然后我们就陷入了一个误区，觉得这个店铺应该放上更多能吸引中年人消费的元素，比如更多显眼的优惠信息，甚至把菜单的字都可以放大了。然而这样做效果甚微。

直到某天我们决定亲身去到该店面看看究竟发生了什么导致这些措施都没有提高哪怕一点成交率。

那也是一个炎热的夏天，我们走到店门口，发现一个很奇怪的现象，很多中老年人坐在店门口看手机。

原来这个店的门口有一个公交车站，因为店铺有空调和Wifi，很多老人在等公交的时候就坐到店门口享受空调。这就是所谓的主要客群是中老年人的真相。

大数据会误导人的例子还不知这个。我还做过一个美妆网店的分析项目，数据显示在一次促销中有超过50%的交易是来自于男性消费者的账户。

那么这次促销貌似对男士用品更有效吧？然而不是。当我们分析每单的购物篮的时候，发现男性账号买的都是女性用品。其实就是女生用了男朋友/老公的账号买单。

所以如果单单迷信一个面板上呈现的数据，我们的判断很可能会被误导，因为从数据上看到的消费者，不一定是他们现实中的样子。

2. 归纳推理谬误

现阶段很多大公司对于大数据的引用停留在归纳推理的阶段。就是数据显示自己的消费者大部分的特点是A,B,C然后就推断消费者的标签是D，然后进行信息触达。

比如一个酒店，发现自己的住客大多都有这些特征

需要停车位

短住一到两晚居多

没有或少量房间迷你吧消费

根据这三个条件，很容易得出一个结论是这个酒店的主要顾客是短途家庭游的一家人。所以对于酒店来说可以通过增加家庭饮食套餐，附近景点家庭套票来增加用户的粘性。然后会通过家庭游的论坛，公众号来做宣传。

看似很正常的推理，这个标签却有可能是完全错误的。

符合以上三个条件的，并不止是家庭游的游客。

还有可能是到附近公司开会的商务人士，他们会自带好的酒水做招待，甚至到外面过夜生活。

也有可能是附近出了一个网红店，附近的情侣专门开车过来打卡的，这就属于短时效性目的。

要避免这种归纳推理的错误，最好的方法就是在不同数据的维度里面找到“关键间接证据”。就像福尔摩斯看到一个烟斗烧焦的位置在右侧，进而推断使用者是一个左撇子一样。

比如上面的例子，用三个条件都筛选不出一个准确的标签。但如果用加上一个额外的数据维度“这些客人的房间都会需求加床”，那基本上就可以确认是一家子旅游的顾客了。

所以在用大数据标签目标顾客的时候，找准关键标签能够有效增加后续的转化率，毕竟标签错了那精准营销也就无从谈起。