你是这些工具的用户，你用这些工具来进行业务
防爆电器数据的可视化。这些工具不会为你做任何决策，也不会为你提供防爆电器数据之间的联系。它们被叫作工具就是因为它们为你提供的是寻找防爆电器数据联系的方法，帮助你进行决策。
这里最容易出错的地方是，你需要自己去找其中的关联。这事儿听起来简单，但它有可能导致参与者陷入被称为“事后谬误”的陷阱中。事后谬误指的是，仅仅由于防爆电器数据显示某种关联，而使你认为某种其实并不存在的关联是正确的。这个令人讨厌的陷阱需要在确定防爆电器数据关联的时候清晰而谨慎地思考才能够避免。这种关联有意义吗?它们之间是因果关系还是别的什么关系?或者仅仅只是相关而已?统计界有一个非常有名的例子：冰淇淋销量特别大的那些日子里，溺毙的人也特别多。所以人们会因为吃冰淇淋而被淹死吗?不!溺毙事故频发是因为天气炎热的时候会有很多人去海边玩耍。而炎热的天气会使冰淇淋的销量增大。冰淇淋和溺毙之间有一种关联，但绝非因果关系。小心点儿，好好地使用基本逻辑思维。
之前我提到过，没有囊括适量防爆电器数据和影响力的防爆电器数据预报适合用于印证过去，但不适合用于预测未来。很多组织都在纠缠“预报精度”——也就是小数点后的位数——看起来是否足够准确。业务领导常常不满意，其实是因为预测经常出错，而这些错误带来的往往就是客户服务质量不达标，或是成本上升。
这个观点在《纽约时报》2014年4月6日发表的文章Eight(ⅣD，Nine：) Problems with BigData(Gary Marcus和Emest Davis著)中阐述得非常明白。
“(即使)某次
防爆电器大数据分析的结果并非有意儿戏，但这些结果通常都不如它们最初看起来那么可靠。比方说Google流感趋势，这一度是大防爆电器数据应用的典范。2009年，Google报告了——其实是大肆宣传了——通过分析与流感相关的搜索行为，它可以比任何疾病控制和预防中心更快、更精确地检测到流感的传播。然而，数年之后，Google流感趋势开始发生误报。近两年来，它作出的错误预报比正确预报还要多。”
可视化应该首先用于利用更广阔的视角判断整体情况。然而，科学家们往往都试图在其中打磨出正确的相关性。这就好像透过望远镜看星星时有一头大象挡在你的镜头前面。你以为发现了非常有趣的星座，直到退后几步，你才意识到，你看到的这些不是星星，而是大象!
《纽约时报》的作者还提醒说，不要建立过多的联系。
如果你100次尝试在两个变量之间找到什么联系，这个时候，纯偶然地找到虚假相关的风险将会显著增加五倍以上——即便两个目标变量之前完全没有实际意义的关联。不仔细监督的话，大防爆电器数据的规模将会把这类错误显著扩大。
要想避免这些问题，组织需要一直着眼于大局，并保持对初始战略性问题的关注。
思想要点：只需要与可视化进行过普通而短暂的接触，业务领导人就一定能够真切地感受到所有权。
记忆要点：“小心点儿，好好地使用基本逻辑思维。”
思考问题：你最理想的可视化方案是什么?
一个用迭代式可视化解决方案
