些極少光顧的客戶其實也經常買東西，只不過他們是你競爭對手的常客？

只須對這些簡單的表面數字稍加挖掘，就可以為企業領導者創造出巨大價值。這裡有趣的不是一組數據的平均數，而是變異數（variance，表示一組數字與其平均數的分散程度）。當有人告訴你，你的客戶平均每年在你的店裡消費3次，消費金額約為100英鎊（按：依2024年1月初匯率計算，1英鎊約等於新臺幣39.32元），成為客戶的時間為兩年半時，此人所提供的數字，其實遠非事情的全貌。
在現實中，幾乎沒有客戶會這樣行事。現代資料科學（data science）的強大之處就在於，能透過複雜的演算法，帶你領略數據真正的豐富性，同時領悟其背後的深意，而不是僅滿足於一些簡單的數字。

掌握數據，更能刺激消費
行銷會議上提到的所有平均數背後，蘊藏著大量的基礎數據。當我們探討全球消費行業的發展時，數據始終是一個重要話題。一家企業有沒有掌握全部數據？其客戶忠誠度計畫是否有效？為客戶帶來哪些確切的好處？企業有沒有利用機器學習（machine learning）和人工智慧等尖端科技來提高利潤？企業如何以客戶為中心？它又如何利用大數據來實現這一點？
人人都有充分的理由去關注數據。目前，科技進步帶動了網路電商的崛起。電商不須承擔昂貴的店鋪租金，也不必拘泥於傳統投資形式，這對世界各地的消費行業實體店鋪構成了巨大挑戰。這些新興電商的優勢並不只如此，他們的手裡還掌握著大量的客戶數據。想在網上購物，客戶必須提供自己的電子郵件地址，多半還須提供真實住址。電商獲取客戶的個人數據，已成為一種預設行為。毋庸置疑，他們必定會好好利用該優勢，建立各種預測模型，以判斷客戶。與競爭對手實體店相比，電商更有能力去刺激每位客戶消費。
不過，當股東和分析人士提出該如何利用客戶資訊創造價值的問題時，作為消費類企業的管理者，如果我們表現出一副厭煩和不置可否的樣子，也是情有可原的。畢竟，需要我們不斷投資的新領域總是層出不窮，諸如新聞稿中提到的「人工智慧」等，聽起來讓人感覺更靠得住。
對於忙碌的管理層而言，不重視數據分析工作，其實是可以理解的，因為相關的「負面」影響日趨明顯，也時常遭人詬病。比如在國外的一些選舉中，大數據會被用來影響輿論，甚至是操控輿論，且全球網路巨頭不斷蒐集人們個人資訊的現象，也令人觸目驚心。
不過，我們也應該考慮到在真實世界中，下列相關的應用實例：

‧企業利用電腦分析客戶在郵件中的措辭，例如「我的快遞仍未收到」等，從眾多郵件中優先篩選出緊急郵件，以確保客服團隊在服務客戶時，做出最合理的時間安排。
‧零售商根據客戶的消費模式準確建模，預測重點客戶從何時開始疏離該品牌（或轉向競爭對手），並在與該客戶溝通時，制定有針對性的溝通內容。
‧零售商建立銷售預測模型，確保為每一家店鋪分配合適的新品庫存數量。
‧電影院根據消費者對個別電影的放映需求，採取即時動態定價機制，從而大幅提高單次電影放映的平均利潤。

打造以數據為導向的企業
上述所有案例，以及本書後文中探討的許多案例，皆以數據為基礎。當一家企業採用了以數據為導向、以客戶為中心的經營模式後，就會為企業帶來真實、確切的利潤。巧妙利用我們手頭的經營資訊，可以顯著提高企業的盈利能力和現金流。這種改變並不是擁有博士頭銜的矽谷天才和超級電腦的專利。放眼當今世界，在各行各業中，不論是線上銷售還是線下銷售，都充斥著以數據為中心的經營策略。
那麼，消費產業中的企業如何轉型為以數據為導向？這是擺在許多企業管理團隊面前的一大難題，也是一個勢在必行卻又難以落實的問題。舉例而言，在零售行業中，許多企業管理者往往會相當關注與供應商的關係，重視採購和銷售工作；而在做決策時，他們卻很少將真實的客戶數據納入考慮範圍。在這些企業中，一代又一代的領導者憑藉自己的產品知識、談判能力、經營和組織能力，不斷的為企業開闢新的局面，但他們從未認真考慮，應該如何從大量的客戶數據中挖掘價值。
對於許多管理團隊而言，「討論數據」讓人感到奇怪而陌生。結果，一些企業在這方面完全沒有任何投入。但也不乏有的企業很清楚自己應該做什麼，他們在聘請行業專家或顧問的同時，也在自行研究，開啟了以數據為導向的經營時代。

將洞見轉化為利潤
企業的領導者是時候開始了解數據分析，對企業和團隊經營的重要意義了。
本書的目的就在於此。我之所以寫這本書，並不是為了把一個外行人士變成數據迷，廢寢忘食的構建神經網路（neural network），或興高采烈的進行顯著性差異（statistical significance，又稱統計顯著性）測試。這既不可能，也沒必要。
相反的，我的目的是為企業管理者提供一個新的角度，看看數據能帶給我們什麼，透過案例展示一些能提高利潤的技巧，以及一些簡單流程，讓管理者的工作能更加趨近於以數據和客戶為中心。
在企業向「以數據為中心」轉型的過程中，有能力處理大的資料集（data set），並完成複雜分析工作的專家是必不可少。你須聘請這樣的專家，或透過其他方式讓他們為你工作。這本書雖然不能將讀者變成專家，但有助於幫讀者打開思路，還能幫你勇敢邁出轉型的最艱難一步──改變企業文化，和與你肩負相同使命的夥伴形成統一戰線。
我將透過簡述本書三大部分的主要內容，介紹如何將數據分析打造成企業的核心業務。
第一部的主要內容是數據分析。當企業擁有豐富的客戶和業務數據時，究竟可以做些什麼？將這些資訊轉化為利潤的最佳方式是什麼？一些熱門和「時下」分析技術的真正含義是什麼？若企業領導者對數據一無所知（從上學起就沒有思考過任何統計問題），應如何提升自己，以有效管理以數據為中心的企業？
第二部的主要內容是數據蒐集。對許多零售企業和飯店業者而言，獲取客戶數據並不像電商那般容易，但釋放數據分析的潛力依然至關重要（這一點我們會在第一部中談論）。
那怎麼做才能確保我們盡可能了解客戶、店鋪和庫存數據，並確保得到的資訊是安全、可用且有用的？我會帶領讀者回顧一些明顯或隱蔽的數據來源，幫你提高企業管理能力。我們還會和讀者一起探索一些能讓你的企業獲得真正優勢，以便在競爭中獲勝的數據來源。
最後，在第三部中，我們主要探討如何打造以數據為中心的企業。我們都知道，幫助企業管理者形成精明洞見是一回事，將這些洞見轉化為利潤是另外一回事。
這需要企業決策層徹底轉變經營模式，從根本上改變企業文化。我們須採取許多務實措施，將數據作為企業一切工作的重中之重。要將數據轉化為價值，還得與實際客戶、產品和供應商重新建立聯繫，這才是數據背後的真正內涵。我們必須將數字構建的理論世界與真實世界聯繫起來，形成線下客戶和線上客戶的體驗回饋，只有這樣才能透過數據分析，將洞見轉化為利潤。
在此，我希望能透過一種對企業管理者而言熟悉且有效的方式，介紹上述三個部分的內容。在此過程中，我們會遇到一些技術問題。不過，這些都不是只有技術長（Chief Technology Officer，簡稱CTO）才聽得懂的高深問題，所以不要緊張。在分析數據時，我們甚至還會遇到一些數學問題，但我會以最淺顯易懂的方式加以解釋，保證每個人都能看懂。我們不必感到恐懼或焦慮，而應該讓其自然而然的成為企業策略的一部分。
在閱讀本書的過程中，你會發現有些章節存在一些單獨標出的、解釋書中涉及的重要術語和概念的部分。如果這讓你聯想到學生時代數學課上不愉快的經歷，不妨在初次通讀時直接略過，這些內容並不會妨礙你理解這本書。不過，在重讀本書時，我還是建議你試著仔細閱讀這些內容。這些概念並不屬於單純的「數學」概念，它們對於轉換思維方式很有幫助。

數據分析，可成為管理者的利器
在了解數據的過程中，我們會舉例分析。其中有些案例的資訊是公開的，另一些則因為涉密而做了匿名處理。但所有案例，都是將數據轉化為利潤的有效、真實案例。
在閱讀本書時，你可以一邊讀、一邊與自己的團隊探索──沒有任何案例比自己的企業更適合研究。透過對自己手邊資訊進行力所能及的分析，你就擁有率先實踐本書理論的機會。
作為一門新興的重要學科，資料科學還有更複雜的分支，如機器學習等。它總是帶給人一種神祕感，讓人彷彿看到在企業高階主管的待辦事項中，又出現了一個未知的新任務。
而諮詢顧問和外包團隊出於自身利益的考慮，有時甚至會讓事情變得更糟。他們會極力讓你相信，資料科學是你無法理解的領域，你只能花大錢來購買他們的分析服務。
千萬別被這群高智商的聰明人耍了。讀了本書後你就會發現，機器學習技術其實透過一個Excel表就能完成。從解決問題的角度考慮，我們討論的某些話題的確比較複雜，最好是交由專家完成，但從理解的角度考慮，並沒有任何問題是難以理解的。如果我們的企業管理團隊願意擁抱資料科學，也有能力向專家提出關鍵問題，就一定能讓企業發展得越來越好。
如果一切進展順利，企業向以數據為中心轉型的過程一定會成為業界的佳話。由數據的怪異分布可推導出許多有趣的解釋，從而形成新的產品和服務創意，產生新一輪業務數據，引領企業的業務不斷向前發展。如果一家企業認為，數據分析應該是專家在年報中討論的內容，和真實業務相去甚遠，那麼就失去了價值。作為推動企業發展、建立客戶關係的重要組成，數據分析其實可以成為管理者手中的利器。
現在，讓我們從本書的第一部開始，一起探索那些有可能改變企業命運的技術。

推薦序一　懂得洞察數據，做行銷才能無往不利╱鄭緯筌
推薦序二　談到「平均數」這個指標，你是苦惱還是興奮？╱張維元
推薦序三　數據分析加上商業思維，做出更好決策╱彭其捷
好評推薦
前言　如何從大量數據中挖掘價值？

第一部　商業人士如何看待數據？
第一章　認識一些重要概念
第二章　均值回歸：偶爾表現差的會回歸正常
第三章　名為「假設」的陷阱
第四章　別輕易對客戶貼標籤
第五章　預測模型：關注購買意願更強的客戶
第六章　帶傘未必會下雨
第七章　貝氏定理：買手機的機率有多大？
第八章　現實中的資料科學

第二部　什麼數據才有價值？
第九章　誰是你最該爭取的客戶？
第十章　爭取客戶忠誠度，填補數據空白
第十一章　庫存、門市和經營業績
第十二章　市占率：由外向內看

第三部　利用數據進行策略轉型
第十三章　數據「孤島」和「電郵工廠」
第十四章　數據轉型的核心流程
第十五章　自力更生還是花錢外包
第十六章　想改變，得犧牲一些賺錢的門道

結語　對變革的恐懼，從數據裡找答案
致謝

報告中的平均數，合理嗎？

任何以數據為中心的零售商，都有一個值得深入討論的問題：如何優化每家門市的產品銷售範圍？零售商都知道，從本質上講，庫存產品意味著積壓資金，因此，確保將能給企業帶來收入的產品放進倉庫，是取得經營成功的關鍵因素之一。
零售商通常會利用各種系統，確保在正確的時間，將正確的產品送到正確的門市裡。但這些系統有的相當複雜，有的卻只憑直覺或慣例預測，給出類似於「這是該門市每年此時通常需要的產品數量」的提示。
所以，預測結果不盡如人意也就不奇怪了。比如，英國零售商瑪莎百貨（Marks & Spencer）在分析整個秋冬季的銷售收入令人失望的原因時，將其歸咎於物流部門的操作失誤，因為他們沒有將合適尺寸的大衣送到該送去的門市。
而許多零售商在初次進行以數據為驅動的庫存水準調查時，都深刻的體驗了「均值恆錯」的教訓。他們通常會發現，報告中所謂合理的總體庫存平均數字，其實還包含一大堆滯銷產品。這些產品在門市裡存放多年，長期占用營運資金，早已布滿灰塵。
在解決這一問題時，一家食品零售商採取了極富創意的做法，並使用了不同的技術組合。根據會員卡的數據，零售商了解客戶在哪些門市消費、在購物車裡放入哪些產品。但零售商並沒有利用這些數據，簡單的建立一個總體數據模型，而是先細分門市類型。例如，哪些門市的主要客戶屬於下班後購物的人群、哪些門市的客戶主要為周邊居民等。
零售商先分類門市（請注意，沒有人監督門市分類工作，所以對具體劃分的類型也沒有規定），然後為每種類型的門市建立庫存的預測模型，這種做法提高了公司的整體業績和效益。

從客戶需求量出發

在透過模型測算合理庫存水準時，一家DIY零售商的做法十分有趣。根據各門市的歷史數據和服務區域，該DIY零售商在對不同門市的庫存需求水準建立模型時，提出了最小工程量（minimum project quantity）的概念。例如，在浴室油漆產品的庫存中，如果某種顏色的庫存低於塗刷一間浴室所需的平均油漆用量，那麼在庫存中保留這一點零頭，其實沒有任何意義。
這種從客戶需求量出發的考量角度，完全改變了零售商建立的最佳庫存模型的輸出結果。客戶對許多產品的最低需求量，有可能遠高於門市的庫存需求。在意識到這一點後，為了保留滿足最小工程量的庫存，零售商就要想辦法縮小產品的種類。而這本身，又是另一個非常有趣的建模過程。

哪些庫存從未減少？

綜觀公司所有業務數據，當你從中選擇適當的數據建立模型時，還應該注意，哪些產品是賣不動的，哪些產品的庫存是從未減少的。藝術家在創作藝術作品時，往往會考慮物體之間的間隙，即負空間（negative space）。同樣的，在我們評估公司業務數據時，也可以將其中某些負面數據，當作公司業務中的負空間。
那些客戶考慮購買但最終沒有購買的產品數據，就是一個很好的負空間案例。如果你了解到，某些產品表面上具有吸引力，經常被客戶拿起來仔細挑選，最終卻並未實際購買，那麼，這些數據實際上向你傳達了很有用的資訊。在一家時裝店裡，貨架上的一件衣服也許看起來不錯，但摸起來手感不舒服，所以客戶還是寧願將其放回貨架上，也不願意花錢買回家。
針對這種負空間，我們應該如何測算？
在你公司的網站上，查找被客戶瀏覽過但未被購買的產品，是一個顯而易見的辦法。你可以查看，客戶點擊哪些商品的頁面，停留了一段時間，閱讀了評論區，甚至將商品添加到購物車，但最終沒有購買。透過這一系列資訊，你可以了解到網站的可用性（比如產品的圖片是否充滿吸引力）、出售產品的完整性（客戶是否選中某款產品，但因為缺乏相應尺寸或花色而選擇放棄）、產品價位以及同業競爭情況。
事實上，客戶在網站購物時，也經常會拿你的產品與競爭對手做比較，這本身就是極具價值的潛在數據來源。現今的技術，已經可以做到允許品牌追蹤其競爭對手的行銷動態、產品價位變化，甚至是某些特定單品的庫存缺貨情況。這些數據都可以為品牌帶來大量商機。
但由於網路數據容易獲得，過度的分析線上數據，也可能將企業引至錯誤的方向。網路數據無法告訴你「哪些衣服的手感不好」，雖然退貨數據可能可以說明一定問題。這部分的數據，也是與負空間相關的有趣資訊。
想真正了解客戶認真考慮但還是選擇放棄的產品，我們須結合門市數據和網路數據來檢視。可是，我們又如何知道，門市中的哪些衣服是被客戶試穿過，但最終沒有購買的？
借助技術手段，或許可以得到答案。例如，在優衣庫（Uniqlo）等服飾店中，除了衣服的價格標籤之外，RFID電子標籤（Radio Frequency Identification）的應用也正在逐漸普及。商家可以利用掃描器，監控帶有RFID電子標籤的服裝在店內的行動軌跡。RFID標籤對於服裝而言是獨一無二的，且也可應用於其他場景。最常見的應用是，只須將所有帶有RFID標籤的衣服堆放在掃描臺上，收銀機就可以自動讀取衣服的價格。這種付款方式，比人工逐一掃描價格標籤要方便得多。
不過，我們之所以討論，是為了弄清楚RFID標籤及相關技術是否可作為測算負空間的另一種數據來源。透過掃描RFID標籤，門市就能監控那些進過試衣間被試穿的衣服。將該數據與銷售數據對比，就可以準確的了解客戶的購買行為。
RFID技術的應用，讓我們聯想起前文提到的一個畫面：有了這種技術，大型服裝店的老闆或經理，就能快速的了解客戶試穿過哪些衣服但最終並未購買，從而擁有與獨立零售商老闆相同的經營體驗。
在本章中，我們把客戶的個人數據和消費紀錄放在一邊，研究了數據在其他方面的應用價值，例如分配門市庫存，以及測算雖被試穿卻沒賣出去的產品，所形成的負空間數據等。
至此，還剩一個資料庫等待我們去探索：外部數據，以及外部數據為公司帶來的價值。

客戶是否會向朋友推薦你的品牌？

了解客戶與企業之間的複雜關係，讓我們得以挖掘、測量和分析數據。如果客戶對品牌的看法，能對企業的成敗產生如此之大的影響，你作為企業高階主管，就應該去了解。
相關研究方法不勝枚舉，其中關於利弊的分析，完全可以寫出一本書。我們這裡長話短說，簡單總結一下，企業獲取有用客戶態度數據的主要方法。

‧客戶滿意度調查：幾十年來，品牌一直在透過各種形式，調查客戶對於當天的服務有多滿意，並記錄客戶的回饋。這是形成客戶滿意度數據的一種簡單方式，但並非沒有爭議。其爭論的焦點在於，調查該在什麼時間點進行，以及如何進行。因為有大量證據表明，不同的調查時間和不同的調查方式，都會導致截然不同的調查結果。而且，也有不少人對此類調查結果的實際意義提出質疑：客戶真的誠實而公正的回饋了自己的看法嗎？抑或只是出於禮貌，隨便給出10分中的7或8分？
‧淨推薦值：為了獲得更有價值、更真實的客戶觀點，一系列的衡量指標應運而生。其中，淨推薦值涉及一個略顯尖銳的調查問題。這項指標關注的並非客戶的滿意程度，而是客戶是否會向自己的朋友推薦該品牌。它剔除了那些作為禮貌性回應的7分和8分，將9分和10分視為支持者（advocacy），將1至6分視為反對者（detractor）。淨推薦值的得分計算也很簡單，就是用支持者的百分比減去反對者的百分比，從而得到一個範圍在-100％到+100％之間的比例。
創造一個更有意義的指標，這種做法的初衷是值得肯定的。而且，淨推薦值的確也被許多企業所採納。但是，該指標仍然存在著一定爭議。而且，其形成過程也可能被操控。很多客戶都曾有過這樣的經歷，導購人員或服務工程師會反覆強調9分和10分的重要性，並直接告知客戶，「評分會影響其個人收入」。所以，作為一種衡量指標，淨推薦值非常容易受到影響，稍微改變一下詢問方式或調查時間，評分結果就會產生很大的改變。
‧其他的衡量方法還有很多，除了調查整體滿意度，還可以向客戶提出具體問題。例如：你找到今天想買的東西了嗎？

重新審視倖存者偏差

關於客戶滿意度的數據，還有要特別注意的地方：當我們衡量某項數據時，須對使用的樣本多加留意。為什麼提到要多留意樣本？舉個例子來說明。
假如我告訴你，服用某種重症藥物的病人100％都活了下來，想必你會很高興。但如果我繼續告訴你，調查對象只包括那些能活著填表的病人時，你一定會發現，這個研究方法存在一個明顯的漏洞：任何在服用藥物後死亡的病人，都已經被排除在我的研究之外。這意味著，不須調查該項研究的結果。
這就是我們在本書第一部探討的倖存者偏差。雖然這種做法聽上去很愚蠢，但在你的公司中，也許類似的事其實已經做了幾十遍。畢竟，我們提到的客戶滿意度或淨推薦值數據，都是建立在已經在你店裡購物過的客戶身上，而沒有在你店裡購物的客戶並不包含在樣本之內。這並非指你的調查結果沒有價值，只是告訴你在解釋這些數據時必須謹慎。
舉例而言，一家航空公司公布一項調查數據，稱乘坐該航空公司某條美國航線的乘客中，有84％的人對該航空公司的服務表示滿意。這聽起來非常棒，可是調查結果下面還印了一行小字，指出該調查是在航空公司的航班上進行。
也就是說，選擇乘坐其他航空公司飛機的乘客，根本就沒有參與該項調查。得知實情後可以看到，這個聽上去還不錯的故事，實際上是在暗示，在該航班上，有16％的人寧願乘坐其他航空公司的航班。顯然，這並不是什麼好消息。
此外，關於84％的滿意度，其真實性究竟如何？是不是因為所有其他不滿意的乘客，都選擇了其他的航空公司，才導致滿意度評分這麼高？