庫存狀況
「香港二樓書店」讓您 愛上二樓●愛上書
我的購物車 加入會員 會員中心 常見問題 首頁
「香港二樓書店」邁向第一華人書店
登入 客戶評價 whatsapp 常見問題 加入會員 會員專區 現貨書籍 現貨書籍 購物流程 運費計算 我的購物車 聯絡我們 返回首頁
香港二樓書店 > 今日好書推介
   
區政新角度
  • 定價64.00元
  • 8 折優惠:HK$51.2
  • 放入購物車
二樓書籍分類
 
數據分析的力量 Google、Uber都在用的因果關係思考法

數據分析的力量

沒有庫存
訂購需時10-14天
9789864756094
伊藤公一朗
王美娟
台灣東販
2018年2月26日
100.00  元
HK$ 90  






ISBN:9789864756094
  • 規格:平裝 / 256頁 / 14.7 x 21 cm / 普通級 / 雙色印刷 / 初版
  • 出版地:台灣


  • 商業理財 > 職場工作術 > 思考邏輯/決斷/創意

















    大數據+人的判斷力=發掘真相!



      本書為資料分析入門書,聚焦於「廣告對業績有影響嗎?」、「實施某政策真能帶來良好影響嗎?」這類因果關係分析。序章使用各種實例,解說釐清因果關係為什麼是生意或政策的成功關鍵。第2章起不使用數學表達式,僅運用具體事例及視覺化的描寫,介紹隨機對照試驗、RD設計、縱橫資料分析等,可探究因果關係、最先進的資料分析手法。不使用數學表達式,僅透過簡明易懂的方式,解說隨機對照試驗(RCT)、RD設計(不連續迴歸設計)、堆集分析、縱橫資料分析等最先進有效的手法!



      【本書介紹的主要具體事例】

      .前美國總統歐巴馬於2012年總統大選時,因正確釐清競選廣告策略的因果關係,募得多達72億日圓的選舉資金。

      .Google顯示的藍字,用的是透過因果分析實驗,從「41種藍色」中選出的最佳藍色。

      .標示含稅價後,超市業績減少8%?

      .Uber如何運用資料分析,調整最合適的費用?

      .無償提供筆記型電腦,孩童的成績就會變好嗎?

      .「節電請求」真能促進節電嗎?

      .醫療費用的自負額降低,會使看病人數暴增嗎?

      .汽車的油耗規定,真能提升燃油效率嗎?

      .提高所得稅會使人們不想工作嗎?會使人們移居到稅金較低的國家嗎?

      .廣發補助金的景氣刺激政策,真的有效果嗎?



    本書特色



      ●日本AMAZON暢銷書,讀者4.5顆星好評



      ●以圖表為主、數式為輔,透過簡明易懂的方式,解說隨機對照試驗(RCT)、RD設計(不連續迴歸設計)、堆集分析、縱橫資料分析等最先進有效的手法!



      ●芝加哥大學哈里斯公共政策研究學院副教授伊藤公一朗親自撰寫,為想瞭解、分析大數據之人必備專業書籍



      ●本書榮獲日本第39回三得利學藝獎暨第60回日經?經濟圖書文化獎

    ?


     





    前言



    第1章 從資料導出因果關係為什麼並不容易?

    例1:廣告使冰淇淋的業績增加了?

    例2:調漲電價能促進節電嗎?

    例3:出國留學比較容易找到工作?

    難以證明因果關係的原因1:有可能是其他因素造成影響

    難以證明因果關係的原因2:有可能為反向因果關係

    因果關係不同於相關關係

    社會上充斥著啟人疑竇的資料分析結果

    為什麼誤判因果關係會出問題?

    讓小孩開著燈睡覺就會近視?

    只要蒐集資料,就能排除所有的其他因素嗎?

    即使增加資料觀察數也無法解決偏誤問題



    第2章 在現實世界「實際進行實驗」──隨機對照試驗(RCT)

    因果關係可用「介入效果」定義

    難以導出因果關係是因為「如果」的資料並不存在

    解決辦法就是介入組與比較組之概念

    分組方式的壞例子:應要求予以介入(自行選擇)

    最好的解決辦法就是「隨機對照試驗(RCT)」

    為什麼隨機分組是關鍵?

    RCT的具體事例1:北九州市的電價實地實驗

    若採隨機分組,兩者的各項因素實際上是相等的

    實驗結果:調漲電價真能促進節電嗎?

    RCT的優點之一就是分析與結果具透明性

    RCT的具體事例2:前美國總統歐巴馬競選活動的行銷策略

    RCT的鐵則1:妥善建立群組

    RCT的鐵則2:一定要隨機分組

    RCT的鐵則3:各組的樣本數必須充足

    歐巴馬陣營的實驗結果如何?

    RCT的具體事例3:電力不足能靠道德解決嗎?價格政策有效嗎?

    短期來看,道德政策與價格政策皆有效果

    效果的持續性如何?

    實際上該如何進行「隨機分組」?

    RCT的優點與弱點



    第3章 善加利用「界線」的RD設計

    如果無法使用RCT該怎麼辦?介紹「自然實驗」手法

    RD設計入門:以日本的醫療支出問題為例

    著眼於醫療費用自負額變動之「界線」的分析手法

    為什麼患者人數在70歲之「界線」上不連續地增加?

    自負額從3成減少為1成後,門診患者人數增加10%左右

    RD設計需要的假設

    從醫療費用自負額的分析來看,RD設計的假設有可能成立嗎?

    運用RD設計時分析者該做的事:檢驗其他因素是否在界線上發生不連續的跳躍

    什麼情況會使RD設計的假設不成立?

    RD設計是在界線附近製造近似RCT的狀況

    RD設計有什麼弱點?

    RD設計有什麼優點?

    只因隔著1條界線,南北電價就大不相同?利用地理界線的RD設計

    在「地理界線上」RD設計的假設成立嗎?

    運用RD設計時,檢驗能否主張「針對某對象的因果關係」十分重要



    第4章 善加利用「階梯狀變化」的堆集分析

    汽車越大臺,油耗規定越寬鬆?

    著眼於誘因呈階梯狀變化的日本油耗政策

    只要繪製直方圖就能釐清企業行為

    堆集分析與RD設計的差異

    堆集分析的基本概念

    堆集分析的假設

    堆集分析的結果:油耗規定導致重量平均增加了110kg

    堆集分析的優點和弱點是什麼?

    堆集分析的事例:所得稅的稅率會影響工作方式嗎?



    第5章 運用「數個期間的資料」的縱橫資料分析

    要不要移居到所得稅較低的國家?所得稅與移民行動的因果關係分析

    運用丹麥個人納稅資料的研究

    縱橫資料分析的概念

    縱橫資料分析需要的「平行趨勢假設」

    關於平行趨勢假設,資料分析者可提供的2種資訊

    何種情況會推翻平行趨勢假設?

    縱橫資料分析的優點和弱點

    縱橫資料分析的事例:撒錢實施景氣刺激政策只會增加搶購需求嗎?



    第6章 實踐篇:如何將資料分析應用在經商或政策制定上?

    矽谷平常都會運用RCT進行商業策略分析

    美國聯邦政府內部推動的「循證政策制定」

    評議會的使命

    若要將資料分析應用在商業策略或政策制定上,關鍵是什麼?

    成功關鍵1:與資料分析專家建立合作關係

    成功關鍵2:開放資料

    企業與資料分析者的夥伴關係事例1:加州大學、史丹佛大學與大型超市的合作

    企業與資料分析者的夥伴關係事例2:加州大學與電力公司的合作

    企業與資料分析者的夥伴關係事例3:芝加哥大學與Uber的合作

    政府與資料分析者的夥伴關係事例1:芝加哥大學與芝加哥市的合作

    政府與資料分析者的夥伴關係事例2:由經濟產業省資源能源廳主導的社會系統實證實驗



    第7章 進階篇:了解資料分析的不完全性與極限

    1 假如資料本身有問題,分析手法再出色也難以解決問題

    2 分析結果的「外在效度」問題

    3 「出版偏誤」與「夥伴關係偏誤」問題

    4 介入存在「外溢效果」時的注意要點

    5 存在一般均衡效果時的注意要點



    第8章 給想進一步學習的人:參考書籍介紹

    聚焦於計量經濟學實踐層面的日文入門書

    讀完入門書後的中階書(經濟學院大學生程度)與高階書(研究所程度)



    後記

    引用文獻

    數學附錄

    ?





    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




    其 他 著 作
    1. 數據分析的力量Google、Uber都在用的因果關係 思考法