筆者 Sobi 任職知名外商，摸過各式各樣大資料小數據，喜歡聽故事，也喜歡說故事，《程式猿吃香蕉🍌》客座專欄作家
第一篇 Data 📊 關於資料科學 … 我想說的是(上)，我對資料科學的定義就是解決量化問題的學門，接下來我們就來看看，實務上，資料科學都被賦予如何的期待，解決了什麼樣的實際問題呢？那麼，就透過以下的經典案例（本人親身經歷，業界大蒐奇），來分析一下各種常見的狀況吧！
如果你只想知道答案，這裡提供了教科書解法和善解人意（揣摩上意）的參考解法。不過我更想跟大家分享的是關於資料科學實際應用的心路歷程（也就是拆解題目的要領），提供給想入行，剛入行以及正在路上的熱血青年們參考。
或許，你們會覺得疑惑：「咦？不是說了嗎？資料科學就是解決量化問題的學門？還需要聽你分享心路歷程，有沒有這麼峰迴路轉？都已經被定義成科學問題了耶！！！」當初我也這麼以為，但是理論應用在真實世界總是有一大段路要走，資料科學家的工作可沒那麼簡單！在真正開始解決問題之前，最重要的第一步其實是：
面對提出問題的人，解讀問題背後的焦慮和疑惑，轉化成資料科學可解決的範圍。
這句話不大好懂嗎？容我用個簡單的例子來解釋給大家聽：
▍資料科學小故事：老闆的焦慮？
⊙ 場景：許願池會議
👩💼 專案經理：
「產品發布一年多了，新增了很多功能，非常感謝各位工程弟兄們相當給力，我們可以從Google Analytic報表上看到這些功能有不少人愛看愛點，使用狀況都相當不錯，但是但是但是吼...，太多用戶都來逛逛就走了，或是點了又不繼續往下看，留不住啊！用戶留存率可以再更高一些吧？不過因為工程資源有限，想說吼（眼光飄向資料分析師）是不是可以從使用者觀看紀錄的大數據中找到一些線索，跟老闆說明一下，哪些新功能讓使用者在我們的站上逛更久？這樣老闆才願意買單投更多資源嘛！」
👩💻資料分析師（正是在下）（清清喉嚨）：
「所以是想知道使用過什麼功能的用戶比較願意留下來嗎？」
👩💼專案經理（點頭如搗蒜）：
「對對對對...單一功能的成效，報表上都有數據追蹤啦，有些功能很好，有些功能看起來有人用，但是好像整體上的感覺講不出個所以然，就是有沒有什麼大數據啊報表啊還是AI啊？可以佐證我們做得很好，像是......什麼分析可以開出一朵花之類的」
🐧🐧🐧•••••••••（現場一片安靜，大家面面相覷……「到底是要證明什麼好？」「整體什麼感覺啦？」「開出什麼花？」）
👩💻資料分析師（帥氣自信）：
「我想就用用相關性檢定，找出各種功能之間的高度相關因子，再來使用決策樹算出用戶留下的機率….」
👩💼專案經理（直接打斷我的話）：
「好！就這麼幹！」
經過資料分析師的巧手一番，把專案經理的疑問轉化成量化可解決的問題之後呢，正式進入解題流程！
這一輪流程搞定了！準備跟老闆報告啦!
⊙ 場景： 報告當天
👩💻 我（內心獨白）：「經過嚴謹定義和統計檢定，已經很明確的找出了用戶留存的必勝方程式，只要我正常發揮一向還不錯的口才，就等著驚艷全場，收下老闆的佩服吧！」
（拿出精心整理的簡報，口沫橫飛的報告完畢）
👨💼 老闆（點點頭）：「感謝分享，你對我們的新功能的分析很清楚，不過這在早在產品設計初期就已經預期會帶來更多用戶了！但我更想知道用戶為何不來耶？因為你剛剛分析的是：會留下來的用戶就只有5%，我們是不是更應該去關心那95%流失的用戶？而且，就數量上而言，95%的用戶數量不是更值得研究嗎？」
95%用戶離開，離開之後就沒有足跡資料，怎麼分析？
各位觀眾，你是否也傻眼了？資料科學只能用存在的歷史紀錄做預測模型，找出關聯。如果用戶沒來，就沒有資料啊！！面對沒有資料的問題，就像沒有土壤，怎麼能開出分析結果的花朵呢？當年的我站在台上傻愣愣的，回答什麼都忘記了，只記得那天的會議室冷氣好冷好冷，我的頭好熱好熱，背部好濕好濕，會議結束之後癱軟在座位上一直想著：不如歸去，轉行算命讀心術好了。「用戶為什麼不來，我怎麼會知道啊….」
這就是經典題型變化球之一：
老闆想知道的不是數據已經有的結論，而是沒有數據的部分，代表的是什麼意義！
當初腦子一片空白被釘在台上，直接被變化球三振的我，經過幾個老闆的磨練，悟出不僅不會被三振，還可以全壘打的道理！
▍數據全壘打的兩大心法
❶ 比較大法：定義問題的指標，也就是把問題變成「我們的狀況跟XX比起來差了多少」
❷ 聚焦在解答真正有用的問題上：在開始分析之前，要先定義我們想達到的目標，例如「找到對的目標客戶」或者「改善產品流程痛點」這些商業上常見應用，而不是各種指標都拿出來亂槍打鳥，太多雜訊反而誤事，去蕪存菁，聚焦於可以解決的問題，其他的什麼都不必說！
兩大心法要如何應用於實戰呢？以下，就拿一個經典變化球題目，來解給大家看吧！
▍經典變化球 — 老闆：「用戶為何不來？」
⊙ 教科書的解法
用戶沒有來，就不會留下任何紀錄，也沒資料，所以無從得知用戶為何不來，結案。
這是很直觀的反應。沒有資料就沒得玩。
但再多想一下！老闆疑惑的背後好像還可以延伸的題目，再佐以「比較大法」就可以讓這個原本沒入海裡的題目再度浮現輪廓囉！
⊙ 善解人意的作法
先把老闆的疑問拆成兩個：
1. 明明產品這麼好，用戶為什麼沒有按照想像中報到呢？
2. 如何改善優化他們才會來？
這題學校課本沒有教，乍看之下也想不出怎麼解決。難不成一個一個去問用戶嗎？當然不是！！要解這問題，先讓我們切換到人生的另一個場景：分手。
「啊？資料科學也跟感情生活有關？」我已經看到大家頭上充滿問號了。別著急，請容我慢慢道來。兩個人如膠似漆的時候，花前月下，一切都很美好，「對，我身邊的這位，就是最完美的。」喜歡，不需要理由。
但是到了分手關頭，很常見的場景就是一個人轉身就走，另一個人拼了命想要挽留；「你說，我哪裡不夠好？還是我們的相處不如你的想像？讓我知道，我可以改啊～」
有沒有覺得很熟悉？老闆問的也是「為什麼我們不夠好？還是產品不符合使用者的期待？讓我知道，我可以改啊～」
雖然愛情總是叫人心中充滿疑惑，但資料科學可是來找答案的！你問不到女友為什麼變心，但是資料科學可以幫你找到產品哪裡可以改善！
分析這個問句，其中的好壞判斷，其實需要更明確的定義比較基準：
「不夠好」➡️ 跟什麼比不夠好？
「不如想像」➡️ 原本的想像是什麼？
▍重點來囉，就是要比較！
「人比人氣死人」，雖然說做人最好不要太愛比較，但是如果要解決問題，比較是進步最快的捷徑。就拿畢業論文來當例子，最後的實驗章節，絕對不能光說自己有多好就夠了，一定會拿很多他人做法跟自己提出的方法比較，以凸顯自己論點的優秀之處。如果真的做得比別人更好，當然就能贏來更多使用者的青睞啦。
好，接下來你會一定會問：那 ... 要跟什麼比呢？跟同業的競品相比嗎？這樣作看來直觀易懂，但是如此一來問題又會多一個：公司之間各種條件天差地遠，很難找到公平的比較方法。再者，要收集到競爭廠商詳細的量化數據幾乎是不可能的，所以連比較的基準都不會有。那，怎麼辦呢？
不如這樣，跟自己當初鎖定的目標比較吧！
而且這些內部數據取得容易許多，只要轉個身拜託資料工程師大大，一定都有！
那，要比什麼呢？
1. 比較：產品設計初期的目標受眾 (Target Audience) v.s. 實際用戶的差異
產品設計的時候會規劃目標受眾的人物誌 (Persona)，舉例來說就像是「我做的這個新功能是針對剛畢業的年輕上班族，男性居多，大約是 24 到 30 歲之間。」
這在資料分析的過程中很常用的技巧，拿出當時定義的目標受眾和現在用戶輪廓（年齡性別）相比，檢視兩者之間的差異，以上面的例子來說，如果預期新功能的是年輕男性上班族，結果產品上線之後，數據顯示愛用的其實是貴婦人，那，要怎辦？原本的行銷策略必定要大改，產品的設計跟營運上，也很容易白白讓真正願意花錢的使用者跑掉啊！
話說這狀況我還真的遇過，原本設計給18-30歲族群，結果來的都是小學生，這影響甚鉅，行銷策略上完全不同，營運上來說更是含金量大減啊！
除了比較理想與現實的差距之外，再往繼續往產品本身鑽下去，還可以比較的是產品內部的使用情形。
2. 檢視用戶旅程（User Journey）：比較產品每個階段的轉換狀況 Conversion funnel
產品設計的過程中會定義「用戶旅程」（User Journey），像是地圖導引用戶如何體驗。
使用者在購買產品或是瀏覽網頁的流程中，每個階段都可能放棄，例如網站回應太慢，或者是找不到下一步的按鈕，用起來不順暢，就走人啦。為了解決這樣的問題，資料分析在這個面向能幫忙的，就是透過檢視旅程每一階段的轉換率，得知使用者最喜歡走的路線是什麼？在哪一段流失率最嚴重？使用者在那裡最容易放棄？
透過比較不同路線，就更容易想像使用者離開的原因啦。
以電商網站為例，打開首頁/APP，本來期待用戶把網站當作型錄，一頁一頁翻過瀏覽各種促銷商品，或者是透過個人化推薦組合，讓人看了這個想買那個，所以就花上很多力氣重新設計版面，希望吸引更多人。結果分析結果一看，嗯？大家都用搜尋引擎來找到商品的？是不是首頁型錄不夠好？推薦模組太不誘人？還是使用者已經都是熟門熟路，都能找到自己要的東西，然後精準下單之後走人？
透過有意義的比較，找到優化方向
有了這些比較，便能順利推導下一步棋該怎麼走：到底我們要加強型錄頁的推薦模組？還是乾脆把資源都花在優化搜尋結果上？
原本以為用戶沒有來，就不會留下任何紀錄，也沒資料可玩，所以無從得知用戶為何不來，透過資料分析中的常見技巧：用戶輪廓比較 ＆ 用戶旅程轉換率，就像是原本在茫茫大海中找不到方向，突然發現遠處燈塔的亮光，這下不會迷航啦！。
老闆簡單一句話：為何不來？以為是直球對決，萬萬沒想到是難以接招的變化球。
▍比較！比較！比較！
透過比較心法，不論怎麼荒蕪荒誕的問題，我們也能在資料土壤上開出一朵花。
你以為這樣就夠了嗎？不！還有一招轉化大法必須分享啊！專門處理看似問題明確，但著實讓人摸不著頭緒的變化球啊！資料科學迷人之處在於解讀問題背後的意義和焦慮。所以下集我們要來分享
『心法二：轉化，聚焦在解答真正有用的問題』
資料科學小教室我們下次見！
若是喜歡我分享的內容，歡迎幫我按個拍手，可拍 50下，給我一點鼓勵，或是加入我的粉絲團《程式猿吃香蕉🍌》，一起分享軟體知識與心得！
