运行数据越看越多，判断反而越来越糊涂，这是不少分析岗的共同困惑。问题往往不在数据不够，而在指标被赋予了它承受不了的功能——本来是拿来看的，后来变成了拿来考的。经济学里有一条老规律专门描述这种情况，值得在解读运行动态数据时反复提醒自己。

从观察到考核，指标的性质就变了

古德哈特定律说的是：当一个指标成为政策目标，它就不再是一个好指标。原因很朴素——指标背后是人，人会对着考核调整行为。产量成为目标，就会有人把库存搬到渠道里；投资额成为目标，就会有人把一个项目拆成两期报；就业人数成为目标，就会出现统计意义上的"挂靠"。数据本身没有说谎，变的是数据生成的过程。运行数据里那些解释不通的跳变，八成要回到这个机制里找原因。

经典理论也有它的解释边界

这条规律并非万能。它成立的前提是存在明确的考核压力和信息不对称，若指标只是被观测、不与被考核者的利益挂钩，失真动机就弱得多。反过来，在纯市场化定价的领域，价格信号由交易双方共同生成，单方操纵的成本很高，指标的可靠性反而更好。所以读数据时的第一问不该是"这个数是多少"，而是"这个数是怎么被生产出来的、谁有动机让它变好看"。把边界想清楚，才不会把所有波动都归因于失真。换句话说，这条规律更适合用来解读带有考核链条的指标，而不是用来否定全部数据。

三个可以马上用的纠偏动作

第一个动作是配对。凡是考核类指标，都找一个不受考核影响的旁证来配，比如用电、货运、税收、招聘岗位数，两套数据背离时以旁证为准。第二个动作是看结构而不是看总量，总量可以被调节，行业、区域、企业规模的分布很难同时被抹平。第三个动作是留痕，把每次口径调整、修订幅度记在本子上，连续几年就能看出修订的系统性方向。这三点做下来，读数的速度会变慢，但结论的稳定度会明显提高。

需要提醒的是，纠偏不等于怀疑一切。数据有噪声是常态，把每一处异常都解释成人为因素，同样是一种误判。稳妥的姿态是：先用旁证确认方向，再用结构确认幅度，最后才去追问原因。理论给的是提问的角度，不是现成的答案。