找Martech上Marsgo
【大數據 MarTech X 數位轉型】大數據預測科學 VS. 快篩檢測有什麼關係？
作者：
高端訓
亞太行銷數位轉型聯盟協會 創會長
近來，媒體大幅報導是否要把 Covid-19 快篩「陽」視同確診，來降低醫療量能負擔，這個跟大數據科學有何關係？
這篇文章我想藉這個機會跟你分享，大數據科學如何應用在生活中，以及預測科學的邏輯。
快篩劑其實就是在預測受測者有沒有被病毒感染，但是由於是「預測」，就沒有 100% 準確，就如氣象預報一樣，在怎麼準確都會有失誤。
大數據科學的預測結果，可以分成三種類型：
二元分類（Binary Classification）：
預測結果呈現「Yes」、「No」兩種可能，例如該會員會不會購買推薦的產品？Covid 快篩劑的檢查結果就是這個概念，不是「確診」就是「沒有確診」。
分數排名（Score Ranking）：
預測結果用分數排名呈現，排名愈前面成功愈大，例如銀行將客戶的信用度，綜合各指標計算，按分數（可以是1～100）排名，再決定是否貸款給該客戶。
機率估計（Probability Estimation）：
預測結果用 0～1 的機率值呈現，例如這位潛在客人有多大的機率，會加入會員？會逾期不還貸款？氣象預測就是這個邏輯。
無論你是採用哪一種決策模型呈現機器學習的預測結果，在導入企業實務中，只會有四種不同的情形——兩種正確、兩種錯誤。以快篩劑檢測結果為例：
兩種正確：
-本來有染疫，快篩有；
-本來沒有染疫，快篩沒有。
兩種錯誤：
-本來沒有染疫，快篩有（型 I 錯誤）；
-本來有染疫，快篩沒有（型 II 錯誤）。
主張不要快篩視同確診的一方，擔心的是預測發生型 I 錯誤（Type I error），也就是這個受測者本來沒有染疫，卻被快篩以為染疫，而浪費醫療資源；同時也擔心那些本來有染疫，卻沒有快篩出來，反而到處趴趴走，也就是預測時發生型 II 錯誤（Type II error）。
第一種錯誤發生，代表你其實沒有染疫，但快篩「陽」，不管三七二十一，醫生先投藥給你吃，有副作用就認了。這個概念就是寧可擒拿一百，也不願放過一個。
第二種錯誤發生，就是把已經染疫的人，還要叫他去排隊做 PCR，錯過第一治療時間，可能來不及投藥而造成重症或死亡。
至於決策者要不要採用快篩試劑作為決策，就要看對快篩試劑的準確度及信心，只要準確度夠高，錯誤低，或許就可以忍受因預測錯誤而帶來的少許風險。
根據目前台北市公布的快篩檢測大數據，正確率超過 90%（PCR 確認），也就是大約有 10% 的快篩結果是錯誤的。就如我們建立的大數據預測模組，預測消費者的行為模式一樣，只要是預測，就沒有 100% 正確的，大數據科學就是要把這兩種錯誤降到最低。
就社會科學的角度，則要思考，如果預測錯誤要付出多大的代價？這個代價是否可以承擔？然而，在現實社會中決策考量的因素非常多、也非常複雜，有成本的問題、資源的問題、執行的問題，還有非常多「其他」的問題，這裡就不去評論。
事實上，企業做決策也是如此。
例如大數據預測行銷，預測某人可能會購買賣方推薦的產品，10 個人有 7 個人買了，還有 3 個人沒有買，企業到底要不要應用這個工具做決策？除了考慮預測錯誤的代價（例如讓消費者覺得很煩），也要考慮投入數據科學與獲得報酬的平衡。
隨著數據增加、技術進步，大數據AI演算法（或快篩試劑）也會不斷的自我修正，預測也會愈來愈精準。
企業投入大數據科學，早期成本高，經過一番學習後，才會有所回報，需要有耐心；但是如果不投入，就失去早期學習的優勢！
作者介紹：
高端訓
亞太行銷數位轉型聯盟協會 創會長
工作生涯只做一件事，就是把「品牌」做好。在奧美集團(12年)期間，幫助客戶打造品牌；在王品集團(12年)，則努力為企業創建多品牌。2016年，毅然放下工作，前往加州大學爾灣分校進修大數據預測科學。回來後，擔任多家企業首席顧問，致力將大數據預測科學導入品牌經營，輔導企業數位轉型。著有《以MarTech經營大數據會員行銷》及《ESG品牌創新六部曲》，並兩度榮獲【金書獎】殊榮。
本篇專欄文章同時刊登於《數位時代》未來商務：