·为什么会发生数据造假

请再看一下“与恋人闹点别扭”这一问题。你有没有想到，与高深的统计学和AI相比，“别扭程度如何用数字表现出来”“寻找两人闹别扭的原因”好像更难。

数据科学家很重视“发现”这类数字和原因。为什么？因为这是确保推导出结论的分析步骤。

分析的目的虽然因发现问题型、解决问题型和验证结果型而各有不同，但推导出结论的分析步骤都是相同的。用图来表现，请参见图1-6。

图1-6　分析步骤

最初是设定目的。根据刚才介绍的分析类型，分析为什么闹别扭、怎么做才能和好如初、出现了哪些变化……决定为了搞清什么而展开分析就是设定目的。

所有分析都被“设定目的”左右。如果把方向搞错了，那么无论在多么好的时间起跑，都会因为犯规而丧失资格。如果不想浪费付出的努力，就需要在设定目的上花费更多的时间，而这对大脑的逻辑性提出了很高的要求。

接下来就是收集数据。要想弄清楚由设定目的而确定下来的“想了解的事情”，就要思考需要什么样的数据并着手收集。如果没有数据，就有必要从预估开始。

为了思考闹别扭的理由而将“网聊的次数”和“发送的文字数”作为闹别扭的原因，将“已读信息的件数”和“回复信息所用的时间”作为闹别扭的结果，那就要将这些数据收集好。把模棱两可的别扭程度与“已读信息件数”联系起来，对情商也提出了很高的要求。

分析并不仅仅是个人的感想，还是分解事物、找出原因，并由此寻找解决方法的思考。因此，为了不引起认识上的分歧，使用世界通用的“数字”来表现是最好不过的。所以，收集数据非常重要。

接下来是对收集来的数据进行检查/统计。收集来的数据未必都是百分之百正确的，如果把错误的数据包括在内进行分析，就很可能得出奇怪的结果。我自己也有过多次重新回到上一个步骤，甚至重新收集数据的经历。这项工作需要严肃认真地对待、脚踏实地地进行，因为检查/统计关乎数据的精度。

作为具有代表性的例子，关于酌量劳动制的数据异常值问题，在2018年2月的日本国会上作为“工作方式改革”的重点事项被受理。尽管以天或周为单位来看，加班时间为零，但以月为单位的加班时间却被清清楚楚地记录下来，很多这样的数据都被很好地保存着，所以这成了引发朝野上下关注的重大问题。

在野党和大众传媒展开了一场批判政府的大合唱，“官僚在玩揣摩游戏”“政府在搞阴谋”。但在数据科学及其相关学科领域，却有很多人发出了“数据的检查工作没做好吧”“没想到官僚都读不懂数据”的奚落。这件事给人们留下了很深的印象。

到这里，我们终于要着手分析了。

对于“设定目的”、“收集数据”和“检查/统计”三个步骤，无论是哪位数据科学家都会不惜花费大量时间。如果在这几个步骤上节省时间、敷衍了事，就很容易得出失真的分析结果，从而陷入多次返工的困境。