今(11/27)來自不同領域的菁英們專注探究《大數據時代的管理攻略》應有的態度與思維。BIG DATA至今在各行各業都能應用上，從零售、顧問、航空、建築、金融到食品製造業等都有用武之地，還有許多重視資料價值的利益相關者，然而BIG DATA的迷思並不是多就是好，問題在於如果都是同一種資料的差異性不大，筆數多少反而不是問題，重點在於需要不同「多樣性資料」才能交叉分析，例如紐約收到311通報下水道經常堵塞的原因排放很多種，當中有些是家庭或是餐廳不正當排放，如何稽查2萬多家餐廳查出違規的大量排汙業者？試圖把「餐廳名單與下水道地理資料、與有處理購買排汙服務的業者」交叉去看，發現過濾後的違規名單比對高達95%，因此應先把小資料處理好再處理大資料才是正道。
CK(劉嘉凱)提到如從行銷角度來看，解構BIGDATA這幾個字(也是縮寫)，可以由顧客模型、智慧預測、微細的行為追蹤、跨裝置限制、歸因模型、即時性、可行動性釋之。但目前公司組織遇到的多半是處於物有不足(工具)、智有不明(專業領域知識)、數有不逮(數學統計)，要如何跨領域做資料分析，所以更需要使用資料科學方法帶來好的資料分析，以解決真實世界的問題，舉凡現在不管是醫療產業，還是智慧城市都有了更深入的應用。
資料思考掌握資料即是資產是經濟資源，對應到人資應該開出什麼職缺？才能幫助公司營運效率提升。例如Capital One從小公司開始勇於挑戰創新，一開始就嘗試計算出信用卡資料，應該針對不同顧客模型做差別定價跳脫傳統思維大翻身。從資料中萃取知識到建立資料分析思維，進一步塑造資料驅動的企業文化。
首先，可以觀察公司組織拿資料驅動做為決策類型，到底老闆想要解決的是一次性？還是經常性問題？例如預知美國颶風來臨前，多放一些事前準備物資，WELMART關心的不只是常見手電筒，而是利用BIG DATA跑出「啤酒和草莓餅乾」當作真正存糧因應。資料分析的目標不僅僅是從BI商業智慧知道發生了什麼狀況之外，還要能輔助進一步未來能做出什麼決策，因此資料科學的角度來看，需要一個清楚全觀的PM來確認背後動機、該問對什麼問題，再把資料處理流程中從工程師到分析師對應不同技巧的需求，來幫助公司做決策的技巧，包含和團隊中的溝通及專業知識，從「DSP學習地圖」了解每一種角色類別(專業經理人、工程師、分析師、設計師等)該如何入門下手，循序漸進的脈絡幫助你或是公司的資料達到成熟度，包含每個階段的需求不同，關心如何取得資料→描述資料→探索資料→預測→行動建議。
這是資訊爆炸的時代，也是注意力缺乏的時代，如何讓你的公司向REAL-TIME MARKETING終極目標前進，尤其現在是社交網路和手持裝置與帶動BIG DATA的興起，讓FUNNEL到CUSTOMER JOURNEY的每個階段都在產生許多資料，如何從顧客一進門開始就開始計算他的背景，並能合理預測推薦，當中眾多行為其實是跨地理疆界，看看國外競選的方式知曉釐清差異性後，漸漸拉出許多傳統無法計算到的境界，今天我們用眾多的個案來檢視他們背後的DATA-DRIVEN，讓學員紛紛學到對應的真正TA是誰，才能設計出對應的行銷方法。
Johnson(謝宗震)提到的資料分析心法，資料科學的方法從觀察現狀、問對問題→將問題轉成科學模型→進行分析計算→將結果導回「真實世界」的問題，在有限的時間下要如何分配學習資源呢？在2013年底試做一個關於當時新聞報導豪宅的小專案，先定義問題：如何「預測」頂級豪宅的市場價格？找出影響成交價的重要因子，及預測相似物件的市場價格，跑出結果和當時最後「實際」最後成交價相當接近，雖不中也不遠矣！
但資料也是有極限的，數據化的紀錄總是會喪失部分訊息，BIG DATA的議題中要關心哪些資料是重要的？以及資料蒐集的方法也許必須先釐清，重點不在大資料還是小資料，而是哪些變數因子是重要且有用性，不管是拿來找結果還是做預測，才能精準判斷好的行為驅動，例如1948年最具戲劇性的美國總統大選與民調結果失誤差很多，WHY？檢視背後操作方法，當中「隨機抽樣」是非常重要的。
Jerry(吳柏翰)帶來的「實際商業個案」讓所有學員聽得津津有味，即便到最後大家保持精神抖擻的專注聆聽著，到底是什麼魔法讓大家看的點頭如搗蒜呢？老闆總有想知道的績效問題，大家一起來挖掘資料金礦，包含透過三個不同產業特性找出「誰是高利潤(肥羊)客戶、誰會當叛逃客戶、到底是哪些商品該一起搭售」？除了經驗判斷外，我們手上握有資料集的時候，還需要更資料科學的作為，首先定義好老闆到底是想要知道或是解決什麼問題？例如目前各大電信業者很關心手機門號的客戶租約一旦快要到期，是否有可能分析出他是否會被其他業者吸引而跳槽？是否現有業者需要提出更好的方案當作誘因？
問對問題並找對真正影響營收或利潤的可能變數，並且要用正確的方法分析，Jerry用好幾種方法一步步帶著學員解析過程，最後大家還能清楚知道真正的結果與背後意義到底是怎麼被換算出來的，並破解傳統一次性結論的盲點，才不會產生見樹不見林或是見林不見樹的謬誤，則造成預估與實際誤差很大，只有用對好的方法才能讓大家縮短夢想與實際的差距，所以同時呼籲為什麼需要「資料科學團隊」，因為幫助的不只是個人資料思考的延伸，而是帶來企業以資料作為決策的輔助工具，讓你的公司組織運作起來更有效率！
今DSP智庫驅動和經理人月刊合作的課程很精采，課後仍有許多學員排隊等候與我們激盪不同的想法或想進一步學習其他進階內容，包含12/13 《R語言的探索之旅》也讓大家非常期待，不管學員們想要來課堂上課吸收新知，或是徵求企業內訓、企業諮詢的朋友們，如果有進一步需求，歡迎與我們service@dsp.im保持聯繫。
