Data 關於資料科學 … 我想說的是(中)
後設資料
一句話濃縮
資料科學 的難點不只在把問題量化，還在面對提問者時讀懂背後的焦慮與疑惑：當老闆問「用戶為何不來」這類沒有直接資料的問題時，資料人不能只說沒有資料，而要用比較基準把問題重新落地，例如比較設計初期 目標族群 與實際用戶輪廓、比較 顧客旅程地圖 / 行銷漏斗 中各路線與各階段的轉換率。
提取要點
- 中篇承接上篇定義：資料科學是解決量化問題的學門，但真實世界不會總是給出乾淨題目；更常見的是老闆、PM 或業務提出一個混著焦慮、期待與模糊願望的問題。
- 第一步是解讀問題背後的焦慮：資料人需要把提問者真正想知道的事轉成資料科學可解決的範圍，而不是急著套統計檢定或模型。
- 經典變化球：「用戶為何不來？」：如果用戶沒有來，就沒有直接足跡資料；資料科學只能用存在的歷史紀錄做預測或找關聯，不能對不存在的資料施法。
- 心法一：比較大法：把問題變成「我們的狀況跟某個基準比起來差多少」。比較基準不一定是競品，因為競品詳細量化資料難取得；更可行的是跟自己當初設定的目標比較。
- 比較 1：設計初期 TA vs 實際用戶：拿產品設計時定義的 目標族群 / 人物誌，和上線後實際用戶輪廓相比。如果預期是年輕上班族，實際來的是小學生或其他客群，產品策略、行銷策略與營運價值都要重估。
- 比較 2：User Journey / Conversion Funnel：用 顧客旅程地圖 與 行銷漏斗 看每個階段或路線的轉換率，判斷使用者最常走哪條路、在哪裡放棄、哪段最值得優化。
- 資料分析的價值在重構問題：面對「沒有資料」的表面困境，資料人可用內部資料、目標比較與轉換路徑比較，讓原本沉下去的問題重新浮出可分析輪廓。
- 下篇預告：作者將接續分享心法二「轉化」，也就是聚焦在真正有用的問題上。
提取概念
連結到此來源衍生 / 更新的 wiki 頁：
- 資料科學 — 補入「解讀問題背後焦慮」與比較大法
- 目標族群 — 補入設計初期 TA vs 實際用戶輪廓比較
- 顧客旅程地圖 — 補入以旅程路線 / 階段轉換率推測流失原因
- 行銷漏斗 — 補入 conversion funnel 作為資料科學問題重構工具
- 程式猿吃香蕉 — 補入 Sobi 資料科學系列第二篇
Ingest 筆記
2026-05-06
- 不新建「比較大法」頁：本篇有明確心法，但目前仍是 資料科學 專案解題流程中的一段。先整合進 資料科學；若下篇「轉化大法」與後續來源形成「資料科學解題心法」家族，再評估是否拆頁或建 meta-concept。
- 不新建 Sobi entity：Sobi 已連續兩篇成為來源作者，但目前內容仍集中在 程式猿吃香蕉 的同一系列。先在 publication entity 中累積作者軸；若出現非本系列個人觀點、訪談或其他 publication 來源，再建人物頁。
- 觀察清單同步：新增待 ingest 外部資源「程式猿吃香蕉 Data 關於資料科學 我想說的是(下)」，因本篇明確預告下集處理「轉化大法」。
原文（可選）
Ingest 時透過 Medium 頁面讀取，本文不保存完整原文；原始 URL 見 frontmatter。