在某公司工作時，曾發現過一個詭異的事情。 當時正在做公司整體的戰略規划，發現公司客戶各年齡段的客單價都是呈上升趨勢，可是整體客單價卻出現下滑。 今天聽了公司內部的一個分享課才知道， 原來這個就是 辛普森悖論。 人懶，懶得自己整理數據和文字，就直接轉載網上搜索來的博客
辛普森悖論是一種統計現象，實驗群體由具有不同統計特性的子群體組成，觀察到的現象是總體水平可能與單個子群體的水平不相關。換句話說，辛普森悖論是在一個數據集中的變量被分組之后，他們之間的相關性可能會發生改變。
辛普森悖論在數據集方面看上去廣泛，而且沒有被分解成有意義的片段。辛普森悖論是研究中被忽略的“混淆變量”結果。混淆變量本質上是一個與核心研究無關的變量，它隨着自變量的改變而改變。
例如，一個移動應用程序的用戶群，其中1萬人使用Android設備，5千人使用iOS設備。用戶的總體轉化率是5％，iOS設備的轉化率是4%，Android設備的轉化率是5.5%：
假設相同的貨幣化(也就是Android用戶和iOS用戶在游戲中花的錢一樣多),資源有限的產品經理可能根據這些數據會做出一些極端的決定，也許會優先考慮安卓功能的開發，甚至干脆取消iOS項目。
然而當數據按照設備再次細分，用戶群的不同的情況如下：
現在發現iOS平板的轉換率比Android平板高一點，iOS手機的轉換率同樣比Android手機高。如果看到了這一點,產品經理可能會對未來的產品做一系列不同的決策。
在這種情況下，設備類型是一個混淆變量：當數據按照設備類型細分，子群體具有完全無法相比的統計特性。
iOS能在設備轉化方面打敗Android，但是在整體水平上卻輸給Android的原因是，每個平台的設備類型不同：平板的轉化率比手機的轉化率高，在這個用戶群中,iOS平板占iOS設備的比例（30%）低於Android平板所占的比例（80%），盡管Android平板上的轉化率比IOS低。 把數據混合到一起就變成一個很大的問題，去比較兩組與完全不同的屬性的東西 —— 就像是去比較蘋果和橙子的區別一樣。
混淆變量經常用於分析免費增值產品,有以下幾個原因:
1. 基數大小。免費增值產品因為固有的低轉化率需要大量用戶基數來產生收入。這些龐大的用戶通常由來自世界各地,來自不同地區,並且使用設備廣泛。這種多樣性的呈現致使比較后的平均值幾乎沒有任何意義;
2. LTV曲線。免費增值產品受益於長尾貨幣化曲線。為了娛樂而消費的使用者，消費的指標可能很接近，因此可以作為分界的界限。
3. 大部分用戶不會消費。先前提到的免費增值產品的固有低轉化率 作為一個基本的區分兩類用戶而存在 ：付費和非付費。基於這個原因，把非付費用戶群作為一個整體的任何指標都是有缺陷的，因為它把所有指標都傾斜到了絕大多數永遠不會付費的用戶（這就是為什么最低可行的指標模型包括ARPU和ARPPU）
避免辛普森悖論的關鍵——關於用戶基礎的結論,不反映現實的不同類型的用戶與產品的交互——是明智地應用維度分析。用戶細分在數據分析中是非常重要的,特別是對免費增值產品,“普通用戶”不僅不存在,而且他的特征作為一個警示，避免開發人員被誤導。當一個用戶群以廣泛多元化的特征存在時，通用數據是無用的。
當考到產品開發路線圖時，用戶分類是至關重要的：如果數據分析表明哪些特性由於確定非常有價值而優先開發，那么它同時也決定了應該給哪些人做推銷以增長用戶群。也正因此，從聚類分析得出似是而非的結論，不僅會造成開發錯誤功能，也會把更多錯誤的用戶加入到用戶群中。
為了避免這種情況，用於優先功能開發的基本維度（“過濾器”，或用戶特性），應該在用戶分類方面建立粗糙集。對於移動產品，最基礎的設置一般包括：
- 位置（國家）
- 設備（平台、外形，設備型號）
- 采集源;
- 早期行為線索( 如盈利/ 參與里程碑);
- 加入日期（用於控制季節性）
- 對於一些收購渠道（如Facebook），其他人口統計數據點，如年齡，性別等可能也是重點。
用這些維度進行分析比先前引用的“iOS和Android”的例子提供了更為可靠的見解。最終分析的目標是為真正使用它的人改善產品。如果這個分析在一個錯誤的前提下進行，那么用戶的真正問題並不會得到解決。