《數據、謊言與真相》導讀

作者：賽斯‧史蒂芬斯—大衛德維茲（Seth Stephens-Davidowitz）
譯者：陳琇玲
出版社：商周出版

「人們搜尋資訊，這種行為本身就是資訊」
「人們會把自己可能不會告訴任何人的事情，告訴這個大型搜尋引擎。」

是的，《數據、謊言與真相》即將為讀者揭示「大數據」的各種議題，包括如何運作，以及產生什麼重大發現，也談到其所受的限制——資料多數源自 Google 這座寶山。

■ 何謂數據科學？大數據？

其實，我們一直都透過大腦裡的大型關係資料庫，做各種分析、判斷：發現模式，預測一個變數如何影響另一個變數，這就是數據科學。

良好數據科學的方法論通常是直觀的，但結果往往違反直覺，原來這世界的運作跟我們所想像的截然不同。而透過大數據，讓我們挖掘更多、發現更多、理解更多。

作者在一開始就言明，不會對大數據做出一個精準定義。究竟多大才算大？這是一個籠統的概念，他寧可對大數據的特性採用涵蓋性更廣的看法（有四，稍後詳談）。

通讀本書，就我個人的體悟，大數據中的「大」是一種相對性，取決於研究者提問的格局。若只是殺雞一般的問題，小樣本抽樣就夠「大」了，根本不用祭出牛刀；提出正確的問題、採用正確的資料，才是最攸關的，未必總是需要大量數據。

現在，讓我們一起來看看大數據的四種獨特力量（特性）。

🔍 1. 提供新穎的資訊

重新想像什麼東西有資格當成數據，通常大數據的價值不在於本身的大小，而在於提供新類型的數據，也就是以往從未蒐集過的資訊。

⚠️ 跟蒐集更多數據無關，而跟蒐集正確（更好的）數據有關。

若你有看過《魔球》，相信不難理解非傳統新數據的超大價值。 書中舉另一個異曲同工的例子：成為賽馬明星的關鍵是什麼？傳統賽馬經紀人通常從一匹馬的血統和步態著手，然這位取得許多哈佛大學學位，後成立 EBQ 公司的馬匹狂熱份子傑夫．塞德（Jeff Seder）並不這麼想，他打算評量賽馬的各種屬性，並看看哪些屬性跟賽馬場上的表現有關。

賽德測量過馬匹的鼻孔大小、快縮肌體積，甚至連排泄物重量也不放過，多年來只是徒勞無功。後來總算是走運了，他決定測量馬的內臟大小，成效斐然。他發現心臟大小，尤其是左心室的大小，就是能否成為賽馬明星的關鍵預測因素。為此，成功幫客戶揪出「美國法老」這匹 30 年來首屈一指的三冠王。

拜數位化之賜，「什麼可以當成數據使用」有著更多可能性，像是書籍中的字詞、約會中的交談聲、畢業紀念冊中的照片⋯⋯一切都是數據！

🔍 2. 提供誠實的數據

先是以「社會期許偏誤」（social desirability bias ）破題，點出許多人在問卷調查問及令自己困窘的行為和想法時，都會說謊的現象。即使是匿名的網路問卷，人們還是希望保持自己的良好形象。

然某些線上來源，像是你搜尋什麼？瀏覽什麼？這類數位足跡的作用就像誠實豆沙包，吐露了人們真正的看法、感受和慾望。這是大數據的第二種力量，因為你有「以為沒人知道」誘因，就更願意說出真相。

⚠️ 不要相信人們告訴你什麼，要相信他們做了什麼。

人們可能聲稱自己很憤怒，對一些「垃圾新聞」加以譴責，但是人們還是會點擊。

題外話，關於這種「說一套做一套」的落差，剛好是我最近讀的另一本書《盲點》深入探討的主題；一方面我們很不擅長預測未來的自己，或是說在預測時和執行時的動機往往不一樣，再加上「道德褪色」的推波助瀾，終焉導致這種「言行不一」的矛盾。

🔍 3. 把焦點放在人口中的小子集 

大數據就像 RAW 檔。

當觀察數「夠大」時，就允許我們有意義地放大檢視數據集的細部。猶如為了將照片的一小部分放大後還能清楚查看，照片需要有很高的畫素，這是大數據的第三種威力。

看到這邊特有別感。在台灣，平常我們在新聞上看到的各種電訪民調，樣本數抓 1000 至 2000 人差不多就緊繃，若要考慮各年齡層的分佈，多半採用「每十歲（年）」作為級距。

而下列這個棒球研究的例子，卻是用「每一年（歲）」進行切割。要做到這樣，需要有數百萬次觀察，唯有大數據才能提供支持。

「把資料切成這麼細，是要做啥？」

大數據允許我們使用與問卷調查截然不同的設計，提出嶄新的問題。觀察中發現在 1962 年和 1978 年出生的這群人中，大都會隊非常受歡迎，那段時間究竟發生什麼事？原來，大都會隊分別於 1969 年和 1986 年贏得兩次世界大賽。於是引出了一項重要指標的檢視：

⚠️ 讓男性從小到大死忠支持某支棒球隊的最關鍵年紀，大概就發生在八歲那段時期。

這是「小數據」做不到的格局。

🔍 4. 進行許多因果關係的實驗 

在數位世界裡，要進行「隨機對照實驗」變得容易進行，整個世界就是一間實驗室。

隨機對照實驗，或稱之為「A／B測試」，就是隨機將人分成兩組，一個是要做某件事的實驗組，另一個是什麼也不必做的對照組。然後觀察每一組的回應，兩組在結果之間的差異性就是取得的因果關係。

在離線環境，像是最近吵得沸沸揚揚的疫苗第三期臨床試驗，動輒需要上萬人的實驗人數，得投入大量資源；但在線上，就是幾行程式碼的事情，既省錢又省時。

Google 和臉書每天都進行大量的 A／B測試。引用書中例子，在 2012 年 12 月，Google 更改廣告，在廣告右方添加一個由正方形包圍的向右箭頭。

說多怪就有多怪，它指向右方，但右方根本沒有東西。事實上，這個看似無意義的箭頭，卻在 A／B測試中勝出，這樣做會有更多人點擊，讓 Google 和他們的廣告客戶賺大錢。

⚠️ 就是因為我們不了解人性，所以測試才這麼有價值。

大數據以真正奏效的因果關係，取代直覺、猜測、普遍看法和虛假相關性。

■ 後記：表皮，果肉與纖維

在閱讀過程中，時而覺得這本書頗有《蘋果橘子經濟學》的氣質，行至結論，作者還真提到他寫這本書的最大原因，是受到 李維特（Steven D. Levitt）的啟發。

看似蘋果，切下去變成橘子，用來比喻「事情的本質跟表面往往不同」，也呼應本書提到的「結果往往違反直覺」。

我喜好《數據、謊言與真相》更勝《蘋果橘子經濟學》，更嚴謹的研究方法、更有組織的書寫脈絡、更貼近你我周遭的議題，佐以更細膩的資料探勘技術。

以前剖開表皮，見到橘子果肉就心滿意足。現在則是連纖維都不容錯過。

謝謝各位看到這邊，隨喜附上我的〔Facebook 專頁〕、〔Mastodon 專頁〕、〔讚賞公民 2.0〕以及〔圍爐〕連結，歡迎支持鼓勵 ❤️。

🌱 臉書 👉 https://www.facebook.com/penfarming。
🌱 象特市 👉 https://liker.social/@Penfarning。
🌱 筆耕不輟，定期灌溉 👉 https://liker.land/leo7283/civic。
🌱 紅泥小火爐 👉 https://matters.news/~penfarming。