康夏散書事件的技術分析：在數據面前，他無能力為

在寫這篇文章之前，我特意翻看了一下最近的微博。看到已經有人拿到了康夏的書，並且也收到了退款。那麼，至少，隨着時間推移，事情的真相會變得更清楚。

我之所以要寫這篇文章，其一是因為我和康夏有過兩封郵件，一通長電話的接觸，幫他做了發書和退款數據的基本整理；其二是因為，從我對Excel這個工具的理解和經驗，以及對數據長期的觀察，認為康夏賣書過程中間至少有一半的狀況是由數據引發，他的確被數據「坑」了；其三，原本過去也就過去了，大家都知道康夏最後選擇訣別社交網絡，但未來一定還會有個人甚至企業，會在社交網絡上發起有商品交易的互動行為，而數據，將決定事件走向「天堂」或「地獄」。

我希望把數據的經驗分享出來，以便發起人將來可以作為參考，參與者也更能理解事件的進程。而且，從我個人來講，以Excel數據狀況為事實，想要告訴大家，我們認為的康夏的某些錯誤，其實他真的無能為力，甚至，已經盡力。

我和康夏本是徹徹底底的陌生人，在這件事之前我沒有關注他的微博和公眾號，甚至不知道有這麼一個人存在。有一天，我看到朋友圈裡一位最近剛剛長聊過的，和我育兒理念非常相似，且相互認同的朋友，轉發了康夏收到77萬元時的第一篇說明文章。而我這位朋友在朋友圈表達的意思是，通過康夏賣書這件事，她發現有很多和她相同的讀書人，她很開心。出於對她個人品質的認可，我看完了那篇文章。當時腦子裡瞬間出現了兩個想法：一是，康夏表現的非常有誠意，是個不錯的人；另外，他一定會遭遇嚴重到他沒辦法解決的數據問題。由於我信任我這位朋友，愛屋及烏，再加上我的數據觀點一直是，原始數據對於數據工作有決定性作用。所以，既然是緣分讓我看到了這件事，我決定幫幫他。

我給他發去了一封郵件，說：「我對數據有些研究，覺得你可能馬上會面臨極大的數據難題。如果到時候需要幫助，就通過郵件聯繫我。」為了證明我是一個真實存在的人（沒辦法，互聯網上的信息真真假假），我還讓他上網搜搜，好確定我不是什麼騙子。我是5月19日給他發的郵件，5月20日，他的回覆是：「太感動了……非常感謝，已經快被海量數據搞死了。」

接下來的內容，是純技術性的，Excel用得稍好的人會理解得更清楚一些。如果你壓根兒不知道什麼是Vlookup函數，也沒有聽說過數據透視表，也不知道Excel中函數和數據處理的一般原則，那麼，這一段你可能無法比較有共鳴的感受到什麼叫「數據災難」。

康夏在後來的文章中反覆提到幾個東西：1萬條支付數據，一個人打款多次，做匹配很難，有的人信息填寫不全，支付寶限制20個字。一般人看到這樣的文字，都不會有特別的感受，但事實上，數據災難就藏在這裡面。他說的這張支付數據表，我給大家看看。（為了真實起見，我用的是康夏發給我的原始數據，但為了別人的隱私，我把與個人相關的關鍵數據做了類似遮擋、縮短等處理。我嘗試了把圖片另存下來，可以看到表格細節。）

第一點——支付數據太多

這張表一共有11744條支付數據（截圖的時候往上挪動了一些，因為這部分數據更有代表性），若用肉眼看，手工整理，假設一條數據10秒，那也不是一般地球人體力和精力能承受的。在企業做過從系統中導出的這樣的表的人，就會很清楚其中的痛楚。所以，首先，數據量的確大到超出手工整理範圍了。我之所以強調手工，一是因為康夏告訴我他不怎麼會用Excel，二是我後面會講的，這份數據有先天的問題，函數等等只能給到輔助性的處理信息，而沒辦法真正批量得到最精準的結果。

第二點——支付數據先天有缺陷

表格中藍色框內的內容，體現了「支付寶限制20個字」以及「一個人多次打款」這兩件事。限制20個字帶來的嚴重後果，就是買家必須通過多次打款，每次留20個字，才能填寫清楚自己完整的地址以及對於書的喜好，甚至，還要給康夏留言，說兩句貼心話。而這件事給後期處理帶來的是什麼呢？

我們必須假設1萬條支付信息中，有名字相同的人，那麼，在發書和整理數據的時候，就要把名字相同的人挑出來。而由於一個人就可能形成了多條數據記錄，那麼，張三（1號）有10條數據（很多個0.1塊錢），張三（2號）有5條數據，Excel根本沒辦法知道，到底有幾個張三。傳統的「去重」方法不可行，用數據透視表計數的方法也不可行。而且，表格中其他數據，例如「交易號」、「交易創建時間」、「付款時間」等都不能用於輔助判斷，到底有多少重名的人。這就為後期的匹配埋下了嚴重隱患。

你可能會問：為什麼要匹配？匹配什麼？因為支付數據里，很多人一激動，根本沒留地址，甚至電話也沒有。那麼，康夏就沒有辦法給他們寄書，也不可能聯繫到他們（能力和精力都不行）。他就只能從自己的收集渠道，也就是他講的，公眾號、QQ、通訊錄、通訊地址上拔下來的，有地址和電話的，給他留言的買家中，用他們的信息再去支付大表裡進行匹配，看他們是否已經付款，以及付了多少錢，才能決定，應該給誰發書，發幾本。匹配的過程，雖然是Vlookup可以輕易做的，但這中間又有其他問題，所以，Vlookup的最終結果只能說湊合能用，這後面會講。

第三點——文本信息無法整理

表格中黑色框的部分，一個叫「商品名稱」，一個叫「備註」。我不知道買家在操作支付寶的時候是怎麼輸入的，但顯然，在一份原始數據中，有兩列文本描述的信息是極大的數據災難。因為，這兩列，有的人填的內容相同，有的人在兩列中內容互補，有的人填了其中一列而另外一列沒填，有的人把電話寫在「商品名稱」列，而有的寫在「備註」列。

Excel對於數據的判斷，是按屬性來的，例如：單元格填歷史、地理、天文這樣的代表科目的屬性詞。假如單元格內是一句話，要提取其中某個部分可就困難了。你可能說，不是有文本函數可以做嗎？對的，文本函數Right/Left/Mid/Search都可以做，但1萬行數據要有統一的規律才能批量處理。而像這張支付數據表，文本部分根本沒有任何規律可言，且分佈在兩列裡面。這是違反Excel數據結構規則的，所以，它幫不上忙。假設，文本只是分佈在兩列中，而同一個人的打款記錄只有一條數據，那麼，用&符號或者Concatenate函數，可以把兩部分文本合併到一個單元格，還有可能進行關鍵信息的提取。

但前面說過，張三可能有9條打款記錄，每一條備註了20個字，也就是說，不僅在行方向需要合併單元格內容，在列方向也要合併，這幾乎是不可能的。而提取不出支付數據中的關鍵文本信息，就相當於對買家的身份、聯繫方式、喜好等一無所知。也許還有人覺得，既然你康夏接了這個活兒，死也得用手工的方式，一條一條把數據對出來，這樣才對得起觀眾。

公平的講，姑且不說那段時間他有5000封郵件要處理，每分鐘微信都會留幾百條信息，還要打包，處理各種瑣事，就說啥事情也不做，只盯着數據看，一條核對30秒，中間不停，那也是一個時間上的天文數字。

親身體會數據，比從文字上看要殘酷得多

既然說到了工作量的問題，我覺得有必要多說兩句。我們平時看文章里寫維護10個微信群，一個人去了26個國家深度旅遊，或者800條數據要核對。這些數字往往看起來不太累，但真實做起來，卻要人命。羅輯思維二期會員招募的時候，一個死磕俠管理10個微信群，一個群幾百號人，一分鐘就會產生幾千條留言，而且每分鐘都在產生。你想想，讀完都不可能，怎麼在裡面回復。那時候，我親眼看見死磕俠們吐血地每天加班到凌晨甚至5點，那是一段回憶起來簡直血腥的日子。26個國家深度旅遊，看起來沒很多吧，但假設一年兩次選2個國家深度旅遊，26個國家需要13年。從17歲花季要干到30而立。800條數據核對看起來也不多，做做就知道了。

所以，從數據的角度，親身體會真的比文字上看到的要殘酷得多。有時候是儘力而為，但大多數時候是無能為力。

第二張表——康夏自己整理的買家信息

前面說了那麼多，想要證明的是，支付寶導出來的支付數據，由於有先天的缺陷，是無法用於做出發書或退款決定的（退款一會兒詳細講）。於是，康夏通過各種渠道，收集了2607條比較完整的買家信息。接下來，他就面臨要將這2607條數據（截止5月23日他給到我的），去到1萬條支付數據中進行匹配的工作。

匹配的目的是：第一，看這個買家真實體現在支付寶中的支付金額是多少？第二，看這個買家是否已經支付？前者，用於決定該寄出幾本書；後者，用於決定是不是要寄書。這時候，麻煩就來了。兩張表唯一可以進行匹配的只有「姓名」，在支付數據中叫做「交易對方」。姓名這件事很容易出問題，按照Vlookup的默認規則，只能匹配出第一條數據，當有相同名字的人存在於支付數據中時，Vlookup無法精確判斷誰和康夏收集的這個名字對應。這是處理后的數據可能不精準的第一原因。

匹配到對應的名字后，要通過Vlookup提取他/她具體支付的款項。由於支付數據中一個人可能打款9次，第一條記錄也許是0.1塊錢，這就不對。那麼，把支付數據中的金額先按降序排列，再匹配呢？也不行。因為，有的人是8個0.1塊，1個99塊，可以用99塊作為最終結果。而有的人是3個30塊，那麼，Vlookup只能匹配出其中一個30塊來，就產生極大的錯誤了。

假如先用數據透視表，按「交易對方」，也就是人名做金額的匯總后，再用Vlookup匹配，行不行？也不行。因為，在1萬條支付記錄中，我們根本不知道有幾個重名的人。數據透視表會把他們的金額加在一起，而這時候做出來的金額匹配，會出更大的問題。康夏有可能給張三（1號）寄去了6本書，但實際上，他只付了3本書的錢，而另外一個張三（2號）就會給了錢沒有收到書，後期還收不到退款，這事兒就鬧得更大了。

我想說這根本不是人乾的活兒，沒錯，進退兩難，有心無力。

各種數據缺陷下的折衷方案

從任何角度來講，我都沒有立場幫康夏決定應該寄書給誰。所以，我提供的僅僅是數據的初步整理和匹配，並且盡量給他更多的數據維度以便他做決定。同時，設定好退款清單的自動獲得，這件事很重要。至於那張表他最後是怎麼使用的，我也不得而知，能確定的是，這應該為他節約了至少一周的時間。兵荒馬亂中，能爭取到時間就很寶貴了，康夏自己在一篇文章中開心地說快了半個月，當然，後來都刪了。最終的寄書清單和退款清單，也許是從這張表來的。

這張表用名字，從2607條完整的買家數據中，匹配出了已經支付的1896個買家，並且提取了一條對應的備註信息用於參考，以及與收集來的地址做可能的對照。

他要做的是，根據自己的判斷，從1896個買家中選出要寄書的人，在表格的「發貨標記」列選中「是」，這些數據就會返回到1萬條支付數據中，將對應的人標記出來。那麼，剩下的就是需要退款的買家清單。由於支付寶已經答應幫他做統一的退款，但清單需要他提供。所以，康夏必須先搞定所有的數據，把寄書的清單確定下來，甚至可能把書真實的寄了，才能給到支付寶一份最終的退款數據，退款這件事才能開始進行。

康夏在這件事上沒有撒謊，退款的確不是點一個按鈕就可以完成的，那麼多個0.1塊錢，假如他自己進行了一部分操作，後續數據的對應就更加難上加難，到時候場面會完全失控。

結語

過去的一段時間，很多文章從社交和互聯網方面，分析了康夏賣書事件演變過程中的種種原因和結果。孰是孰非，真相如何，我確定我自己也搞不清楚。就像有一篇文章說，對於一個事件，局外人就算以為自己知道了所有細節，其實也不知道其中真正的細節。

我不願意去揣測康夏的心思，但也沒辦法相信網絡上各方的言論，只是憑着自己原始的感受，以及有限的接觸，包括上面講到的數據災難。我會覺得，他並不可惡。真正要作惡的人，應該不會和自己的父母一起來干這件事，也許請臨時工會更好。對於即將留學的人，大部分都會至少準備半年吧，而臨到走之前，誰又會願意給自己惹一身事呢。再有，康夏也不是一個突然從石頭裡蹦出來的人，他之前在公眾號里的形象，對於關注他的人來說，也是認可才會參與到這個事件里來的。我是願意相信這裡面有信息不對稱所導致的誤會，也有一個人面對突髮網絡事件的措手不及，同時，在特定情況下腦子短路也許會做不當選擇的可能。

無論怎樣，一棒子打死一個人，否定他的所有過去，是沒必要的。而且，他在自己的公眾號和自己的粉絲玩了一件事，這點自由還是應該給他的。就像蔡康永在康熙來了有一集中，對黃國倫的建議：你家不收拾，只要你們夫妻倆自己受得了就行，其實，也不關別人的事。但是，以後倒也不用再把沒有收拾的照片拿出來嚇人。康夏賣書事件至此，至少，慢慢已經有人收到書，收到退款了。而康夏本人，因為這件事離開了社交網絡。一陣風起雲湧，終歸回到平靜。

祝福大家。

伍昊

于2015/6/13凌晨

From 伍昊