我們每天都要接受大量的數據，這些數據不是都是有用的，那我們應該怎么來正確的解讀、分析、處理這些數據呢?

在《數據的真相》一書中MIT數據學專家講述了如何破譯每天接觸到的數據，將復雜的問題變得更簡單和直觀。我們每天都在刷頭條、瀏覽彈窗，每天都會接觸海量的數據信息，這些信息背后隱藏著什么真相?如何識別那些一本正經的胡說八道?普通人一天大約要接收30G的數據，但大部分人不知道如何正確地解讀這些數據。MIT數據學專家在《數據的真相》中講述了如何破譯每天接觸到的數據，將復雜的問題變得更簡單和直觀。

《數據的真相》涉及商業(yè)、零售、廣告、育兒等諸多領域的真實案例，以及時常為人們所誤解的數據概念。在本書中，你不僅能夠找到如何在信息龐雜的世界中識別數據謊言、挖掘有用信息的方法，而且還能找到憑借該答案迅速做出明智決定的智慧。

如果你擁有所有以往數據，也就是我們所謂的數據總體，那么你就有了一個良好的開端。例如，不管以什么方式，若我們能夠觀測到曾經發(fā)生在日本的每一次地震及海嘯，我們就掌握了所有這些事件的數據。即使那時我們常常禁不住思考未來還會發(fā)生什么別的事情。

但如果我們沒有搜集到全部數據，就不得不依賴某一個樣本。而在抽樣的過程中，我們也不是總能知道樣本是否代表了數據總體的真實情況。所以你得出的結論也不確定，也就是抽樣誤差—我們在第五章討論過。這是福島大災難背后的因素之一，鑒于大地震及海嘯發(fā)生的頻率相對較低，其樣本容量(幾十年)太小，不具備代表性。

樣本的不確定性越大，預測的不確定性就越大。掌握的信息越詳盡，預測結果越準確，在統計學中，我們將預測的基礎稱為“模型”。模型展示了所有掌握的信息—你用來預測未來的因素，你所依賴的基礎樣本數據，以及你通過數學方法確定的各因素之間的關系。換句話說，該模型體現了你所認為的各因素之間的關系。畢竟，如果你解釋不了已經看到的東西，就很難(幾乎不可能)解釋在未來將要看到的東西。

以往的數據也會受到目前我們討論過的許多因素的影響—篩選數據、遺漏變量、離群值、顯著性差異等。以上任何因素在你的以往數據中出現都會導致影響預測的問題，因為未來通常立足于以往的數據。

任何評估都存在不確定性，然而這并不是有些人所喜聞樂見的—他們只想要數字。

正如布朗所說，“大多數經濟學家明白，我們真正在做的是‘規(guī)劃’而非‘預測’”。換句話說，如果生育率、死亡率或者勞動參與率以特殊的方式演變的話，我們可以非常自在地將社會保障系統內的資金運轉方式轉化為模型。但若要明確地說明陳述生育率、死亡率或者勞動參與率將以哪種特定的方式發(fā)展，我們就沒那么自在了。

不過除了在數據統計方面受過訓練(或者讀過這本書)的人，這類的細微差別可能對他們來說無足輕重。布朗指出：“結果是，我們常常見到這樣的情形，當政策沒有完全達到預期效果，哪怕結果仍處在初步估算出來的置信區(qū)間時，人們就已經表達出意外、失望乃至憤怒之情了?！?

數據霸權崛起、無用階層龐大——這是《今日簡史》預言中2050年的世界

算法正在大行其道，我們到底是受益者還是受害者?