霍桑实验-数据分析手段彻底失效的经典案例

这是我的第34篇原创

管理学领域必讲的一个案例就是霍桑实验。中国和西方研究的方法非常迥异。中国研究人是从人性开始，从关系开始；西方研究人是从观察开始，从结果开始。

霍桑实验就是管理学伊始做的一个研究人的实验，主持实验的梅奥专为这个实验写了一本书《工业文明的人类问题》。这个实验在很长一段时间内无法得到“科学”的解释，以至于整个西方管理学陷入了非常迷惑的尴尬地步。这个霍桑实验到底是什么情况？我们一起来探究一下吧。

OK，Let\’s GO！

背景：

霍桑工厂是一个做电话交换机的工厂，属于美国芝加哥西部电器公司。这个工厂非常完善，有娱乐设施，医疗制度和养老金制度都很健全。但是工厂里的工人们仍然不满，生产成绩不理想。因此，美国国家研究委员会委派哈佛大学心理学教授梅奥开展实验研究，想找到各种生产要素与生产产量之间的关系。

图片来源于百度

理论研究：

当时的理论研究认为疲劳和单调感会影响生产效率。

实验设计：

抽调历史能力均等的两组员工（实验方案已经排除性别、年龄等因素），一组为实验组，另一组为对照组。两组的其他条件完全一样（工作时长、生产环境、生产任务等），只调整实验组车间的照明亮度（后扩展到湿度、温度等条件），以此观察实验组和对照组的生产效率变化。

实验预期：车间照明越趋于舒适的亮度，员工的疲劳会得到延缓，产量会上升；车间照明越趋于不舒适的亮度，员工的疲劳程度会加重，产量会下降。

怎么样？这个实验设计没毛病吧？有历史数据，有实验组，有对照组，有理论前提，有固定条件，有可变参数，有假设，有期望。作为一个严谨的数据分析师，你的A/B test方案是不是也大致是这么设计的？

step1：

实验内容：

对照组的车间照明一直保持普通的亮度；

实验组的车间照明把亮度不断调亮。

实验结果：

实验组的产量比以前高。对照组的产量也比以前高。

哈哈！有意思吧？到这里貌似可以得出结论了，亮度能提升产量。但是怎么解释对照组的产量也有提升呢？咱继续。

step2：

实验内容：

对照组的车间照明一直保持普通的亮度；

实验组的车间照明把亮度不断调暗。

实验结果：

实验组的产量继续比以前高。对照组的的产量也比以前高。

what？这是什么鬼？这完全与我们的假设不一样好么？两个车间，所有的软硬件条件都一样，政策人员也一样，只有照明有区别，但是两组的产量都比以前高。亮度提升，产量上升，亮度变暗，产量还上升。还没完，咱继续。

step3：

实验内容：

对照组的车间照明一直保持普通的亮度；

实验组的车间照明继续把亮度不断调暗，直到几乎全黑。

实验结果：

对照组的的产量依然比以前高。实验组的产量开始有变化，亮度到0.06烛光时（非常微弱的亮光），产量无明显下降；直至照明减到几乎看不见的时候，产量急剧下降。

按理来说，照明亮度都到0.06烛光了，咋工作啊？要知道，那是工业，手眼配合工作呢！这产量还仅仅是无明显下降！我的天！N年前老师讲这个案例的时候我都抑郁了。挑战认知好么？

那么，同学，你怎么看？

有人说了，那肯定是这两拨人有问题，是不是有别的参数？

我想告诉你，整个照明实验，持续了两年多，你现在能想到的所有能够量化的、能够识别的参数全部重新考虑过。换人、换季节、换工作时长、温度、湿度、工作早晚、休息间隔等全部都重试过了，结果统统一样，而且后来还发现，两个小组，不仅仅是产量比实验前好，还比其他没参加实验的工人好，心态也变好了。

是的，从所有收集到的数据，都无法找到任何原因。你是不是束手无策了？

来源：百度百科

当时霍桑实验的主持人梅奥博士简直崩溃了。各种尝试都试过了，观察到的数据都无法找到根因，自变量、因变量压根没关系好么？数据与期望打架！

有些数据分析经验比较丰富的同学肯定会嗤之以鼻：这肯定是实验本身导致的！而且照明影响产量的前提，甚至疲劳、单调性影响产量的理论也根本不对！

是的，你说对了。但是你是在霍桑实验的70年后，数据分析理论已经非常完善的前提下，带着你的丰富经验，才得出这个结论的。

还记得我之前分享的一篇《数据分析的基石-真实世界》里分享的内容：

点击图片看原文

啥？你看过？铁粉啊！

是的，能够观察并记录下来的数字（薪水、亮度、湿度、温度、时间、季节、休息间隔等自变量；产量、效率等因变量）是数据。

但是，难以观察，并难以记录的信息（情绪、士气、荣誉、家庭背景、员工关系等），也是数据，而且是更重要的数据。最后的结论也正与此相关。

经过漫长的研究和探讨，霍桑实验最后定下来三个结论：

是的，这些结论不单单是从报表上分析出来的，还有后期的大量访谈，甚至亲身体会后总结出来的。

所以，请牢记，数据只是我们观察真实世界的一个很小的角度，千万不要一叶障目！霍桑实验长时间得不出结论的原因正在于此。即便是按照我之前总结数据分析流程也是无法避免这一点，因为数据只是真实世界的一个小投影，小角度，这才是底层规则。无视底层规则，无异于烂泥之中起高楼，根基就坏了。

数据分析步骤

我自认为没有梅奥博士那么聪明，但是我有幸能站在巨人的肩膀上，从一开始就看的比梅奥博士更远。我深刻的认知到：数据分析不仅仅是分析数据，更要分析场景、信息、流程、组织、关系，还要分析制度、个人，人性！

吾生也有涯，而知也无涯。缘督以为经，可以保身，可以全生，可以养亲，可以尽年。

以上，与君共勉！