閱讀筆記
延伸上一篇 《資料科學01｜理解「大數據」在商業上的應用，到底與我有什麼關聯 ？ 》中的思考，資料分析領域包含 5 個關鍵職務：
1.資料工程師與軟體工程師負責資料的清理、儲存和處理；
2.資料分析師將資料視覺化，供資料科學家分析；
3.資料科學家依據想要解決的商業命題建構模型，供決策參考；
4.領域專家則是熟悉領域專業知識，提供專業見解供資料科學家分析參考，扮演發展決策的橋梁。
其中，讓我感興趣的是，
資料科學家與領域專家，他們之間如何進行溝通決策？
與企業商業命題間又有什麼關聯？
Q1：什麼是「命題」？
分成兩階段
第一階段命題：區分辨別問題
針對問題的成因，做出區辨，描繪核心問題時所提出之關鍵性假設，
意即「對該問題之重點事項記述與關鍵觀點、以及對該問題形成因由之關鍵洞察」。
第二階段命題：針對問題提出解決方案
意即「能抑止問題成因、或為了解決該問題而提出之關鍵解題要點」。
Q2：命題的戰略層次又分成哪些？
就戰略層次來看，「命題」可分為三大層面：
最高層的是策略層次命題、中層的是營運層次命題、基礎層的是行銷層次命題。
策略層次命題
例如美國總統川普上任後所提出的「美國優先」主張，就是延續其競選主張；日本安倍晉三首相提出「安倍經濟」政策（安倍三箭：寬鬆貨幣政策、擴大財政支出、結構性經濟改革與成長策略）等。
營運層次命題
企業為了解決其生存問題、策略問題或營運問題，或是因應競爭或是成長策略而提出的命題，都可謂是企業級命題。
例如中華電信MOD等這些OTT業者，以往無法吸引大量使用者的問題，其中一個顯著原因便是收視習慣，後來某一家網路電視(IPTV)業者，他們所提的重設命題解題方案，除了與機上盒業者和電信業者合作，以策略結盟擴大滲透率以及調整價格收費之外，最重大的調整就是更改了顧客的使用介面，讓一個節目自成一個頻道，打出月繳199元的訂戶可收看400個頻道的體驗方案模式，像這樣以「重設命題」的革新，為自己提升競爭力。
行銷層次命題
就行銷程序而言，所謂的「命題」有兩類。
在行銷過程中會遇到兩個「設定正確的命題」的關卡：
「界定正確的問題命題」與「找出能夠解決問題的正確命題」這兩個部份。
Q3：商業命題與資料科學之間的關聯？
找出商業應用價值高的「目標命題」。
(資料科學家與領域專家溝通情境模擬，原文出處： 先有目標，再有資料)
商業命題：區分辨別問題
針對每位意見領袖的意見，去分析其影響力擴及的社群，
以及對這些社群的行為效益有何影響，進而作為該企業商業布局的參考。
資料科學：針對問題提出解決方案
接著，數據科學需要推演一套思考架構。
商務上，想要瞭解意見領袖影響社群的程度，重點會擺在「量化」每位意見領袖的影響範圍，並以此來決定該位領袖的影響層級，例如可能是「全國性」的意見領袖，或是「區域性」的意見領袖，當然，也可能是全球的代表性人物。
界定出他的影響層級後，就可以量化受其影響的社群人數，評估他的影響力範圍，建立最合適的模型以及演算方法，接著訓練模型後，再利用回饋機制即時驗證模型產出的結果，並在最短時間內不斷反覆驗證。
結論：先思考如何應用，再盤點現有數據
先有目標，再有資料這篇文章點出了一個很重要的觀點：
先思考如何應用，再盤點現有數據，
才不會因為數據應用範圍限制，窄化了商業應用價值高的目標命題。
確立了商業目標命題之後，再運用數據科學推演一套思考架構，
例如發想量化因素，加以驗證，並設定各因素之權重及互相影響的程度，
再來才是去建立最合適的模型及演算方法，並反覆驗證以獲得最準確的效果。
