先有目標，再有資料

專案經理：「公司想要根據目前的客戶資料，做更深度的分析。」

資料科學家：「請問你們手上有什麼資料？」

專案經理：「全國最重要的一百五十位意見領袖，每人兩小時的訪談逐字稿。」

資料科學家：「所以是質化資料？那我們可以根據這些訪談，統計關鍵字。再深度一點，我們可以用自然語言處理作情感分析（sentiment analysis），或是作關鍵字分析、行為分析，甚至建立人物誌（persona），將有相同或相似行為模式的對象，歸納為幾種類型。」

專案經理：「請問這些分析能有什麼應用？」

資料科學家：「這是針對您擁有的資料，做深度的數據科學分析，讓您了解這一百五十位意見領袖，對貴公司品牌與服務的情緒反應，與他們的使用行為。」

這是歐美資料科學家與客戶間，經常出現的對話，資料科學家建議的分析往往被忽略，或是因為變現價值不高而沒有實行。「數據科學裡的創新思考」不夠到位，往往是因為像這樣遵循傳統作法，先盤點現有的數據，才思考可以如何應用。簡言之，先看目標還是先看資料，決定了創意與想像的疆界。

商業應用價值高的「目標命題」

企業一般對於意見領袖的掌握度都不低，能夠針對一百五十位專家做兩小時的個人訪談，也代表該企業與意見領袖...