Chapter 03 假設驅動研究與資料驅動研究
一、假設驅動研究與資料驅動研究
2019年4月9日，新聞媒體出現了一則報導「IBM AI預測員工離職機率：正確率 95%，年省9億台幣留才費！」，正如標題所描述的，IBM開發出一套系統，能精準地在員工離職之前，預測他（她）何時即將離職，這樣IBM就能提前出手，挽留員工或者完成人力調度。根據IBM的估算，這套預測系統每年為公司節省9億新台幣，成效卓越。
儘管在該篇文章中，並未詳細說明離職預測模型建置的原理，只強調是透過人工智慧AI的方式來進行。事實上，目前可預測員工離職的方法越來越多，但這一篇文章我們先不討論人資單位如何預測哪些員工可能離職。我們打算先以「如何降低離職率」為例，讓大家了解一下傳統社會科學常用的方法論（又稱「假設驅動研究（Hypothesis-Driven Research）」），以及大數據分析所使用的方法論（又稱「資料驅動研究（Data-Hypothesis-Driven Research）」），有何不同。
首先我們回顧一下，以往要研究如何降低離職率，會如何進行？一開始，我們會先試著站在巨人的肩膀上，回顧一下現有的文獻，看看針對這個議題，有哪些已經發表過的文獻可以參考。上網搜尋後可發現，過去40多年，不斷有學者提出離職模型，例如：Mobley（1979）、Steers Mowday（1979）、Price-Mueller（1981）…等。如圖1、2、3所示。
圖1. Mobley（1979）等人之離職模型
繪圖者：彭煖蘋
圖2. Steers & Mowday（1979）之離職模型
繪圖者：彭煖蘋
圖3. Price-Mueller（1981）之離職模型
繪圖者：彭煖蘋
我們從以上三個例子可以看到，學者在發展模型的過程中，通常會先進行文獻探討，臚列出造成離職的可能動機（自變數），然後發展假設，再經由研究設計、抽樣設計、透過對樣本資料進行分析，驗證假設是否成立。而後續接手同一議題的學者則就自己的觀察，對之前研究者所發展出的模型，進行批判與補充，如此反覆循環。最終，這些模型透過各種假設的推論與驗證，並經後續學者們不斷地優化，漸漸地將離職模型的全貌勾勒出來。而這些模型發展的過程，就是傳統社會科學常用的方法論，又稱為「假設驅動研究（Hypothesis-Driven Research）」。
至於何謂「資料驅動研究（Data-Hypothesis-Driven Research）」。2009年Google於Nature發表了一篇文章「Detecting influenza epidemics using search engine query data」，內容談到Google透過分析5,000萬個使用者常用的搜尋字串，同時比對2003年到2008年間季節性流感的傳播資料，進而發展出預測流感的模型。為了對流感進行預測，Google陸續建立了4.5億個不同的數學模型，作法上要比過去傳統的模型更加精準。而以上的方法論即為「資料驅動研究（Data-Driven Research）」。
回到「如何降低離職率」這個議題上，要降低員工離職率，最佳的方式可能是想辦法預測同仁何時可能會離職，進而讓主管在同仁離職之前，就能先行加以挽留，並藉此讓優秀同仁留下來。
以「資料驅動研究」的概念為基礎，筆者藉由公司的人資資料，發展出離職預測模型。在發展模型的過程中，相關變數包括基本資料、人資資料、績效表現資料等共41項，內容如：部門、職位、性別、學歷、每日遲到分鐘數、遲到次數、請假、考績等，分析約20萬筆（項）紀錄。並採用隨機森林（Random Forest）為工具進行分析。而為了衡量模型的預測效能，將資料隨機切分成70%的訓練資料集（Calibration Sample），以及30%的驗證資料集（Holdout Sample），做為模型檢驗。
最後，預測模型發現最重要的變數依序為：考績、月平均遲到分鐘數、月遲到總分鐘數、年齡、星座、部門、年資…等，如圖4所示。
圖4. 運用隨機森林建立預測模型
繪圖者：鍾皓軒
根據預測模型，我們挑選出「考績」、「月遲到分鐘數」、與「年齡」是公司整體離職的重要特徵（關於這一部分，每家企業可能會有很大差異。一位曾經為台灣某家世界級企業做過類似專案的教授就曾分享，影響該公司離職率最大的變數是「請假」）。
這項發現，在「考績」與「年齡」上並沒有太大的驚喜，畢竟各行各業「考績」差、「年齡低」的員工離職率較高實屬常態。但是「月遲到分鐘數」的重要性竟然高過「年齡」等其他變數，就值得進一步探討。先撇開學術研究不談，這樣的結果，對各單位的主管來說，除了可讓主管發現個別員工可能離職的前兆（例如：月遲到分鐘數高的人），同時也可發現哪些員工已經接近自願性離職的邊緣（考績差、月遲到分鐘數高、年齡低的同仁）。
以上資料驅動研究（Data-Driven Research）乃是透過「資料庫知識探索（Knowledge Discovery in Database,簡稱KDD）」的方法來進行。在做法上，KDD透過訂定目標、建立目標資料集、資料清理與前置處理、資料轉換、選擇資料探勘方法、選擇資料探勘演算法、資料探勘（data mining）、解釋探勘模式和鞏固發現的知識等步驟找出預測模型。
從以上離職模型的探討中我們可以發現，「假設驅動研究（Hypothesis-Driven Research）」著重在員工離職的心理動機，而「資料驅動研究（Data-Hypothesis-Driven Research）」則以員工在職場上實際工作所呈現的資料，做為研究內容，而這也是兩者最大的差異所在。
二、盲人摸象—社會科學裡假設驅動研究限制
話說，有幾位盲胞，在泰國摸了一頭大象。
摸到象鼻的人說：「大象像一根又粗又長的管子」
摸到象耳的人說：「大象像一把又寬又扁的扇子」
摸到象牙的人說：「大象像一根大蘿蔔」
摸到象身的人說：「大象就像又厚又大的牆」
摸到象腿的人說：「大象就像一根柱子」
摸到象尾巴的人說：「大象就像一條又細又長的繩子」
…
圖5. 盲人摸象
鏡頭拉回現代企業之內，您有沒有發現，這幾位盲胞，就好比公司裡不同部門的同仁，抑或是不同位階的主管與員工，甚或是產業裡不同的企業，國家中不同的產業，世界上不同的國家。
當每個人看到一個相同的問題時，很本能，也很容易地由自己的觀點來分析，而忽略了從宏觀的角度來看待事情。事實上，影響事情發展最後結果的原因，非常可能來自於其他部門、其他公司、其他產業、甚至是其他國家。仔細回推影響結果的，可能是來自於不同時空裡，一項不為人知的原因所造成。
舉例來說，要是當年那個中國武漢人，沒有吃了那隻帶有病毒的蝙蝠…，可能沒有今天數萬人罹難的全球大疫情。武漢肺炎病毒的來源，中國人民都覺得是一隻蝙蝠，因為這場流感疫情所發生的一切（包括您賦閑在家玩電玩遊戲，從菜鳥刷到了大神，再刷到索然無味；包括您帶著口罩出門搶所謂的有效藥「雙黃連口服液」結果藥沒買到，還損失了個口罩；包括幾年過去後，您的孩子問您，為什麼自己同班同學跟自己的生日，都在同一個月……），都要從一隻蝙蝠說起…。
類似上述大大小小的故事，每天都在社會上發生。而社會科學，就是研究社會現象背後的一門學問。在進行社會科學的研究過程中，有很大的部分是採取「假設驅動研究（Hypothesis-Driven Research）」的做法。亦即針對研究問題與架構，發展研究假設，再透過資料的蒐集與分析，來驗證自己的假設是否正確。
假設驅動研究在本質上，會限制情境，最好能控制所有其他變數的影響，只探討某些變數之間的關係。這樣的過程，在自然科學（尤其是實驗室）裡，相對容易做到。然而，在社會科學裡，這樣的作法可能就會導致瞎子摸象問題的出現。畢竟社會上許多變數之間的關係，背後受到眾多因素所影響。
在實務上，要避免「瞎子摸象」，我們應該要有更宏觀的思維。從系統觀點出發，要找出病因，得加強各子系統之間，以及不同層次子系統之間的互動。也就是加強個人與個人、部門與部門、企業與企業、產業與產業、國家與國家之間，跨單位的溝通，以及不同國家、產業、企業、部門裡，不同產業、企業、部門、與個人之間，跨層次的溝通。
在互動的過程裡，縱使一開始是「瞎子摸象」也沒有關係，只要每位盲胞能夠多溝通，並且放棄本位主義，就有機會還原出整隻大象的全貌。
至於在學術界，「資料驅動研究（Data-Driven Research）」的概念，隨著大數據分析的出現而興起，如何整合假設驅動研究與資料驅動研究，可能是解決社會科學研究限制的一種方式。
最強行銷武器 — 整合行銷研究與資料科學
作者：鍾皓軒，羅凱陽，蘇宇暉
出版社：碁峰
出版日期：2021/08/09
語言：繁體中文
定價：580元
作者：鍾皓軒，羅凱陽，蘇宇暉
出版社：碁峰
出版日期：2021/08/09
語言：繁體中文
定價：580元
