不知不覺也進入到第19天了，雖然感覺內容偏流水帳(XD)，但看著自己每天慢慢累積起來的進度，其實還是蠻有成就感的，期望哪天技術更深時，也可以成為有能力幫助別人解答或是組團參加挑戰的人

今天想要來整理一下最一開始有提到過的 「資料故事時代」 這本書中，關於 分析常見偏誤 的部分。
我覺得這一部分對我的幫助還蠻大的，能讓我反思在過去的一些決定中，是否有過於偏頗之處，也希望藉由梳理，能夠讓我在未來面對決策時，有更深度層面的思考。

資料陷阱(資料偽造)

1. 資料切割: 當發現對資料的有趣見解時，就此停下動作(略過了視覺化或整理的步驟)，認為觀者應該也能從原始資料中獲取跟他一樣的想法。
2. 資料客串: 在這陷阱中，資料並非是主角，故事才是(或者更精確地說:是「他想呈現的結果」)。所以他們僅採取支持敘事的資料，而忽略了全局。
3. 資料裝飾: 在資料探索階段沒有太多見解而直接進行視覺化，太過著重在花俏的視覺化呈現，卻沒有深入的敘事內容。

在這邊，我就想到了以前在工作上，需要利用社群監測軟體來觀察過去團隊的經營成效，用以作為撰寫新一季企畫時的方向。當時其實可以很明顯地觀察到，以量化成效來看，其實整體(互動)沒有很大的成長；以質化成效來看，願意在留言處提供回饋的粉絲也不多。站在甲方的立場，他們的需求其實是有實際數字成果。
我認為當時我們的處理方式是有點落入了「資料客串」的陷阱，的確有提出數據，但卻是很勉強地從數據中找出那一點可以用來解釋的地方。

大腦偏誤

1. 驗證性偏誤: 只想尋找支持現有信念或觀點的資料，希望在這些數字中能夠找到支持你假設的證明。
2. 倖存者偏誤: 只關注成功或倖存的事物，卻忽略了失敗或消亡的事物。書中舉例:假設在分析新門市的位置，卻只關注業績最好的門市，忘了業績最差的門市。
3. 知識詛咒: 忘記你的目標對象可能不是那麼懂資料或資料領域的人，而用了不夠精簡扼要的方式向他們解釋。
4. 相關性謬誤: 把巧合的事件視為相關，而忘了兩個變數的相關數有可能僅是偶然(在實際驗證前)。
5. 德州神槍手謬誤: 賦予隨機的巧合重要的意義。書中舉例:處理大量資料時，將一小群異數賦予意義，將其他視為雜訊。
6. 草率歸納謬誤: 提出通泛的結論，卻沒有充分的資料證明其合理性。

我覺得以過去的經驗來說，我比較常犯的錯是驗證性偏誤以及草率歸納謬誤。人要完全沒有偏見/完全客觀，老實說是有點困難的，在處理資料時，我總會習慣想一些自己的假設，比如說在我的認知中最後跑出來的結果應該要是什麼，這時就會不知不覺落入這樣的陷阱。
草率歸納的部分，我至今還在嘗試克服他，過去工作上，我有時彙報時會使用「感覺上還不錯、感覺有進步」這種非常籠統(沒有意義)的詞彙來形容業績/社群經營成效，也常常很簡單的將某個項目的成長歸因於單一項目，雖然影響的層面很多、也可能沒有標準答案，但在聽過同事的回饋以後，讓我會想練習在表達前能夠有更全面/多面向的思考。

以上就是今天的分享與整理，希望自己以後能夠慢慢練習，避免落入這些謬誤或陷阱之中而不自知。
明天見!