与其严谨检验，不如迅速采取小规模行动

仔细想想看，这6个解释变量的背后是否还隐藏着其他因素呢？和简单汇总统计一样，我们无法完全排除这种可能性。更何况，是因为进军东南亚市场导致企业收益率提高了，还是因为收益率高才使得企业有富余资金得以进军东南亚市场？到底哪个是因哪个是果？严格意义上来说，我们无法判断。

为了避免根据误导性的分析结果做出错误的商业决策，我们非常有必要与拥有相关业务知识的人员进一步探讨“这些解释变量的背后是否还隐藏着其他因素？”“因果方向究竟如何？”等。

然而，无论多么高超的分析方法，无论怎样完备的大数据，无论专家们再怎么聚首一堂展开讨论，我们都无法证明出明确的因果关系。硬要说的话，恐怕就只有随机对照试验，又被称为A/B测试，才是唯一可行的方法了。

例如，准备两种企业产品说明书。第一种说明书提供的是以往老版本的产品使用说明和服务支持窗口信息；第二种说明书则提供了精心设计的通俗易懂的产品使用说明和新的客服中心信息，该客服中心新近开始启用，可以为客户提供丰富全面的服务支持。除了附带的说明书有所区别以外，产品及外包装都完全相同。接下来，将协助调研的人员随机分成两组，一组予以附有新版说明书的产品，另一组予以附有老版说明书的产品。

一段时间后对调研对象进行调研，如果拿到新版（客户服务支持更到位的版本）说明书的那组人员，在某一时间点采取了给企业带来利润的行为（例如自费购入其他非免费产品等），并且这一结果明确且从统计学角度而言具有可信度（也就是P值小于0.05），同时还符合成本标准，那就意味着我们通过该实验证明了“强化服务支持体制这一战略的确见效”这一因果关系。

既然选择是随机的，那也就是说两组人员平均下来无任何区别。只因“说明书与服务支持信息是否到位”这一点不同而带来了明显的利润差异，由此，我们便可以将之归为因果关系。这一点，我想统计学相关人员应该都会赞同。

如果你或者你所在的企业，具备将对数、平方项或交互作用等内容纳入讨论范畴并展开充分分析的能力，那自然是最好不过的。但若并非如此，与其对分析结果左思右想、瞻前顾后，例如用些耍小聪明的方法或召集相关人士进一步“慎重讨论”，那么倒不如干脆采取一些行动试试水，即使是小规模行动也未尝不可。当然，如果你想仅仅通过分析技能来准确推算出各解释变量与Outcome间的关联性，那么通常需要相当专业的统计知识。不过，如果你想通过A/B测试来找寻值得检验的好点子，那么用本书中提到的方法就足够了。

就算数据分析再怎么不全面，“一拖再拖，迟迟不将可能带来30亿日元盈利的分析结果付诸实践”和“立即着手行动，马上投个几千万日元来实际检验一下”这两者之间，到底谁更明智？希望大家务必好好想想。