大數據時代下，統計學不再有優勢？

偶爾聽到有人說，在大數據時代下，母體幾乎等於樣本，因此傳統統計學不再具有優勢。事實上，大數據分析與抽樣，就好比「普查」和「小量樣本的抽取和檢視」。其中，因為「普查」是取得母體的實際分配，所以不需要用統計學的方法進行推斷估計；而「抽樣調查」則是利用抽樣理論獲取樣本，進而推論母體分配與特徵。所以，言下之意，似乎可以跳過統計學習，直接學習大數據比較快，但這樣真的對嗎？

面對這樣的質疑，我們提供一些想法供大家參考，如圖1所示：

1.統計學的範疇不僅僅只是抽樣：

統計學與大數據分析都會用到資料蒐集、分析建模（例如迴歸分析）、資料呈現……等。而且，統計學裡的許多理論，是大數據分析的基礎。

另一方面，統計還有很重要的真偽辨別方式，學會型一和型二錯誤，它不但會告訴您錯誤發生在哪裡，而且還可以告訴您，犯錯的機率有多少？這對於企業管理者非常重要，因為可以讓企業在做決策時，有個比較好的進退依據。

2.大數據的資料與母體還是有些差距

就母體與樣本來說，大數據的全部資料未必代表所有的母體。舉例來說，在對選舉結果進行預測時，會在網路上進行表態的選民，並不能代表所有的選民，因為這些會主動表態的民眾，都是具有資訊能力的，而年長者、網路基礎建設不佳的，可能都受到忽略。此時，如果只利用大數據分析來蒐集網路輿情，進而進行預測，預測結果未必準確。

3.消費者的內心資料，透過大數據分析不易獲得

以網路輿情為例，消費者會在網路上呈現出自己的想法，但內心世界未必全部會被揭露。尤其當我們想深入了解一個人心中的想法時，如果沒有進一步深談，很難取得這類資料。

4.所欲進行的研究母體很小

有時候，企業所要進行的研究母體很小，或樣本數很少，沒有辦法或者沒有必要用到抽樣與大數據。

其實，大數據分析、抽樣、或是頻率推論、貝葉斯推論……等，都是不同的工具，也有其不同的適用情境。重點是我們會多少工具（技多不壓身），以及能否活用這些工具，來解決問題。

其實，我們可以將統計抽樣與大數據分析進行整合、對照、或驗證。例如，在進行預測分析時，一方面進行網路輿情大數據分析，二方面結合抽樣調查來進行預測上的輔助。亦或是在整合行銷研究與行銷資料科學時，將抽樣調查當作探索性研究的工具，並根據初步的發現，再進行大數據分析。

最後，大數據分析背後的理論基礎，與統計學息息相關，這也是為何許多在做大數據分析的人，都是統計背景。同時，許多非統計背景而想學大數據分析的人，最終也都要回來學習統計學的原因。

作者：羅凱揚（台科大企管系博士）、蘇宇暉（台科大管研所博士候選人）

繪圖者：謝瑜倩