调研中，很多偏差来自那些能被看见的"数据"，反而让人放松警惕。相比主观印象，数字似乎更客观，但数据同样会骗人，而且更隐蔽，因为它披着一层不容置疑的外衣。识别数据型假信号，需要一套并不难操作的工具，管理者不妨随身带着用。

工具一：追问样本是怎么来的

第一类假信号是选择性样本。看起来完整的数据，可能只覆盖了愿意回答或容易被接触到的对象。识别办法很直接：先问样本的框是怎么框的，谁被包含、谁被系统性遗漏。如果样本来源本身就带有方向，那么再精确的计算，也只在错误的范围内精确。数据的可信度，首先取决于它没有覆盖谁，这一点比计算精度更值得追问。样本一旦错了，越认真反而越危险。

工具二：核对口径是否一致

第二类假信号是口径漂移。同一项指标，在不同时期、不同口径下含义可能完全不同，拼在一起对比就会失真。识别办法是保留原始定义，凡是引用沿革数据，都核对统计范围、计量方式是否发生过变化。口径一变，趋势判断就可能翻转，而这种翻转往往悄无声息，藏在看似平稳的曲线里，等到结论出来才发现方向错了。

工具三：别被均值遮住分布

第三类假信号是均值掩盖分布。平均数好看，背后可能是两极分化——一部分对象表现优异，另一部分严重落后，平均之后看不出问题。识别办法是看分布而非只看均值：关注中位数、区间和异常个体。中位数与均值的明显偏离，本身就是值得追问的信号，它提示你，平均数讲了一个并不完整的故事，甚至有可能是相反的结论。看清分布，才不会用一个漂亮的数字掩盖真实的分化。

这三件工具的共同点，是把"数据从哪来、按什么算、怎么分布"问清楚。数据型假信号之所以危险，是因为它披着客观的外衣。养成对数据来源和口径的追问习惯，比事后纠正结论的代价要小得多，也更接近研究本来的意义。对数据保持一点怀疑，不是不信任，而是一种负责任的态度。