身為主管，經常會收到來自各部門的報表，像是服務滿意度調查、客戶拜訪次數、業績達成率，各部門也會依據市場調查結果、銷售量，提出下季的產品開發建議。在閱讀報表時，你可曾想過這些資料從何而來？它們是擬定策略、衡量績效的可靠證據嗎？

就像公司在雙 11 活動創下營業佳績，卻忽略風光數字背後，退貨與訂單取消的金額。事實上，根據媒體資料，阿里巴巴雙 11 活動的退貨率曾高達 30%，對電商來說是不小的負擔。藉由客戶拜訪頻率選出超級業務員，但實際上他需要 10 次拜訪才能簽約，另一位 3 次拜訪就成功了，輔以其他說明後，超級業務員可能要換人。

➜ 數據有了，但怎麼分析才有效？「數據思維養成課｜從 0 到 1 練成邏輯表達力」教你化數據為洞察，做出精準決策 ►立即掌握

在經營管理上，我們常說要重視數字，但必須運用批判性思考，釐清資料的來源、可信度、有效性，才不會掉入陷阱，做出錯誤決策。

證據指的是，根據某一個值得探討的意見，有系統地蒐集相關事實。例如：數位內容部今年表現卓越、小明是年度銷售員，就需要證據來佐證與說服。判別證據是否可靠的第一步，就是評估證據提供者是否可信。

從其他來源交叉比對證據，判斷數據是否可靠

證據分為原始資料與二手資料。客戶訪談紀錄、實驗數據與監視器影像屬於原始資料，因為這些資料比較難偽造，人們也傾向信任它的真實性。為了確認原始資料是否有缺漏或隱瞞的事實，像是監視器未拍到的死角等，可採交叉比對法，透過訪談紀錄搭配錄音檔，或請第三方重複模擬實驗過程，檢視數據是否在誤差範圍內。

在二手資料的檢視上，《批判性思考》提到，公認專家撰寫或推薦、權威單位的研究報告，及具有嚴謹審稿機制的期刊等，是比較可信的來源。引用二手資料時，也要確認作者或贊助者與報告結果沒有利害關係。若客戶滿意度調查是業務部自行製作的，或是反核能的調查報告是由太陽能板公司贊助執行，就必須對調查的獨立性打上問號，建議了解證據取得的過程，再思考是否採納。

此外，原則上愈近期的研究與資料，愈具有參考價值，但若是經典理論、歷史紀錄或領域知識等不太容易隨時間更動的內容，未必要參考時效性。

從樣本代表性、資料取得過程，評估證據有效性

評估證據來源是否可靠後，還必須確認證據的效力，如果證據的取得方式與推論過程有瑕疵，就不該作為支持論點的依據。常見例子包括：被告受到強迫而撰寫的自白，在法律上無法作為強力證據；五星評論餐廳若是透過贈送餐點邀請顧客評分，就不能當作佐證美食或服務水準的根據。

在引用問卷的調查結果時，《看穿假象、理智發聲，從問對問題開始》提醒應檢查它的樣本代表性： 「研究抽樣的事件或人有多少？樣本廣度多大？樣本隨機性如何？」

樣本數大小取決誤差值和母體數，常見的民意調查會以「95% 信心水準下，抽樣誤差為 ±3.0%」來計算抽樣的樣本數。引用調查類型的數據時，可檢視它是否提供樣本計算過程，確認它的樣本數是否足夠。

樣本廣度代表抽樣的多樣性，當我們要調查全國顧客對保養品的滿意度，僅抽樣台北門市的客戶就缺乏廣度。

樣本隨機性表示每個樣本被抽到的機率應盡量相同，若以自願受訪的民眾、網購客戶來作為化妝品改版意見的參考，隨機性就不足。抽樣過程會影響研究的結果，當樣本特質出現偏差，調查結果就有以偏概全的風險。

除了從樣本取得方式確認證據的品質，還需留意調查過程是否得宜。舉例來說，看到「有 70% 勞工認為勞基法無法縮短工時」的說法時，可檢視原本的訪談問題，若是透過誘導問答，像是「多數公司根本不害怕勞動檢查，你認為勞基法能縮減工時嗎？」，有效性就有待商榷。

調查的情境也會影響答案結果，如果該調查是主管發布，並要求員工具名填答，員工可能擔憂填答會引來關切，就會傾向迎合上頭的意見，而非真實心聲。另外，冗長的調查與問卷也會讓受訪者不耐，降低答題品質。建議先了解證據的取得方式與調查程序，再考慮該證據是否適合支持立論。

留意遺漏值、參照框架，解讀數字才有意義

「去年聯名商品的平均營收達 300 萬，今年公司要持續推出新聯名商品。」引用數據增加說服力，是常見的報告方式，然而數字本身也有局限，必須留心它能不能支撐作者的論點，有沒有被過度解釋。

《看穿假象、理智發聲，從問對問題開始》指出，常見的平均數（即算術平均數：一組數據之和/這組數據個數）計算會涵蓋極端值，以此作為判斷依據未必反映真實。以聯名商品平均年營收達 300 萬來看，假使 A 商品的營收就 200 萬元，其餘商品的營收不到 100 萬元，代表只有某項產品表現優異，恐怕無法支持「繼續推新聯名商品」的論述。

由於平均數不能代表全體狀況，建議看到平均數時，可回頭確認原始資料的「全距」（一組資料中，資料的最大數值−資料的最小數值），了解數值的分布狀況，全距越大代表資料變異狀況愈高，平均數的代表性愈低。例如 A、B 兩公司的職員平均年齡都是 35 歲，但 A 的年齡全距是 40、B 是 5。從全距來推測，A 公司可能有資深的工作者帶領團隊；B 公司的職員年齡相近，較沒有跨代溝通的情形。

檢視數據資料時，也要注意遺漏的數值。舉例來說，某企業某一季營收 300 萬好不好，就需要對照的數字，比如前一季、去年同期或是跟市場相比。有時百分比看似很高，但換成絕對數字其實還好，像是某知名商圈的牛肉麵店倒閉 75%，聽起來很多，但從絕對數字來看，由 7 家變成 4 家，似乎又沒那麼嚴重。透過絕對數字與百分比的多種比較框架，讓判斷更有根據。

數據過度類推也是引用資料常犯的錯。「研究報告指出，明年行動裝置的複合成長率達70%，顯見智慧手機的銷售動能強勁」就有過度類推的問題，因為該資料僅支持行動裝置的成長，而行動電子裝置包括平板、智慧手錶、藍牙耳機等裝置，非單指智慧手機，因此無法支持智慧手機銷售表現傑出的預測。

除了透過證據來源、證據推論過程、檢視數據漏洞來判斷證據的優劣，還能從研究調查的誠信度來看。若研究附上訪談逐字稿、未統計過的數據等原始資料，詳盡說明統計數字的生成過程，加註完整的參考來源，並主動揭示數據資料的解釋限制，甚至評析同類研究的結果，那麼該研究就會是比較可信的證據。選擇具備批判性思考的研究作為證據，不僅讓自己的論點更扎實，對批判性思考的實踐也會有幫助。