「Petabytes 讓我們可以說：『相關性就夠了』。」——Chris Anderson, Wired, 2008

重新框架真正該問的問題#

「相關性夠不夠？」其實是錯的問題。對大數據的消費者而言，正確問題是：

我能根據一個相關性的發現「採取行動」嗎？

答案是「看情況」，主要取決於兩個因素：

• 相關會在未來重複發生的信心程度——信心越高，越合理採取行動
• 行動的風險與報酬權衡——若採取行動且錯誤的代價極高，即使相關很強也未必該行動

信心的兩個來源：頻率 + 因果清晰度#

「相關會重複發生的信心」其實由兩件事構成：

• 頻率（frequency）：歷史上這兩件事多常一起出現？越常 → 越可能真的相關
• 因果清晰度（clarity of causality）：這個相關背後的可能解釋越少 → 兩件事真的相連的機率越高

把這兩者一起看，比單看一個更可靠。「因果」並沒有過時——對它的理解可以直接抬升你採取行動的信心。

BCG 的決策框架#

把「信心」與「行動的風險／報酬」交叉比對，就得到一個簡單的判斷框架。

高報酬 + 低錯誤代價 → 即使相關不強也該行動#

例：過馬路前左右看看。看的成本極低，沒看的代價極高（「非對稱損失函數（asymmetric loss function）」）。

案例對照#

紐約市下水道感測器（值得行動）#

• 感測器偵測下水道某點的油脂濃度，異常時派車過去檢查
• 是否真有違法餐廳，信心不算高——可能還有許多其他解釋
• 但檢查的成本很低，發現沒事也沒損失
• → 即使信心不高，也該行動

例行 PSA 攝護腺癌篩檢（不值得行動）#

• 相關本身很弱：許多無癌男性 PSA 也偏高
• 沒有清楚的因果解釋
• 預防性手術並未提升長期存活率
• 偽陽性導致不必要、嚴重後遺症的治療
• → 美國醫學會撤回對 50 歲以上男性例行 PSA 檢查的建議

案例：超市忠誠卡 vs. 車險理賠#

澳洲一家超市與車險公司合作分析資料，發現：

• 買紅肉與牛奶的人：較低車險風險
• 買義大利麵、烈酒、晚上加油的人：較高風險

這也許暗示風險行為（例如酒駕），但也可能有其他解釋。

兩個可能的行動方案：

在沒有更高信心之前，第一個方案明顯較佳——這就是 BCG 框架的價值。

增加因果清晰度可解鎖更高價值的行動#

如果能找到清楚的因果解釋——例如「高風險購買模式，是失業或離婚等人生轉折的領先指標」——並用更多資料驗證，就能：

• 把這個行動「往框架的上方移」
• 解鎖原本被排除的高風險高報酬選項（例如差別定價）
• 同時也能監控「相關何時會減弱或消失」，並提早調整策略

案例：美國陸軍的影像辨識#

軍方開發了一套用閃光定位狙擊手位置的影像處理系統。但相機閃光也會產生相同的閃光——當「同一現象有兩個可能解釋」時，信心就降低，可接受的風險水準也跟著下降。

結語#

在大數據的世界裡：

• 有時候，相關性就夠了
• 有時候，理解因果至關重要

真正的關鍵是——你要知道現在屬於哪一種，以及不夠時該怎麼補。