在当代社会，数字至关重要，几乎所有最终都会被转化为数据，并以数据的形式呈现和存储。然而，单独的数据本身并不能传达任何含义，只有在数据与逻辑结合的情况下，我们才能发现并表达真知灼见。只有在这种情况下，数字才算真正“说话”。

　　直接用假数字是最低级的，处于骗术鄙视链的最底部。还有许多更“高明”的“合理合法”的数字误导手段。比如以下：

　　是指只挑选对自己有利的数据点，以误导人们得出与客观事实完全相反的结论。比如在波动曲线中，故意只选择有利的数据点，就可以制造出符合任意斜率的上升趋势图谱。

　　也是一种常用的误导手段。比如，某教育机构广告声称“全国用户超过4亿”，而“用户”的概念可以包含“注册用户”、“试听用户”、“付费用户”和“活跃付费用户”等等。而广告中的“用户”数字可能指的是历史上累计的所有注册用户，这个数字自然远远高于大多数听众理解的“活跃付费用户”的数字。

　　：例如，某公司的商业计划书中描述：“本公司营业收入连续三年增长20%以上，是健康且稳步增长的高科技企业。”这个陈述的前半部分是基于事实的陈述，而后半部分则是一个结论。然而，这样的推断中存在着至少十几个潜在的误导或“陷阱”等待着我们。数字的事实依据并不一定能直接推导出“健康且稳步增长”的结论。比如：

　　尽管收入增长了20%，但实际利润如何呢？企业在路演材料中没有明确提到利润数据，这可能是因为实际数字可能并不理想。

　　行业增速：20%的收入增长在某些高速发展的行业，比如十几年前房地产等，可能仍未达到行业平均水平。

　　基数：初创公司的初始收入通常较低，若使用百分比增长可能就会具有误导性。因此，对于初创公司来说，更应该关注公司收入的绝对数值。

　　主营业务收入vs非主营业务收入：比如企业性质是互联网企业，收入增长主要是由于房租收入，那么公司的估值可能需要重新评估。

　　现金流：尽管收入增长迅速，但如果应收账款的账期较长，或者仅依赖于单一采购方，那么现金流可能面临较大的压力，甚至可能导致企业面临倒闭的风险。

　　面对任何数字，我们应该首先假设其不准确。“先小人后君子”，主动验证是思辨者的责任。只有那些经得起调研和深入质疑的数字才值得信赖。

　　举个例子：Y公司在培训结束后收集学生对老师的课后评估，评估采用1到5的五个级别，其中5分为最高分，表示“最满意”。在参加培训的20人中，有19人给了5分，而有1个同学却给了1分（表示愤怒），这是一个极端负面评分。对于这样的统计，通常我们会采取“去掉一个最高分，去掉一个最低分”的常规做法，然后取一个中间值，以取得共识。然而，与那19个满意的分数相比，这个1分可能为我们提供了更多信息和启示。

　　如果是基于主观原因，那么这位同学显然感到非常生气，通过简单的访谈就可以了解到这其中的原因。后续的回访果然带来了一个令人意外的发现：这位同学是唯一的少数族裔，而讲师在课上使用了很多与这个少数族裔相关的笑话。让这位少数族裔同学觉得受到了侮辱。在一些国家，种族歧视可能导致公司面临数百万美元的罚款，因此少数特例的作用不容小觑。

　　例如，在发现黑天鹅之前，人们普遍认为天鹅的羽毛都是白色的。因此，人们在定义“天鹅”时通常会使用“羽毛是白色的”这一判断条件。然而，当第一只黑天鹅出现时，人们以前对天鹅的定义遭到了挑战。这更是过去的数据根本无法预测这种事情的发生。

　　因此，在应用数字说话原则时，我们应该避免说得过于绝对。尽管相对少见，但世界上存在“不可知的未知”。一旦遇到了“黑天鹅”，数字说话原则就宣告失效。二、原则2：洞见优于表象

　　比如：小张最近频繁失眠，面部出现了5个痘痘，还不小心弄丢了钥匙，甚至去错了厕所。这些看似杂乱的现象都是表象，那么洞见是什么呢？洞见即是小张状态不佳的真正原因。在这种情况下，洞见可能是“小张承受着巨大的工作压力”，这一点可以解释前述所有的表象。

　　找到了这个根本原因，也就是洞见，所有相关表象的产生便能得到完美的解释，再之后离找到解决方案就很接近了。如果我们分别去解决单一的表象问题，就会既浪费资源，并且还治标不治本。