Sběr dat shromažďuje informace ze zdrojů. Průzkumy, senzory, webové protokoly, záznamy transakcí, sociální média a veřejné databáze – to vše je součástí procesu. Metoda formuje data. Průzkum s sugestivními otázkami vede k zkresleným odpovědím. Senzor s kalibračním driftem poskytuje nepřesné hodnoty. Webový scraper, který ignoruje limity rychlosti, je zablokován. Sběr není neutrální. Každá volba ovlivňuje to, co se dozvíte.

První otázkou je, co potřebujete a proč. Shromažďovat vše je lákavé a obvykle nehospodárné. Ukládání dat stojí peníze. Zpracování stojí peníze. Čištění stojí peníze. Data, která zůstávají nevyužita, jsou závazkem, nikoli aktivem. Druhou otázkou je, jak je shromažďovat eticky a legálně. Souhlas je důležitý. Zákony o ochraně osobních údajů, jako je GDPR, vyžadují právní základ pro shromažďování osobních údajů. Podmínky služby omezují scraping na mnoha platformách. Třetí otázkou je kvalita. Je zdroj spolehlivý? Je vzorek reprezentativní? Existují mezery? Sběr bez kontroly kvality produkuje datové sady, které později selhávají. Nejlepší čas na odhalení problému je předtím, než data vstoupí do procesu, ne poté, co na nich někdo vytvoří model.

Metody sběru

• Průzkumy – strukturované otázky, náchylné ke zkreslení odpovědí
• Senzory – automatizované, kontinuální, citlivé na kalibraci
• Web scraping – extrahuje veřejná data, s výhradou zákonných omezení
• Transakční protokoly – automaticky zaznamenávají chování uživatelů
• Veřejné záznamy – vládní a otevřené zdroje dat

Sběr dat je rozhodnutí o designu. To, co shromažďujete, určuje, co se můžete naučit. To, co vám unikne, určuje, co se nikdy nedozvíte.