搜尋結果
2024年5月17日 · 寫報告或做簡報時，蒐集了一大堆資料後，還要花很多時間閱讀消化。現在只要運用AI工具，就能從重點摘要、翻譯到擬定架構，通通快速完成。你只要根據主題下指令，判讀AI彙整出的資料，就能輕鬆完成產出。 指定主題請Claude做摘要，數萬字檔案也秒 ...
2021年9月13日 · 觀念一：數據分析不只是提出預測，能幫助下對決策才有價值. 「比起關注 data science（資料科學），經理人更該思考如何借助數據做好 decision science（決策科學）」管其毅解釋，資料科學主要能分成 3 個階段： 首先是描述型分析，也就是透過累積、蒐集來的數據，了解已經發生的事，像產品銷售狀況、現有顧客樣貌等。 再來是診斷，釐清現狀有哪些問題、哪些地方應該做更好。 最後則透過機器學習、演算法，針對問題，提出預測及未來應採取的行動。 資料科學的 3 階段. 但即便是預測階段，都還是只停在資訊洞察的階段，沒有對公司產生實質助益。 管其毅指出，資料科學真正價值應在預測後的最後一哩路，下決策。
- 大數據迷思 1：大數據很大
- 大數據迷思 2：你必須立刻採用
- 大數據迷思 3：數據愈精細愈好
- 大數據迷思 4：大數據是好數據
- 大數據迷思 5：大數據意味著「分析師」將變得異常重要
- 大數據迷思 6：大數據能夠給你具體的答案
- 大數據迷思 7：大數據是一顆「神奇 8 號球」
- 大數據迷思 8：大數據可以建立自學的演算法
大數據一點都不「大」（big），而是很多元（diverse）。「大」頗有誤導之嫌。 我們所談論的其實是各式各樣來源的大量「數據點」（data point；一個資料集裡的一個可供辨識的要素，泛指一則資訊或一項事實），即時地、高頻率地在更新。它的性質非常細碎，可能是個人的交易數據：像是某張信用卡在某個加油站，被用來支付特定一筆油錢。 換言之，大數據實際上是巨量、海量的非常細小的數據。它不是一批有如土石流般傾瀉而下的數據；而是一場沙塵暴。在沙漠裡，陣陣強風所掀起的無數砂粒，可能會讓你眼盲、讓你失去方向感。 有鑑於此，想要在沙塵暴中看清楚，我們還需要破除哪些迷思？
生命中，大多數重要且有價值的事物，都是困難的，大數據的分析也不例外。想要解決這個難題，只能一小步一小步來，並且從非常清楚具體的目標著手。 在你動手囤積數據之前，請謹慎地思考你到底想要拿這些資訊做什麼？
數據愈是即時、愈精細，總是愈好？不，一點也不。一場足球賽只看前四分之一，並無法預測整場比賽的結果。即時取得的資訊很可能因為為時尚早，而無法據以採取行動。有時候，你必須把時間拉長、把鏡頭拉得更遠，才能看得見全景，掌握事物的全貌。 大數據裡充斥著大量的雜訊（white noise）。隨著解析度愈高，好比說每分鐘而非每星期的數據，或是一個城鎮的規模而非一個州的數據，噪音占整體訊號的比例就會增加。 不要混淆了精準度（precision）和正確性（accuracy），兩者的差異有必要被釐清。大數據如果是在原始、四散的形式時，是有可能會誤導人心的；它需要集結到一個適當的程度，才能排除掉雜訊。
「大量的數據」和「大量的好數據」是有差別的。 劣質數據裡有很多錯誤、很多遺漏的數據，是會造成誤解的。照片和影片可能會被標記錯誤，而青少年所寫的亂無章法的訊息，難道就足以反映出正面或負面的情緒？有時候，我們需要一個聰明的模型來釐清這一切。 為了正確解讀資料的意義，你必須丟棄某些資料。想要正確分析大數據，首要任務之一就是：你必須釐清，你打算將什麼樣的資料納入你的分析中，又必須丟棄哪些資料。
經常有人說，大數據將會帶來分析師（analyst）這項職業的興起，他們將成為「資訊時代的新寵兒」。不過，這種主張「資料分析團隊」（analytics team）即將崛起的說法，其實是被過度誇大了，因為資料增生速度的大幅提升意味著，人們現在根本就沒有時間去「向分析團隊做簡報」。 我們需要的是擁有更快速的工具，能夠因應數據新增的速度、數量和精細度。 理想狀況下，一小群專精的分析師，懂得善用科技的力量，讓企業或行銷人員能夠自行完成更多的資料分析、情境模擬和決策輔助。我們預估，資料分析部門（Analytics Department）將會消失，自助服務（self-service）將日益普及。資料科學家（Data Scientist）占據優勢地位的時代不會永久存在，因為數據實在是太多了！
模稜兩可是大數據的主要特色。多重的數據來源（例如，交易、潛在顧客開發和媒體）可能會引導你偏離了證據所指的方向。不同的數據，如果未能正確地分析，確實可能會得出相互衝突的證據。你要選擇相信哪些數據？ 你擁有的數據愈多，你就愈有可能遇到有待解析的矛盾和模糊。大數據沒有那麼萬能、強大；事實上恰恰相反。更多的數據可以給你更多的證據，卻不會讓你更貼近真相，除非你能夠靈活運用有經驗的人腦判斷，去調和這些相互衝突的證據。 資料分析學的未來就是：結合、權衡和判斷多重的資訊來源和不同的分析。
（編按：神奇 8 號球指的是 Magic 8-Ball 這款玩具，外型就像撞球台上的 8 號球，使用者可以提出問題，搖晃球體後，會浮現出答案。可以用來占卜、尋求建議。） 嗯，這麼說也沒錯，但是你必須用非常正確的方式來問問題。這有點像是當一個精靈給了你 3 個願望，你得非常謹慎地措詞。 在應用資料分析學的時候，如果不夠精準或是事先沒有形成細緻的假設，反而會讓你誤入歧途，並且給出一個不正確的答案。手上握著「大數據」這個水晶球時，你要非常小心地發問。
從行銷的觀點來看，參照「無架構、未管理的數據」（rogue data）所得出的錯誤推論，點出了自動化模型的局限：例如，從直接回應電視廣告（direct response TV ad；在廣告中直接號召觀眾撥打電話、傳真或寫信，以獲得產品樣本、目錄或直接購物）來預估客服中心的來電話量，結果勢必會產生誤差。 同理，從美式足球超級杯（Super Bowl）賽事周末所取得的「無架構數據」，也很有可能會扭曲一套自動更新的演算法。 演算法如果以正確的方式加以設定，確實可以發揮強大的功能，但是這其中總是需要人腦的介入。行動電話業者已經做出了良好的示範，將非行銷數據（non-marketing data）用於行銷用途：他們知道你的朋友有哪些人；他們可以猜測你的年紀；他們知道你出沒在城鎮的哪些地帶；他們知道你瀏...
2021年5月3日 · 2021-05-03. 張維元. shutterstock. 資料科學家、分析師、工程師差在哪？ 一文搞懂你的資料團隊需要哪些人. 經理人熱門 八分生活熱門. 分享. 收藏. 要完成一個好的資料專案，靠的不能只是一個厲害的強者，需要的是一支合作無間的資料團隊。 資料思維是一種跨領域宏觀視野下的資料應用。 我們可以觀察近期幾個市場熱門的議題來，都不乏大數據應用的身影。 其中， 跨領域的整合也是另一個重要的應用關鍵。 無論資料的多寡，資料專案都是建基在資訊、統計、視覺化等不同的領域專業上面。 不過現實層面上來說，很難有人可以同時具備那麼多能力，因此在資料專案中更需要團隊合作。
2008年11月19日 · 釐清目的，得出執行方式. 在《創新者的思考》裡，大前研一也提到「要分清楚目的跟手段」。. 以冷氣為例，研發冷氣機是手段，提供消費者涼爽舒適的環境則是目的。. 他認為事情背後一定有目的存在，鼓勵大家藉追根究柢、釐清目的，進而得出執行方法 ...
2022年3月21日 · 其實現在有愈來愈多工具讓使用者透過非程式化的方式，完成資料清洗甚至建構自動化流程，像 Tableau Prep 就能透過圖形化介面建構自動化數據清洗任務，並能處理千萬筆的資料量。 延伸閱讀： 近年竄紅的 Tableau 是？ 5 亮點，一鍵匯出專業、動態的數據分析圖表. 近期很流行 No Code 工具，讓非技術專才人員也可自行進行資料清洗任務。
2018年3月22日 · 善用 5 種圖表，看出統計資料背後的祕密. 假設公司決定要裁員，你拿到 John 跟 Mary 這 6 個月以來的業績數據，你會決定留下誰？. 以萬元為單位。. 如果你簡單的加總兩人的業績總額，會發現 John 為公司帶進 395 萬元，而 Mary 只帶進 215 萬。. 看起來 ...
