Dataindsamling indsamler information fra kilder. Undersøgelser, sensorer, weblogs, transaktionsregistreringer, sociale medier og offentlige databaser fodrer alle processen. Metoden former dataene. En undersøgelse med ledende spørgsmål giver forudindtagede svar. En sensor med kalibreringsdrift giver unøjagtige aflæsninger. En webscraper, der ignorerer hastighedsgrænser, blokeres. Indsamling er ikke neutral. Ethvert valg påvirker, hvad du lærer.

Det første spørgsmål er, hvad du har brug for, og hvorfor. Det er fristende og normalt spild af data at indsamle. Datalagring koster penge. Bearbejdning koster penge. Rengøring koster penge. Data, der står ubrugt, er en belastning, ikke et aktiv. Det andet spørgsmål er, hvordan man indsamler dem etisk og juridisk. Samtykke er vigtigt. Privatlivslove som GDPR kræver et lovligt grundlag for indsamling af personoplysninger. Servicevilkår begrænser scraping på mange platforme. Det tredje spørgsmål er kvalitet. Er kilden pålidelig? Er stikprøven repræsentativ? Er der huller? Indsamling uden kvalitetskontrol producerer datasæt, der fejler senere. Det bedste tidspunkt at opdage et problem er, før dataene kommer ind i pipelinen, ikke efter at nogen har bygget en model på den.

Indsamlingsmetoder

• Undersøgelser — strukturerede spørgsmål, tilbøjelige til svarbias
• Sensorer — automatiserede, kontinuerlige, kalibreringsfølsomme
• Webscraping — udtrækker offentlige data, underlagt juridiske begrænsninger
• Transaktionslogge — registrerer brugeradfærd automatisk
• Offentlige registre — offentlige og åbne datakilder

Dataindsamling er en designbeslutning. Det, du indsamler, bestemmer, hvad du kan lære. Det, du går glip af, bestemmer, hvad du aldrig vil vide.