Az adatgyűjtés forrásokból gyűjt információkat. Felmérések, szenzorok, webnaplók, tranzakciós feljegyzések, közösségi média és nyilvános adatbázisok mind táplálják a folyamatot. A módszer formálja az adatokat. Egy rávezető kérdéseket tartalmazó felmérés torzított válaszokat eredményez. Egy kalibrációs eltolódással rendelkező szenzor pontatlan értékeket ad. Egy webkaparó, amely figyelmen kívül hagyja a sebességkorlátokat, blokkolódik. A gyűjtés nem semleges. Minden döntés befolyásolja a tanulságokat.

Az első kérdés az, hogy mire van szükséged és miért. Mindent összegyűjteni csábító és általában pazarló. Az adattárolás pénzbe kerül. A feldolgozás pénzbe kerül. A tisztítás pénzbe kerül. A fel nem használt adatok kötelezettséget jelentenek, nem pedig eszközt. A második kérdés az, hogy hogyan lehet etikusan és jogszerűen gyűjteni őket. A hozzájárulás számít. Az adatvédelmi törvények, mint például a GDPR, jogalapot követelnek meg a személyes adatok gyűjtéséhez. A szolgáltatási feltételek számos platformon korlátozzák az adatgyűjtést. A harmadik kérdés a minőség. Megbízható a forrás? Reprezentatív a minta? Vannak hiányosságok? A minőségellenőrzés nélküli gyűjtés olyan adatkészleteket hoz létre, amelyek később meghibásodnak. A problémák észlelésének legjobb ideje az adatok beszerzése előtt van, nem pedig azután, hogy valaki modellt épít rájuk.

Gyűjtési módszerek

• Felmérések – strukturált kérdések, hajlamosak a válaszadási torzításra
• Szenzorok – automatizált, folyamatos, kalibrálásra érzékeny
• Webes adatgyűjtés – nyilvános adatok kinyerése, a jogi korlátok betartásával
• Tranzakciónaplók – automatikusan rögzíti a felhasználói viselkedést
• Nyilvános nyilvántartások – kormányzat és nyílt adatforrások

Az adatgyűjtés tervezési döntés kérdése. Amit gyűjtesz, az határozza meg, hogy mit tanulhatsz belőle. Amit nem tudsz meg, az határozza meg, hogy mit fogsz soha megtudni.