第 1 章：數據決策的基礎

# 第 1 章：數據決策的基礎 ## 1.1 數據科學的核心概念 | 概念 | 定義 | 典型工具 | 產業應用 |------|------|----------|---------- | **數據** | 可量化、可測量的資訊，通常以結構化或非結構化形式存在 | SQL、NoSQL、Apache Hadoop | 金融風險管理、零售客戶洞察 | **模型** | 用於描述數據模式的數學或統計表達式 | 線性迴歸、決策樹、深度學習 | 信用評分、需求預測 | **演算法** | 一系列可執行的步驟，將輸入轉化為輸出 | K‑means、隨機森林、XGBoost | 圖像分類、自然語言處理 | **資料管道** | 數據從產生到分析的完整流程 | Airflow、Kafka、AWS Glue | 連續監控、實時決策 > **案例：** 某大型銀行採用 Spark 與 Hive 建立資料湖，將客戶交易、網路瀏覽、社群媒體數據整合，進而建立客戶風險評分模型，提升授信決策的精確度與回收率。 ## 1.2 三種決策風格 | 風格 | 主要特徵 | 典型決策者 | 適用情境 | 風險與機會 |------|----------|------------|----------|------------ | **直覺決策 (Intuitive)** | 依賴經驗、感性判斷 | 初創公司創辦人 | 快速迭代、產品開發 | 易受偏見影響，但可迅速行動 | **理性決策 (Rational)** | 系統分析、數據驅動 | 金融分析師、投資顧問 | 投資組合、風險評估 | 需要大量資料與模型，可能延誤 | **協同決策 (Collaborative)** | 團隊共識、交叉驗證 | 大型跨部門項目 | 複雜業務、長期規劃 | 需良好溝通，避免「團隊思維」失真 > **實務建議**：在日常工作中，結合三種風格的「混合決策」模式能有效平衡速度與準確度。舉例來說，初期可透過直覺決策快速篩選可行方案，再用理性分析驗證，最後與相關部門協同確定落地方案。 ## 1.3 資料驅動思維（Data‑Driven Mindset） 1. **問題定義**：先明確商業目標，再轉化為可度量的 KPI。<br>2. **數據探勘**：利用探索性資料分析（EDA）尋找模式、異常與關聯。<br>3. **模型驗證**：採用交叉驗證、A/B 測試等方法評估模型效能。<br>4. **部署與監控**：將模型落實於實際決策流程，並持續追蹤效果。<br>5. **迭代優化**：基於監控結果回饋，不斷調整模型與流程。 > **實例**：一家電商平台希望提升「商品推薦轉換率」。他們先定義 KPI 為「點擊率 × 購買率」，接著使用歷史交易數據建立協同過濾模型，並在 A/B 測試中將新模型與舊模型比較，最終將推薦系統更新至線上，監控效果並不斷調整權重參數。 ## 1.4 本章小結 - **數據科學** 是結合統計、電腦科學與領域知識，從原始資料中抽取洞察的學科。 - **三種決策風格**（直覺、理性、協同）各有優缺，實務上需靈活運用。 - **資料驅動思維** 強調循環迭代：定義、探勘、驗證、部署、優化。 > **下一步**：在第二章「數據採集與儲存」中，我們將探討如何設計符合業務需求的資料管道與儲存架構，為後續清洗、分析與模型建構奠定堅實基礎。