厚數據，讓大數據發揮價值

「問題在那裏 」，卻找不出好的解決方法

執行一些專案，透過多元的視覺化工具，單看數據，就能看出過往的現況，點出問題點在哪，但卻無法進一步了解為什麼?然而，為什麼「為什麼」那麼重要，只有透過解析為什麼，從源頭改善，你才能做出更有價值的決策，然而，比較可惜是很多專案就只停在看到為什麼。

要解決問題，找出「為什麼」是關鍵

以我家小孩刷牙為例，透過每天的觀察紀錄，我知道我家小孩不愛刷牙(觀察到問題點)，一般人直覺的處理方式，可能覺得孩子就是愛拖延，所以一開始採用不斷的提醒的方式處理，發現並沒有提高小孩刷牙的頻率，放下脾氣，仔細推敲觀察孩子在刷牙過程中的抱怨與反應，這時我才發現孩子的口腔對於痛覺很敏感(一開始我忽略孩子的反應，認為痛覺只是孩子的一個藉口)，所以才不喜歡刷牙。 原來孩子為什麼不喜歡刷牙，不是拖延，而是因為刷牙這過程對他來說很痛。

知道卡住孩子刷牙的原因是痛覺敏感，就可以對症下藥，換一隻刷毛更軟的牙刷，降低刷牙的痛感，才能使小孩漸漸養成刷牙的好習慣，這比用app定時提醒刷牙更有用。 能成功讓孩子刷牙的關鍵，就是仔細推敲觀察與反覆驗證孩子在刷牙過程中的抱怨與反應，這些就是厚數據。 第一次實實在在地感受到，或許用任何感測器都無法得知孩子為口腔高敏感族群，然而僅透過貼身的觀察反而能找出卡住的問題點。

Nokia也曾吃過大數據的悶虧

2009年Nokia手機獨佔手機龍頭，收集大量的資料，沒有見到任何數據指出有人想買智慧型相機，而拒絕了科技人類學家透過田野調查長期追蹤的建言，

連中國最窮的人也想要買智慧型手機，且他們會不擇手段的拿到

拒絕的原因，僅因數據量太小(100組)與缺乏多樣性，Nokia 誤以為大數據所收集到的資料就是全部的資料，而沒想到大不代表全部，因為所發送問卷的前提是人們不知道智慧型手機是甚麼?所以你的數據當然不會反應。 所以當分析手中的資料嘗試所有的方法都一無所獲時，你應該反思:
* 1.現在手頭上的資料是否已經能描述了實際的情況?
* 2.有漏掉了什麼更關鍵的資料與指標?

透過田野調查式的實地訪查產生出的厚數據是找出「為什麼」的關鍵。

厚數據是什麼?

厚數據一詞是借用厚描述(Thick description,Clifford Geertz)的概念而來，主要應用在社會科學領域上，透過深入的實地觀察描寫人類社會行為，

厚數據用人類學定性研究法來闡述的數據，只在揭示情感、故事和意義。
~PL Data公司創始人王聖捷

大數據和厚數據本質上有很大的不同

厚數據與大數據兩者的差異點 [3]

大數據希望機器學習人類的智慧，但是有很多事情，機器是無法取代人類的，同理心與豐富的觀察力，然而厚數據就是透過實地觀察，把人主觀的描述給記錄下來，大數據專注在現況的確認而厚數據在找出為什麼的原因，剛剛好補足了大數據的不足，對症下藥，產生一個好的解決方案或決策。

透過這支影片，讓我很有感觸，

資料分析難的地方不是僅只於處理冷冰冰數據的技巧，還包含要開啟所有感官，用眼觀察，用耳朵接收很多反饋，且不能帶有任何主觀的刻板印象，有時太多的刻板印象會把自己陷入到某種偏見中，而忽略了真正重要的關鍵(如我認為痛覺只是孩子的一個藉口)。

大數據搭配厚數據， 才能發現引發這問題的關鍵，找到問題的最佳解決方案。

這影片提醒了…

資料分析思維要具有彈性

不要依據數據的大小而判斷數據的價值， 不要偏重量化數值而捨棄質化數值的重要性， 因為質化分析代表現況， 而現況需要時間的發酵才會在未來的數據上作呈現， 需要過一段時間的醞釀才會被人們發現， 因此質化分析有其洞燭機先之妙。 對於一個資料充滿好奇與喜愛觀察的我， 這影片讓我不斷反覆觀看與反思， 如有機會能往現地去探查，一定要好好把握這難得機會， 偶爾要從數據這個觔斗雲躍下，或許看的會更遠。

進階參考資料:
1.大數據離不開「厚數據」
2.Netflix用「厚數據」抓住觀眾眼球 自製電影擊敗好萊塢
3.The Illusion of Knowledge: Have We Confused Big Data for Thick Data?