近幾年大數據很流行，數據分析也逐漸成為一個很多人在關注的議題。大家開始認知到數據的重要性，數據會說話、從數據找答案，任何事情都要跟數據扯上邊才夠猛。
不過，我們真的都理解數據是什麼？為什麼要數據分析？難道直覺不好嗎？
最近參加《商業思維學院》課程，其中有一堂關於數據分析的課程，邀請數據分析的專家尹相志Allan老師來跟我們分享基礎的數據觀念、以及一些數據分析常犯的錯誤。
個人覺得相當有幫助，在這邊整理記錄，並分享心得。
為什麼學習數據分析？
我想這個問題不難，也已經有越來越多人有這樣的認知：從數據找答案，用數據做商業判斷，而非依賴直覺。這能讓我們做出更有價值的決策。
就我而言，則是能從數據，理解更多公司的問題，找到需要改進的地方，甚至在訂策略時，可以更有方向、更有把握一點。
老師則在課堂一開始分享拼多多在Nasdaq上市那天，美團CEO王興講的一段話。
他問大家：「全中國有多少有本科或以上學歷？」
那些生活在大都市的人們，可能猜想大概10%還是20%之類
然而，答案卻是出乎意料的：「不到4%」
若你的生活是在上海這類型的一線城市工作，周邊圍繞著互聯網的工作者，大概不會理解中國三、四、五、六下線城市人們的生活，他們如何做決策。
你會發現：世界不是繞著你來轉的，每個人有都有自己的生活型態。而每個人做決策背後的原因，可能都不是你能理解的。
不過，透過數據，你有機會知道其他人的喜好、需求、他們如何生活、如何做決策。
我們透過數據，理解其他人的喜好、需求，接下來呢？
「做預測，並帶來商業價值」
神預測vs.有商業價值的預測
「如果今天的預測無法幫助改變未來，那現在做的這些預測都是沒意義的。」
我們一定都聽過神話中的神諭，關於那些一定會發生的事情。
這種預測在商業上，是無法帶來任何價值的。當這件事情本來就會發生，那我們也無法做任何改變。提前預測，只是讓我們提早知道這件事，但毫無改變的機會，也就等同於沒有價值。
老師就提了最近的例子：疫情影響，越來越多人必須會待在家、無法出門，所以，會有在家看電視的人會增加、宅經濟會如何如何。
像這種，就不是預測，是廢話。因為它本來就會發生。
又好比法醫和名醫，法醫的預測是絕對準，因為就一個：死亡。然而，他沒辦法對現況做出任何改變，於事無補。若是名醫，就能從一些跡象中找出問題（像是判斷得了癌症），再針對問題去做一些處理。若時間足夠，是有機會改變未來的。
所以，構成有價值的商業預測，需要滿足這三個條件：
- 提早
- 可操作性
- 有足夠時間
提早，一定要足夠早，足夠去做出一些改變。如果拿到的東西，是事情已經發生之後的訊息，那是事後諸葛，沒有價值的。
課堂中一個典型的例子：若電信合約為24個月，相關人員必須在足夠早的時間聯繫客戶，才能免於他離開。而這個時間，居然是要提早半年！
補充：麥肯錫一篇文章《好的數據分析，可以幫助電信業降低客戶流失率》提到：一個全面的、分析為導向的管理，可以幫助電信公司將流失率降低多達15％。
數據分析常犯的錯誤
有商業價值的預測和神預，就是我們在數據分析時，常犯的錯誤其中之一。而在課堂中，老師也分享了其他類型的常犯錯誤。
1.無關事件產生的偽規律（False Causality）
因果關係的錯誤推斷，通常是來自於第三方的因素
例子：住在高房價地段的人，身材比較好
>> 住高房價，較有可能去健身房健身或做飲食控制
2.樣本空間不足（Sampling Error）
一個偏差的樣本，不會因為你高端的手法，而變成有參考價值
例子：104平台報告網紅月薪的中位數是33K
>> 有錢的網紅不會投履歷，所以不準
3.單方論證 Cherry Picking
只挑選自己想要的答案
例子：挑水果的人把好的水果挑出來
>> 看到的人可能會以為所有水果都是好的
4.眼鏡蛇效應 Cobra Effect
策略本身導致跟預期相反的結果
例子：若有人抓到眼鏡蛇，就給獎賞；後來眼鏡蛇反而變多，因為開始有人去養眼鏡蛇
5.資料捕撈（Data Fishing）
把各式各樣數據湊在一起，找出一個解釋，但沒有任何邏輯。可能會造成錯誤的結論
6.發表偏差（Publication Bias）
數據側重於某個論點，所以出來的結論不準
例子：被車撞死的都是孝子
>> 媒體報導的都是少數
7.倖存者效應（Survivorship Effect）
例子：保險業基於過去客戶的信用做評等
>> 真正最壞的那些人，沒有在樣本裡面，他們一開始就拒絕掉了
8.霍桑效應（Hawthorne Effect）
受測者在被觀察的時候，會改變行為傾向
例子：家長參觀日，學生會表現比較好
9.錨定效應（Anchoring Effect）
在錯誤的標準之上，去做判斷
例子1：大家都投了，你不投嗎？
例子2：原價599的商品，打折後變199，覺得便宜
數據分析的層面很廣泛，傳統看報表、excel報表、商業分析等都算是數據分析。每一個面向都是專業，但基本的觀念是不變的。
我們在做數據推理的時候，常會犯一些因果、邏輯的錯誤推論，可能我們自己都不自知。若我們能理解更多這些誤區，也比較能避免做出錯誤、或是沒有價值的策略判斷。
這堂課的收穫
善用數據可以幫助我們做決策，但是若誤用反而會讓我們做出錯誤的結論。而這些誤用，可能就來自於最基本的因果推論錯誤。而且這些錯誤，很多我們都不陌生。
這堂課並沒有聊到什麼大數據、如何收集數據、如何分析等方法，而是先讓我們建立最重要的基本觀念。
個人認為這對於剛進入數據分析的新手、或是未來有機會接觸到數據分析的人，非常有幫助。不要被數據誤導，就要避免走入數據決策的誤區。
課堂裡還有另一個很重要的觀念：想透過數據找答案之前，一定要先理解目的為何、並問出正確的問題。否則，毫無任何意義。
這點我超級認同，也覺得非常重要。
有時候我們看到誰誰誰做了什麼，就想跟進。像是看到別的公司導入CRM系統，業績成長好幾倍。就也覺得自己導入可以讓生意變好。但卻忘記去理解背後最根本的問題：為什麼要導入？導入目的是什麼？想獲得哪些數據？這些數據可以帶來什麼幫助？一定要導入系統才做得到嗎？
另外，若是要做數據預測，也要確保是否能帶來商業價值？對未來是否能造成改變？也是我們要謹記在心的。
1.釐清目的並問對問題
2.避免走入誤區
3.做出具有商業價值的預測
若要為這堂課做總結，我想就這三個觀念。
Reader Interactions