陳昇瑋先生的遺著，2019年出版的《人工智慧在台灣》中，第三章：人工智慧的誤解與迷思，把現在的普遍的問題，說得很清楚！多數人在大量商業資訊的影響下，已經忽略了。有關於數據分析的，在第123頁，迷思三，請看下圖的原文。有兩個關鍵：①忽略了非結構化資料②就是產出報表，讓主管解讀。
數據分析確實沒有那麼簡單！關鍵是，不簡單的工作，如果做到了，才是一種競爭力的提升。數據分析的目標，或說是商業價值，重點只有兩個字：「預測」。如果能做預測，很多商業活動不僅是可以節省成本，甚至創造更多收入與利潤。產出報表來解讀，最多只是完成了「描述型分析」！因為，各式各樣的報表所呈現的是「過去與現在的數據」，使用這些數據，或是報表，或是圖形，做出的分析，多半只是一種「推論」，準確度是令人質疑的。
不過，「描述型分析」(descriptive data analysis) 確實是「探索型分析」(exploratory data analysis)與「推論型分析」(inferential data analyses) 的基礎。也就是說，不斷地向上運作，才有可能做到「預測型分析」(predictive data analysis)。都知道人工智慧時代，很多時候需要利用數據建模型，模型的目的確實是推動「預測型分析」的準確！可是，你也知道只有模型是不夠的。更多的數據，包含上述的「非結構化資料」，才有機會讓模型不斷的優化與準確。就如同此次 (2024年10月) 的山陀兒颱風，我相信氣象的研究單位，一定收集了不少數據，藉此來學習這一次怪異的秋颱路徑，優化下次預測的準確性。
確實，數據分析其實也就是一次又一次的「從經驗中學習」(learn from experience) 的概念。這個概念，不是我說的，而是 Tom Mitchell 的定義，因為他們說：「機器藉由分析數據，從經驗中學習。」這其實就是你所知道的機器學習的概念。有數據、會分析、用工具，數據分析再也不簡單了，因為機器學習就是現在人工智慧的核心與基礎。
所以，從上述的文字，你可以知道：你要有數據，才有機會分析，分析需要利用工具。這一系列的工作，其實一點也不令人驚訝！因為，人類自十七世紀以來，針對各種研究都已經形成一套 scientific method (科學的方法)，分析也不例外。所以，我們說分析是一套流程，或說是一套方法。如果你有興趣，Enterprise Big Data Analyst 課程，就是你學習機器學習基礎的開始。利用數據產生價值，其實不是資訊專業的專屬 (陳昇瑋先生遺著中的迷思二)，任何行業都需要數據的價值，數據分析已經是你所需要的基礎能力，歡迎你來關注。