資料收集從各種來源獲取資訊。問卷、感測器、網路日誌、交易記錄、社交媒體和公共資料庫都為此過程提供數據。收集方法會影響數據。有誘導性問題的問卷會產生偏差的答案。校準漂移的感測器會產生不準確的讀數。無視速率限制的網路爬蟲會被屏蔽。數據收集並非中立的。每一個選擇都會影響你最終獲得的資訊。

第一個問題是你需要什麼以及為什麼需要。收集所有數據固然誘人，但通常也是浪費。資料儲存需要成本，處理需要成本，清洗也需要成本。閒置的數據是負債，而非資產。第二個問題是如何以合乎道德和法律的方式收集資料。徵得同意至關重要。像 GDPR 這樣的隱私權法要求收集個人資料必須有合法依據。許多平台的服務條款也限制了資料抓取。第三個問題是數據品質。數據來源可靠嗎？樣本具有代表性嗎？是否存在資料缺失？缺乏品質控制的數據收集會導致後續出現問題。發現問題的最佳時機是在資料進入處理流程之前，而不是在有人基於資料建立模型之後。

收集方法

• 問卷調查－結構化問題，容易出現回答偏差
• 感測器－自動化、連續式、對校準敏感
• 網路抓取－提取公開數據，但須遵守法律限制。
• 交易日誌－自動捕捉使用者行為
• 公共記錄－政府和開放資料來源

資料收集是一種設計決策。你收集了什麼，就決定了你能學到什麼；你錯過了什麼，就決定了你永遠無法了解什麼。