تجمع عملية جمع البيانات المعلومات من مصادر متعددة، تشمل الاستبيانات، وأجهزة الاستشعار، وسجلات الويب، وسجلات المعاملات، ووسائل التواصل الاجتماعي، وقواعد البيانات العامة. وتؤثر طريقة جمع البيانات على مصداقيتها؛ فالاستبيان الذي يتضمن أسئلة موجهة ينتج عنه إجابات متحيزة، وجهاز الاستشعار الذي يعاني من انحراف في المعايرة ينتج عنه قراءات غير دقيقة، وبرنامج استخراج البيانات من الويب الذي يتجاهل حدود معدل الاستخدام يُحظر. إن عملية جمع البيانات ليست محايدة، فكل خيار نتخذه يؤثر على ما نتعلمه.

السؤال الأول هو: ما الذي تحتاجه ولماذا؟ جمع كل شيء مغرٍ، ولكنه عادةً ما يكون مُهدرًا. تخزين البيانات مُكلف، ومعالجتها مُكلفة، وتنظيفها مُكلف. البيانات غير المُستخدمة تُشكّل عبئًا، وليست رصيدًا. السؤال الثاني هو: كيف نجمعها بطريقة أخلاقية وقانونية؟ الموافقة أمرٌ بالغ الأهمية. قوانين الخصوصية، مثل اللائحة العامة لحماية البيانات (GDPR)، تتطلب أساسًا قانونيًا لجمع البيانات الشخصية. شروط الخدمة تُقيّد استخراج البيانات على العديد من المنصات. السؤال الثالث هو: الجودة. هل المصدر موثوق؟ هل العينة تمثيلية؟ هل توجد ثغرات؟ الجمع بدون ضوابط جودة يُنتج مجموعات بيانات تفشل لاحقًا. أفضل وقت لاكتشاف المشكلة هو قبل دخول البيانات إلى مسار المعالجة، وليس بعد بناء نموذج عليها.

طرق جمع البيانات

• الاستبيانات - أسئلة منظمة، عرضة لتحيز الاستجابة
• أجهزة الاستشعار - آلية، مستمرة، حساسة للمعايرة
• استخراج البيانات من مواقع الويب — يستخرج البيانات العامة، مع مراعاة القيود القانونية.
• سجلات المعاملات — تسجل سلوك المستخدم تلقائيًا
• السجلات العامة - مصادر البيانات الحكومية والمفتوحة

يُعدّ جمع البيانات قراراً تصميمياً. فما تجمعه يحدد ما يمكنك تعلمه، وما تغفله يحدد ما لن تعرفه أبداً.