统计分析里的数据抽样：什么时候没问题，什么时候会误导

数据抽样是只看一部分数据来估计整体。做得好，答案又快又够准；做得随意，一个小分群或少见事件可能被放大或缩小一倍。本文讲主要的抽样方法、统计工具会在哪里抽样，以及怎么判断一个抽样得出的数字能不能用。

什么是数据抽样

抽样是用数据集的一部分来估计整体的某个值。问卷调查抽的是人；统计工具可能抽取事件或会话，让存储或查询更快。

样本够大、挑得公平，抽样就有用。看的那部分太小，或者挑选方式本身和要衡量的东西有关，就会误导。

抽样方法

表里列出了常见的方法。对行为数据来说，整个会话或整个访客地抽（整群抽样的一种）能保持旅程完整，漏斗和路径才说得通。

行为数据按会话或访客抽样，旅程才是完整的。

统计工具在哪里抽样

抽样可能发生在三个环节：

1. 采集时。只记录一部分流量。省存储，但丢掉的数据永远找不回来。
2. 查询时。数据完整存着，但报表只读一部分来加快速度。
3. 特定功能里。每个会话都录屏、每次点击都记下成本很高，所以会话回放、全埋点这类功能常有自己的采样率。

在 TapCub 里，会话回放默认录 10% 的会话，全埋点也有单独的采样率，都由你设定。采集端还有一个突发保护：某一分钟事件超过 1,000 个，且超过过去 7 天同一小时平均值的 10 倍，就会在大约 10 分钟内只保留约十分之一的事件。这是为了在流量洪峰时保护数据链路，不是常态抽样。

一个完整的例子

一份基于 10% 抽样的报表显示，全部流量的转化率是 3.1%，全量数据是 3.0%，足够接近。但付费社交在样本里是 4.6%，全量是 2.9%。样本里只有 90 个付费社交会话，多一两个转化，比率就变动一个多百分点。

图里是转化率 3% 时各组大致的误差范围：大的组不到 1 个百分点，最小的组约 3.5 个百分点。

什么时候可以相信抽样数字

• 大的总数：通常没问题。
• 小分群：看样本里到底有多少会话或转化。少于几百个会话时，把数字当作大致范围。
• 少见事件：样本可能完全漏掉，也可能夸大。
• 比较：两个抽样分组之间的差别，要做显著性检验。
• 涉及花钱的决定：先用全量数据再跑一遍。

常见问题

用简单的话说，数据抽样是什么？

只看一部分数据，来估计全部数据的某个情况。

抽样数据准吗？

大的组通常接近；小的组和少见事件误差可能很大。

怎么知道报表是不是抽样的？

大多数工具会标出抽样报表，常见的是一个图标或一行说明用了多少比例的数据。不确定的话，查工具文档里关于抽样环节的说明。

相关阅读：统计显著性、数据延迟。