交互版 · 改编自作者 2014 年的同名旧文 · 读原文
朋友讲过一个 RPG 外挂的做法：它不读游戏的内存，不懂伤害公式，只盯着屏幕上的一个像素。这个像素从红变灰，它就按下加血。
它没有试图弄懂整个游戏。这篇讲的就是这件事：解析可以没有尽头，但我们得带着结果回来。
上下移动指针（手机上点一下，或拖那条横线）。每往下解析一层，答案多一层，新冒出的问题多一倍。
侦测 HP 条上某一点的颜色。颜色从红变灰，说明血量掉到了某条线以下，自动输入加血；反方向变化，什么也不做。
游戏的内部逻辑是个黑匣子。但为了让人能玩，它必须给人留下输入和输出的接口。外挂就接在这两个接口上：抓住一小块输出，配一条简单明确的逻辑，替人的眼、脑、手接管这一小段流程。
若 这一点 红 → 不是红 按下 加血否则 什么也不做
它的野心没有大到把系统内部的逻辑全部破解，只把握住一点输出。可这一点已经够用，人就能从这一小块简单的流程里解放出来，把力气花在更复杂、更有意思的东西上。这简直是模块化思想的范本。
试试“让角色中毒”：血条变成绿色，外挂只认识红和灰，再也等不到“红变灰”的那一刻。它的那一点理解，只在它的边界之内成立。（中毒这一段是交互版补的。）
数据科学里，分析可以按目的分成几种，难度一级比一级高。最浅的是描述：把看到的数据讲清楚。最深的是机制：弄清楚产生这些数据的系统里，每个个体的哪些变量发生了变化，这些变化又引起了哪些别的变化。
拿一只梨来说。从上往下点，看要回答的问题怎样变深，需要的东西怎样变多。
小字看不清时可放大，再左右滑动查看。
原文只举了两端：描述只要我记下梨的形状、颜色、大小；机制要我弄清它为什么是这样的形状、颜色、大小，三者之间又有什么关系。然后还有一个问题：换一只梨，我们建立的模型还对吗？
六种类型来自 Coursera 课程 The Data Scientist’s Toolbox（Jeff Leek）的讲义 Types of Questions。中间四级的梨子例子和机制图里的变量是交互版补的，只为示意，不是植物学结论。
理想中，我们想要机制级别的答案：从一场飓风里清晰地、精确地捕捉到一只蝴蝶的飞舞。可现实是，我们所能掌握的信息永远是极为不足的。
下面是两个一模一样的世界，只差一件事：其中一个世界里，有只蝴蝶扇了一下翅膀。
即使到了数据产量超大的时代又怎样呢？数据倒是多起来了，从中提取信息的难度也变大了：观测点从 12 个加到 9 000 个，误差缩小了二十多倍，也只让人早一天多看出两个世界不一样，那时两场飓风已经快要分道扬镳。这种时候，一定要控制住自己的贪欲，步步为营。
有时衡量过投入产出，一个问题研究到某个深度和广度就已经满足需要了，就像那个外挂。剩下的资源，更应该用在别的刀口上。
下面三个问题共用一份时间和精力。每一列从上往下，是上一节的六级分析。点一格，决定这个问题解析到哪一层。
格子里的横条：解析到这一层，能多带回来多少用处。右下角的数字：这一层要花的时间和精力。
想要较好地解析一个问题系统，当然需要“打破沙锅问到底”的集中力和恒心。但我们要一直提醒自己：在粗糙的现实之中，要解决的问题必须得有一个边界，这个边界让我们不至于在深挖隧道的过程中失去回来的路径。
解析的第一原则，
便是要带有限的结果回来。
这是我们不得不面对的一个极限。