Colectarea datelor adună informații din surse. Sondajele, senzorii, jurnalele web, înregistrările tranzacțiilor, rețelele sociale și bazele de date publice alimentează procesul. Metoda modelează datele. Un sondaj cu întrebări sugestive produce răspunsuri părtinitoare. Un senzor cu abatere de la calibrare produce citiri inexacte. Un scraper web care ignoră limitele de rată este blocat. Colectarea nu este neutră. Fiecare alegere afectează ceea ce înveți.

Prima întrebare este de ce aveți nevoie și de ce. Colectarea tuturor datelor este tentantă și, de obicei, o risipă. Stocarea datelor costă bani. Prelucrarea costă bani. Curățarea costă bani. Datele care rămân neutilizate reprezintă o datorie, nu un activ. A doua întrebare este cum să le colectați etic și legal. Consimțământul contează. Legile privind confidențialitatea, precum GDPR, impun o bază legală pentru colectarea datelor cu caracter personal. Termenii și condițiile de utilizare restricționează extragerea datelor (scraping) pe multe platforme. A treia întrebare este calitatea. Este sursa fiabilă? Este eșantionul reprezentativ? Există lacune? Colectarea fără controale de calitate produce seturi de date care eșuează ulterior. Cel mai bun moment pentru a identifica o problemă este înainte ca datele să intre în fluxul de lucru, nu după ce cineva construiește un model pe baza lor.

Metode de colectare

• Sondaje — întrebări structurate, predispuse la erori de răspuns
• Senzori — automatizați, continui, sensibili la calibrare
• Extragerea datelor web — sub rezerva limitelor legale
• Jurnale de tranzacții — capturează automat comportamentul utilizatorului
• Înregistrări publice — guvern și surse de date deschise

Colectarea datelor este o decizie de design. Ceea ce colectezi determină ce poți învăța. Ceea ce ratezi determină ce nu vei ști niciodată.