大數據決策分析盲點大突破10講 ：我分類故我在

「大數據，大思維」這六個字是筆者在 2015 年受電視訪問時所強調的標題，當時會這麼講，是因為大數據過度強調資訊技術範疇，容易和企業進步所需要的成分格格不入。如果講大數據只是一個串流數據的科技設備，那麼大數據只是讓企業糾纏於資料庫規模與形式上的資料演算。一言以蔽之，所謂的大思維，就是數據時代下的解析型企業。解析型企業做的各類決策都跟數據解析有關，例如，行銷就變成 Analytical Marketing，風險管理就是 Analytical Risk Management。

數據解析就是以證據為基礎的決策行為，為什麼這件事重要？想像一下，如果你胸痛去看心臟科，醫生不實際檢查你的心臟，直接就裝三支支架；想像一下，你的醫生用直覺判斷某個藥物有用，不實際做生理檢驗，就直接開給你服用；想像一下，你會用大學成績單決定交往對象嗎？這樣的決策很恐怖的。我們應該蒐集資料，研究資訊進步，有更好的分析技術就應該學習，這就是改善決策的方法。

解析型企業最早由 Davenport2 提出類似的概念，後來 Lewis and Lee3(2015) 再以認知學習型企業 (Cognitive Enterprise) 擴充這個想法。數據解析能否對企業創造價值，原因就在於一個數據學習型的生態系沒有緊緊鏈接決策。我們可以和過去的「Metrics 量化」一詞比較來理解何謂「Analytics」：Metrics 是以指標 (例如，各種績效指標 Performance index)為基礎的量化系統，最具代表的就是把數字績效做成視覺化的雷達圖和儀表版；Analytics 則是以型態與關係 (Pattern and Correlation) 為基礎的類型辨識(Pattern Recognition)。以學生學習為例，教育上的 Metrics 量化的績效指標會用考試成績和出缺勤等數字，透過模型與演算法計算出好學生或壞學生的標準。Analytics則透過感測器 (sensor) 的數位記錄來瞭解學生學習模式，例如：教室參與和使用 e-learning 學習紀錄，利用投入狀況 (engagement inputs) 去測量一個學生努力學習過程 (process) 的曲線，而不是學習結果 (outcomes) 的曲線。若只是使用結果數據，可能會把一個正在努力向上的學 生退學了。實際案例可以看 Cathy O’Neil4 在其書上所抨擊的美國中學教師評鑑系統，將認真優秀教師解聘的案例。

所以，問題不是大數據，數據再大，但是方法論不改變，產出的結果並不會有什麼改善。資料科學協助企業的層面不只是用更多數據做量化，用大量數據從事 Metric 而不是 Anlaytics，就會造成 O’Neil 所謂的大災難。然而，我們也可以廣義的說：Analytics 是擴增維度的新量化 (Augmented NewMetrics)。

本書使用「解析型企業」一詞來說明與數據解析緊密結合的企業決策模式，是一個結合「機器智能」和「大腦智能」的解析型 (Analytical) 決策生態鏈，如圖 1。

沒預測，沒決策。數據解析產生預測 (Prediction)，基於預測衍生出可行的策略 (Strategies) 集合，然後做出決策 (Decision)，決策經過市場(Market) 檢驗而有績效，進而再回饋給資料分析。在這個物聯網導向的數據經濟時代，數據的紀錄蒐集和儲存都更容易，因此，每個人或多或少都要透過一定的數據來完成某些工作，例如：企業的行銷決策，要分析顧客行為和意見；個人購買特定商品時，要閱讀相關口碑數據；政黨提名候選人，也要做民調。過去是數字，現在是數位型態。

然而，雖然數據使用普及性增加，卻被幾種事物包裝出層層的進入障礙：第一就是被大數據包裝，將重點變成資料庫技術，數年下來，大數據三個字被炒作成比大小的工作，浮濫而且空洞；其次是被程式語言包裝，導致學習的重心變成寫程式的技術，甚至將問題炒作成哪個程式語言比較好，糾結於在 Python/R 或 Spark/Hadoop 上面學習演算法。數據科技帶來了演算法這些事務，如果只是把資料變大，認知學習能力的維度卻沒有變大，接下來會如何？也就是說，從少量數據都學習不到的價值，大數據只是讓它更遙不

可及。

事實上，整個數據事件與資料庫的大小無關，和決策事實有關。如果數據事件與企業決策制定無關，那就不是大數據解析；因為，如果和決策有關，數據會慢慢變大，意義也會愈來愈厚。所以，關鍵在於一個和決策深度連結的數據分與預測，資料庫不但會自己長大，更會面臨來自決策成功和失敗的結果，回頭修正預測，這就是所謂的認知學習 (Cognitive Learning)。現階段我們看到很多號稱機器學習 (Machine Learning) 架構，只有機器沒有學習。

「大數據，大思維」這六個字是筆者在 2015 年受電視訪問時所強調的標題，當時會這麼講，是因為大數據過度強調資訊技術範疇，容易和企業進步所需要的成分格格不入。如果講大數據只是一個串流數據的科技設備，那麼大數據只是讓企業糾纏於資料庫規模與形式上的資料演算。一言以蔽之，所謂的大思維，就是數據時代下的解析型企業。解析型企業做的各類決策都跟數據解析有關，例如，行銷就變成 Analytical Marketing，風險管理就是 Analytical Risk Management。

數據解析就是以證據為基礎的決策行為，為什麼這件事重要？想像一下，如果你胸痛去...

比爾蓋茲曾說「蒐集、管理和使用資料的方式，決定了輸贏！」科學家們則說「繼蒸汽，電力，石油之後，下一次工業革命的生產要素是 『 資料 』！」特別是人工智慧的發展，需要大量的數據，於是，資料科學就成為未來非常重要的一個領域。

如何把「資料」變成「資訊」，是資料科學的重大課題，過往台灣廠商在電腦硬體上表現的很好，生產的電腦及各種資訊終端，蒐集了大量的資料，也處理了大量的資料，但如果我們在如何運用資料上缺席了，在下一波的競逐中，就會愈來愈落後。

幸好台灣還有一些資料科學家，看到這樣的現象，不斷的寫文章，寫書，把畢生所學，毫無保留的介紹給大家，希望能夠結合更多的有識之士，讓台灣在硬體奇蹟之後，再創另一個高峰。

何宗武老師就是其中一位這樣的資料科學家。

何老師令人感佩之處在於，他長期在資料科學領域耕耘，明知道這是趨勢，但卻從來不趕流行，反而扎扎實實，一步一腳印的深耕於資料科學領域。他說，大數據不是口號，是思維，是內化為個人與企業決策的一部分，這些年來，他不斷的寫作出書，帶領著我們這些資料科學的門外漢，一步一步的走進這個新的殿堂。

在大數據，人工智慧等口號響徹雲霄之際，何老師大道至簡，從根柢說起，寫出了《我分類故我在》這本新書，在書裡，老師搭配R語言相關套件，從最基礎的平均數與變異數、時間序列、期望值與信賴區間和線性迴歸，由淺入深，一路介紹到集群分析、決策樹及隨機森林。就像是一本大數據乾坤大挪移的武功祕笈，陪著我們一層一層的修練，最終可以把數據化為決策。

這幾年來，我服務的公司嘉實資訊，從金融資訊供應商往交易決策平台的方向前進，我們試著透過程式語法，從龐雜的金融數據中，找到高機率不斷發生，且極可能瞬間即逝的交易機會。這當中，資料科學就像是習武之人必須不斷積累的內力，只有雄厚的內力，才能確保在尋找聖盃的道路上，不會走火入魔。

何老師的這本書，來的正是時候，可以讓有志於從事量化交易的朋友，帶著正確的觀念，處理金融相關的數據，很榮幸可以幫我這位優秀的學弟介紹這本書，一切，就從學會分類做起吧！

嘉實資訊總經理 李政霖 2018/07

比爾蓋茲曾說「蒐集、管理和使用資料的方式，決定了輸贏！」科學家們則說「繼蒸汽，電力，石油之後，下一次工業革命的生產要素是 『 資料 』！」特別是人工智慧的發展，需要大量的數據，於是，資料科學就成為未來非常重要的一個領域。

如何把「資料」變成「資訊」，是資料科學的重大課題，過往台灣廠商在電腦硬體上表現的很好，生產的電腦及各種資訊終端，蒐集了大量的資料，也處理了大量的資料，但如果我們在如何運用資料上缺席了，在下一波的競逐中，就會愈來愈落後。

幸好台灣還有一些資料科學家，看到這樣的現象，不斷的寫文章，寫書...

數位科技席捲世界帶來了大數據浪潮，但是，這三個字其實有一些誤導，讓一般人以為「大就是美」。其實在商管領域，就是以證據為基礎的決策分析。更精準地說，「大」不是指用4V來描述的資料庫特徵，而是因為數據科技(Data Technology)進步，對多樣資料的「大用」。

在物聯網技術突飛猛進之下，數據量不可否認的遠遠大於以前。目前平常分析的資料表動輒「萬列千行」，因此如何從這些資料結構中提取資訊，「統計學(Statistics)」和「資料探勘(Data Mining)」就是關鍵技術。然而，我們不是為了大數據而大數據，大數據乃至人工智慧，都是為了支援決策。簡單的說，數據解析產生「預測」，預測解讀產生「決策」。數據解析的原理也只有兩個原則「排序和分類」，所以一言以蔽之：「以排序來分類，從預測到決策」就是大數據解析的核心。據此，本書取名「我分類，故我在」。

妥善的分類就可以產生可靠的預測，但是，當資料結構複雜時，排序乃至分類就沒有那麼簡單，所以需要利用演算法來處理資料，本書就是依此而生。例如，由分類的角度學習統計：統計學的預測以樣本期望值或條件期望值為基準，據之將資料劃分信賴區間，分類成「內 vs. 外」兩群。重點將不再是參數估計的顯著程度，而是預測表現和誤差分析。

全書分成10講，為筆者以大數據為名行走江湖的結晶，書內某些部份為在台師大EMBA講授「大數據決策分析」的教材。每一講開頭皆以一個特定企業應用大數據的決策故事為開場，希望讀者能夠覺得不枯燥，同時也瞭解大數據的決策端，相當實戰且關鍵，沒有預測，都是紙上談兵。結尾都附上一個數據決策思考的方塊，從問對問題開始，到最後一哩路。

案例用R語言的GUI和程式碼實做，但是，程式語言不是重點，而是對所預測對象的行為，有深刻的認識，勿忘domain knowledge。

數位科技席捲世界帶來了大數據浪潮，但是，這三個字其實有一些誤導，讓一般人以為「大就是美」。其實在商管領域，就是以證據為基礎的決策分析。更精準地說，「大」不是指用4V來描述的資料庫特徵，而是因為數據科技(Data Technology)進步，對多樣資料的「大用」。

在物聯網技術突飛猛進之下，數據量不可否認的遠遠大於以前。目前平常分析的資料表動輒「萬列千行」，因此如何從這些資料結構中提取資訊，「統計學(Statistics)」和「資料探勘(Data Mining)」就是關鍵技術。然而，我們不是為了大數據而大數據，大數據乃至人工智慧，都是為了支...

第1講 淺談解析型企業
第1節 大數據是因為他會長大
第2節 資料解析的兩個大數據環境
第3節 演算法
第4節 數據解析之資訊概論
第5節 測量的哲學──自我學習之路
第6節 本書安排

第2講 掌握資料的統計性質--分布
第1節 資料分布的前兩階動差--平均數和變異數
第2節 描述資料中央趨勢的兩組方法
第3節 資料分布的另外兩個動差
第4節 提審大數據

第3講 時間序列的分類分析
　第1節 時間序列性質
　第2節 時間序列分析-- 低頻
　第3節 時間序列分析— 日高頻資料
　第4節 時間序列分類分析— 日內高頻資料
　第5節 提審大數據


第4講 線性模式的分類原理— 期望值與信賴區間
　第1節 簡易統計原理
　第2節 R Commander實作
　第3節 R程式碼實作
　第4節 提審大數據

第5講 二元模式的分類原理－Logistic迴歸
　第1節 簡易廣義線性模型
　第2節 R Commander的實作
　第3節 R程式的實作
　第4節 提審大數據

第6講 主成分的分類原理— 把資料變少了
　第1節 簡易原理
　第2節 R Commander的實作
　第3節 R程式的實作
　第4節 提審大數據

第7講 集群分析的分類原理
　第1節 集群分析的基本概念
　第2節 R Commander實作
　第3節 R程式的實作
　第4節 提審大數據

第8講 決策樹的分類原理
　第1節 分類決策樹原理
　第2節 用R GUI 實作
　第3節 R Code
　第4節 提審大數據

第9講 隨機森林
　第1節 原理
　第2節 R GUI實作
　第3節 R Code實作
　第4節 提審大數據

第10講 大數據行銷──購物籃分析

　第1節 關聯的分類原理簡介
　第2節 R GUI 實作
　第3節 R code
　第4節 提審大數據

附錄Ａ
　第1節 R 漫談和GUI簡介
　第2節 R Commander的裝置
　第3節 安裝與載入R commander

附錄Ｂ
附錄Ｃ
　第1節 資料檔讀取
　第2節 資料庫讀取
　第3節 資料表處理的函數

第1講 淺談解析型企業
第1節 大數據是因為他會長大
第2節 資料解析的兩個大數據環境
第3節 演算法
第4節 數據解析之資訊概論
第5節 測量的哲學──自我學習之路
第6節 本書安排

第2講 掌握資料的統計性質--分布
第1節 資料分布的前兩階動差--平均數和變異數
第2節 描述資料中央趨勢的兩組方法
第3節 資料分布的另外兩個動差
第4節 提審大數據

第3講 時間序列的分類分析
　第1節 時間序列性質
　第2節 時間序列分析-- 低頻
　第3節 時間序列分析— 日高頻資料
　第4節 時間序列分類分析— 日內高頻...