【愛傳媒鄭自隆專欄】
閉戶自肅，就是要讀書（9）
書名：大數據Big Data
作者：V. Mayer-Schonberger and K. Cukier
譯者：林俊宏
出版：遠見天下文化
年代：2013
何謂大數據
甚麼叫做「大數據」？問10個人，大概會有9個人說就是網路抓來的數據，如2018年的縣市長選舉，與2020年總統大選，有許多選戰分析針對社群媒體貼文統計，稱之「網路聲量」，就有很多人說這就是「大數據」，雖然是以管窺豹，不過也不算錯，畢竟只有網路才能產生巨量資料；但這不是大數據精神。
本書舉例龐雜，並不容易讀，可要耐心整理方能「淘金」，作者認為大數據理論是建立在3個基礎上…
1. 決策依據巨大的資料量；
2. 資料的蒐集，放棄對「精確」的堅持；
3. 無所謂「因果關係」。
這3個基礎都在挑戰傳統的社會科學調查，除非是國家的人口普查或工商普查，傳統的社會科學調查都是依據抽樣數據做為推論基礎，樣本數1067就是金鑰，我們常見的政黨或政治人物滿意度調查，或候選人支持度預測，就是以1067樣本的調查結果推論母體（全體國民或選民），稱為概化能力（generalization），即以1067人的態度推論1900萬選民的傾向，呈現抽樣（sampling）的功力。
其次，「精確」的資料的確是神話，傳統的社會科學調查，無論問卷如何設計，總有信度與效度問題，很難判斷答卷的受訪者有沒有說謊，問受訪者每月收入多少就是例子，即使誠實可能也答不出加班費與獎金；網路也是，網友留言千奇百怪、推陳出新，說「以新台幣『下架』義美豆漿」，這與「以選票『下架』○○○」，同樣『下架』，意義截然不同，正確語義分析有其難度。
更重要的，很多人都誤會大數據就是根據巨量的網路數據做單一變項分析，如聲量統計或消費者個體的消費行為分析；事實上大數據也是要做兩個變項的交叉，方能顯現功力，只不過大數據理論顛覆傳統社會科學調查的「因果關係」）causal relationship）推論，這也是大數據最重要的精神。
不理會「因果關係」
「大數據」是「沒有『理論』的理論」，或「不理『理論』的理論」，傳統社會科學研究，會先參酌文獻（理論），假設變項之間具有「因果相關」（建立假設），然後蒐集個案資料，再以適當統計方法證明或否證之；若經統計檢定呈現顯著的差異或關聯，接著就要進一步思考或用理論檢視此個案，到底只是「統計相關」，抑或真的有「因果相關」？其佐證模式如下 －
理論檢索（假設）→ 統計相關（分析）→ 因果相關（結論）
如「創新擴散理論」（Diffusion of Innovation）認為年齡不同，創新行為的採納也不同，某研究以此建立假設模型，再觀察民眾的串流平台使用行為，經抽樣調查發現，樣本年齡不同（「因」，也就是自變項），串流平台使用行為也有所不同（「果」，也就是應變項），統計檢驗呈現顯著差異，接著就要透過理論，推論其原因，這就是傳統社會科學調查方法，「好的研究從理論出發，最後再回到理論」。
但大數據理論顛覆這種思維，大數據可不管第一階段的由文獻所建構的因果相關假設，而是從浩瀚的數據中，沙裡淘金，先找出2變項的統計相關，然後再找出理由詮釋其關連，甚至不管前後因果的關係。
沙裡淘金（不做假設）→ 統計相關 → 因果相連（臆測推論）
換言之，傳統社會科學研究是先有Why，再找出What以證明之，而大數據理論是先有What，再探究之間Why的關連，也就說大數據研究並不執著2個變項的是否有理論上的因果關係，何者為因、何者為果，是A影響B，還是B影響A，若還有另一個變項C，三者關係何者是自變項、何者是應變項、何者又是中介變項或前導變項，大數據研究通通不用理會；大數據理論認為是「蛋先生雞」或「雞先生蛋」不重要，只要知道「蛋可以變雞」、「雞可以生蛋」就可以了。
這就是大數據理論高桿的地方，在一大堆數據中，將看似不相關的2個變項，經由統計相關，推論其關聯性的連結，如書中所舉的例子，經由長期購物資料的改變，推論婦女懷孕幾週；所以單一變項的網路聲量分析，只是小試的牛刀，並不是大數據理論的全部或菁華。
大數據是「樣本＝母體」，沒有抽樣問題，所有與研究目的可能有關的資料庫都可以是母體來源，所以是龐大二手資料所建構的巨量資料，而這二手資料庫未必是與研究直接有關，也未必是網路行為的資料庫，如何連結取用，就看研究者功力洞見，也因為「樣本＝母體」，所以沒有信心水準與抽樣誤差問題，大數據是「信心水準100%，抽樣誤差為0%」。
大數據的價值
作者認為大數據的價值是由資料、技術、思維等三方面提供貢獻的，資料通常來自網路平台，網友上網行為的蒐集就構成資料，技術來自分析工具或分析公司、資科工程師；資料、技術是工具面的意義，大數據最主要的價值是思維，來自思考問題、分析變項關係的人，也就是懂得「沙裡淘金」的研究者。
沒錯，大數據是沙裡淘金，同樣一盆沙，3位研究者，A可能淘出真金，B可能淘出愚人金，C可能怎麼看都是沙，那來的金；譬如說同樣的消費行為資料庫，有人可以找出不同政黨支持者的啤酒品牌選擇似乎有玄機，從而推論其社交網絡與媒體使用習慣與政黨支持度的關係，但也有人只會看到一堆個別數據；這也顯示，大數據研究的不可預測性，靠的是研究者智慧，一個問題可能多個答案，或是無答案，甚至是錯誤答案。
大數據不是萬靈丹，不會用，是「垃圾進、垃圾出」（garbage in, garbage out），GIGO還好，亂用更會形成嚴重的「誤判」，誤己誤人，所以運用大數據，不能只用所謂的網路高手，更重要的是相關領域的科學家，或社會、行銷學者。
2021年台灣covid-19疫苗施打就是一個很好的大數據研究題材，第一款A疫苗施打死亡率很高，後續的B疫苗就比較OK，搞得台灣人對A疫苗怕怕的，真的是A疫苗不如B或C疫苗嗎？還是第一批A疫苗施打的對象都是高齡長者，自然死亡率或許就比較高，換成B或C疫苗做第一批施打是不是也會同樣結果？疫苗與自然死亡率有何關係，這是大數據研究的題材，從大堆看似沒有關係的數據中，沙裡淘金，找出施打疫苗與死亡率的關聯，這才是高手應做的工作，至於app設計就交給資科系的同學就可以了。
工商服務時間：若要進一步瞭解傳統社會科學調查與大數據的差異，請參閱鄭自隆（2021）《數位整合行銷傳播》，台中：滄海。
作者為政治大學傳播學院兼任教授
●專欄文章，不代表i-Media 愛傳媒立場