John Tukey 在 1962 年谈数据分析时留下过一个著名判断：
“Far better an approximate answer to the right question … than an exact answer to the wrong question.”
对正确问题给出近似答案，远胜于精确回答错误问题。它之所以值得反复提醒，是因为现代工具会不断降低“求得精确答案”的成本，却不会自动替我们确认问题有没有问对。
错误问题通常并不荒谬。它往往边界清楚、数据齐全、可以计算，还能产出漂亮图表。真正的偏差藏在问题与目的之间：我们想改善用户体验，却只问怎样提高点击率；想判断一个研究方向是否重要，却只统计论文数量；想了解团队是否健康，却把交付速度当成唯一代理指标。计算过程可能毫无瑕疵，答案却把行动推向错误的方向。
精确还会制造一种额外的说服力。小数点、置信区间和复杂模型让结果看起来比问题本身更可靠，于是提问阶段的含混被悄悄隐藏起来。模型误差被认真估计，目标误差却无人负责。
一个实用的防护动作，是在计算之前先写下：这个答案将支持什么决定？如果数字变大或变小，我们会采取什么不同的行动？它代替了现实中的哪个概念，又会漏掉什么？如果这些问题说不清楚，再精细的分析也只是给模糊目的安装了一台高精度仪表。
近似答案当然也可能错。Tukey 的话不是反对严谨，而是给严谨排了顺序：先让问题贴近现实，再逐步提高答案的分辨率。
参考：Tukey, The Future of Data Analysis（1962）。
整理自这次对话；人物引语与史料已另行核对。