數據分析的力量：Google、Uber都在用的因果關係思考法

前言

處處講求資料分析的時代

隨著以大數據（Big Data）為代表的資訊科技持續發展，各種有關生活及商業的資料皆記錄保存下來，人們變得更容易取得大量資料。這種現象對我們的生活帶來什麼改變呢？

資訊傳播革命帶來的其中一個大變化就是，以往只有特定的專業人士必須具備資料分析能力，如今各行各業都開始要求這項能力。

舉民間企業為例。

業務部或行銷部經常能聽到這樣的對話：

「我想知道下一期該採用何種廣告策略才能提升業績，你可以幫我調查打過廣告的商品業績資料，分析廣告對業績的影響嗎？」

人事部也不時能聽到這樣的對話：

「我想知道該用什麼方法才能提升員工的工作效率。只要觀察員工的內勤工作時間、外勤工作時間及銷售成績等資料，就能明白勞動時間對銷售成績有何影響吧？」

其實，不只民間企業產生這種變化。在行政機關或學校這類非營利組織任職的人，接觸到的資料同樣比過去還多，而且更常需要分析資料，或是利用別人的資料分析結果。

舉例來說，自從日本導入事業分類（譯註：針對國家與地方政府的事業進行公開討論，判斷該事業是否有其必要、該由誰負責、預算有無浪費之手法）後，行政機關就經常進行這樣的討論：

「我們需要分析去年實施的補助金政策成效，並向財務省報告。領取補助金的企業資料應該都有蒐集起來。只要經過分析，就能得知補助金的成效吧？」

同樣的，學校之類的教育現場，近來也開始注重教學評鑑或教育成效評鑑，因此經常進行這樣的討論：

「為了得知之前使用的教材何者較具成效，我們就蒐集學生的理解程度資料進行分析吧？」

文科與理科都必須具備的分析力

從前大家都認為，資料分析屬於對數字敏感的理科專業領域。不過，在今後的時代，無論你從事理科或文科方面的工作、處於何種立場，都必須具備資料分析能力。

光看前面的例子就知道，運用資料分析的人不只技術員及科學家而已。文科人今後也會越來越常遇到必須分析資料的狀況。

此外，如同前述，在職場上即便你不是負責分析資料的那個人，依據「某人的資料分析」做出重要決策的機會同樣越來越多。因此，就算你不是分析負責人，一樣需要鑑別資料分析結果的能力「以免被某人的資料分析欺騙」。

大數據時代下不可或缺的分析力

儘管社會出現這樣的變化，仍有許多人不熟悉「資料分析」這個概念。日本的小學至高中都有數理科目，但我們的學校教育卻鮮少教導「資料分析」之概念。

近年來出現一種論調，認為大數據提供許多資料，可解決一切問題。其實，人的判斷對資料的處理、分析、解釋具有非常重要的作用，這點從本書的內容就能窺知一二。

最近商業界――特別是IT業――越來越重視分析力（Analytics），並且認為光有大數據依舊很難進行實務改善，剖析大數據使之可用於商場決策才重要。

尤其在本書聚焦的「釐清因果關係」這點上，就算增加資料量也無法根本解決問題，因此我們必須具備解析資料的能力。

資料分析的原則與壽司師傅的工作有共通之處

資料分析的重要原則，與壽司師傅的工作有共通之處。據說要做出好吃的壽司，至少必須注意3個重點。

第1個重點是，採購優質食材。第2個重點是，具備能發揮食材美味的刀工。即便有了優質食材，如果料理者缺乏技能，不知道該從哪個角度切下食材，品嘗時就吃不出食材的美味。第3個重點則是，能否提供眼前顧客所要求的味道或餐點。

題外話，筆者目前住在美國，當地雖然找得到選用優質食材的壽司店，但要找到「刀工好到能發揮食材美味的師傅」，或是「餐點符合日本人口味的師傅」就不容易了。

資料分析也可說是一樣的情況。

在資訊傳播革命的影響下，大多數的人都能更容易取得好資料（食材）。這是一件很棒的事。可是，如果沒學習思考方法，或缺乏「該從何種角度剖析資料」之判斷力，分析時就無法發揮好不容易取得的資料之價值。

此外，就算完美地分析資料，假如分析結果無法回答待解決的課題，便會面臨「分析結果明明很精彩，卻完全派不上用場」這種本末倒置的情況。

那麼具體而言，分析資料時，需要哪些觀念與技能呢？

如果能有一本專門解說這方面新知的入門書，應該能幫助許多人吧？這就是筆者撰寫本書的動機。

在經商與施策的各種場面上，釐清因果關係是決定成敗的關鍵

本書為資料分析入門書，聚焦於「廣告對業績有影響嗎？」、「實施某政策真能對社會帶來良好影響嗎？」這類因果關係的探究方法。為什麼要聚焦於因果關係呢？這是因為，在有關生意或政策的各種場面上，釐清因果關係對實務家而言非常重要。

舉例來說，前美國總統歐巴馬（Barack Obama）2012年競選總統時，就是因為確切釐清競選廣告策略的因果關係，才能再募到約6000萬美元（72億日圓）的政治獻金。IT企業Google則分析網站文字顏色與瀏覽人數的因果關係，藉此提升利潤。計程車業的生力軍Uber，也是藉由釐清價格與消費者行為的因果關係，找出可平衡司機人數與使用者人數的方法。

近來許多企業都懂得利用因果關係分析，找出最佳的商業策略，這種情況逐漸成為常態。

除此之外，認真分析因果關係，也可發現立意良善的政策反而造成意料之外的結果，抑或原本以為沒什麼效果的政策其實產生不小的成效。

舉例來說，日本政府為改善汽車燃油效率而實施的環保政策，其實反而促使汽車重量增加。美國政府為刺激景氣而實施的環保車政策，其實只是撒錢政策，無助於刺激景氣。另外，對青少年實施的犯罪預防教育，不但抑制犯罪的成效超乎預期，更令人意外的是，這對學業也有良好影響。

以上這些有關生意或政策的具體事例，只是本書介紹的資料分析運用事例的一部分。只要閱讀本書，便可透過各種有關生意或政策的具體事例，了解因果關係分析為何重要、為什麼不易分析，以及有什麼解決方法。

本書的目的與結構

本書不使用數學表達式，而是運用具體事例及視覺化的描寫，解說資料分析概念中最基本的「釐清因果關係的方法」。

當然，要成為資料分析專家，必須具備靈活運用深入的統計學知識與統計軟體的能力。不過，從事資料分析的實務工作與教育工作的筆者認為，學習入門知識，亦即「分析眼前的資料時必須注意什麼」時，不透過數學表達式理解，而是採「直覺式學習」也很重要。

因此，希望「學了統計學或計量經濟學，卻無法喜歡上這門學問」的人，也可以將本書當成課外讀物來閱讀。不如說，筆者撰寫本書的目的，就是希望你在看完之後，能夠覺得「原來資料分析這麼有趣呀。既然可以做到這些事，我就再多學一點更深入的知識吧」。

第1章要解說的是，從資料導出因果關係為什麼並不容易。前面所舉的業務部與行銷部的例子、人事部的例子、行政機關的例子與學校的例子，四者的共同點是：資料分析的最終目的，大多為釐清「某個行為（X）對結果（Y）造成何種影響？」之因果關係。

以行銷的例子來說，問題就是「廣告（X）對業績（Y）造成何種影響？」；以學校的例子來說，問題就是「教材（X）對學生的理解程度（Y）造成何種影響？」。第1章將針對「為何這個乍看之下十分簡單的問題，難以透過資料分析得到答案」，進行直覺式的解說。

第2章介紹的是，可百分之百解決「難以導出因果關係」之問題的最佳方法。在醫學與經濟學等學術領域，這個方法稱為RCT（Randomized Controlled Trial，隨機對照試驗），在商業領域則稱為A／B測試。這在醫學領域是運用已久、很常見的手法，但在經濟學與商業領域則是直到最近才常被使用，可說是最新的手法。這個章節同樣採直覺式說明，不使用數學表達式。

倘若每次都能運用最佳方法RCT當然是最理想的，只可惜因為某些緣故，能夠運用RCT的機會很有限。

假如不能使用RCT，我們該如何導出因果關係、解決問題呢？

近年來，經濟學領域十分盛行這項研究。「自然實驗（Natural Experiment）」便是其中一種「善加利用猶如做過實驗的狀況」，可運用在各種場合上的手法。第3章至第5章便是解說，當我們無法使用RCT時，可以改用何種「自然實驗法」。

第3章介紹的方法是RD設計（Regression Discontinuity Design，不連續迴歸設計）。

這是一種只要善加利用世上的「界線」，即使無人進行實驗，依然能製造出「猶如做過實驗的狀態」之方法。這裡說的界線十分廣義，像地理上的界線、企業調整定價的分界點、可領政府補助金的年齡……等等，全都包含在內。因此，能夠運用這個方法分析資料的機會比想像中多。

第4章介紹的是，最近在經濟學研究的推廣下開始運用的手法「堆集分析（Bunching Analysis）」。

報酬或支款大多呈「階梯狀變化」，例如採累進稅率的所得稅、薪資結構、政府設置的規定值之變動、企業制定價格的方式……等等。只要善加利用這類階梯狀變化，同樣能製造出「猶如做過實驗的狀態」。

第5章介紹的是「縱橫資料分析（Panel Data Method）」，這種手法用於可取得數個期間的資料之情況。

我們的身邊有許多可每月或每年蒐集的資料，例如廣告支出、業績、職員的勞動時間、學生的成績……等等。此外，我們不只能蒐集個人或單一企業的這類資料，也能蒐集數人或數家企業的資料。第5章即是解說，如何利用「數個期間、數個對象的資料」分析因果關係。

那麼，實際在企業或公共機構任職的實務家，該如何將第2章至第5章介紹的資料分析手法，應用在實務決策上呢？

第6章即介紹許多國外的具體事例，並探討如何將資料分析，應用在商業策略或政策制定上。

本書畢竟是入門書，前6章省略了適合高階者閱讀的內容。本書介紹的方法論都是學術上最新的方法，在實務上也非常有用。不過，任何方法論都有弱點或缺點，了解這些弱點與缺點十分重要。因此，筆者將第7章訂為進階篇，解說資料分析的不完全性與極限。

假如第2章至第5章介紹的方法全都無法使用，我們該如何分析資料呢？目前經濟學領域仍持續研發，可用於這種狀況的分析手法（工具變數法、匹配法、合成對照群法、離散選擇法、結構估計法等）。可惜，這些手法必須借助數學表達式才能解釋清楚，本書就省略不談了。不過，筆者會在第8章介紹推薦書籍給想進一步學習的人。

本書是以2014年10月，筆者於波士頓日籍研究者交流會上演講的資料為基礎，添加筆者在芝加哥大學任職時的授課內容與研究內容而成。內容以方法論及具體應用事例為主，針對一般民眾解說「經濟學的實證分析」領域的其中一部分。說到經濟學，大多數的人應該會想到「利用數學表達式進行理論式分析的經濟理論」。不過近年來，經濟學領域除了研究經濟理論外，也很盛行研究「經濟學的實證分析」，也就是「使用資料，分析理論預測是否真在現實社會中發生」。如果你在看完本書介紹的資料分析具體事例後，能夠覺得「原來經濟學與經濟理論結合資料分析後這麼有意思」，筆者會很開心的。
 

2016年秋季寫於芝加哥
伊藤公一朗