1. 背景介紹
   1. 人會說謊，但大數據不會
   2. 作者
      1. 賽斯‧史蒂芬斯—大衛德維茲 (Seth Stephens-Davidowitz)
   3. 主旨
      1. 如何善加利用大數據 解釋大數據為何如此強大 承認大數據本身受到的限制
2. 數據科學
   1. 方法論通常是直觀的
      1. 發現模式
      2. 預測一個變數如何影響另一個變數
   2. 但結果往往違反直覺
      1. 我們傾向於誇大
         1. 自身經驗的相關性
         2. 難忘故事成因的普及性
   3. 大數據的四種力量
      1. ① 提供新穎的數據
      2. ② 提供誠實的數據
      3. ③ 允許我們把焦點放在人口中的小子集
      4. ④ 允許我們進行許多因果關係的實驗
3. ｜Ch 3｜ 提供新穎的資訊
   1. 在數位時代裡，我們重新想像數據由什麼構成
   2. 〖釋例〗成為賽馬明星的關鍵
      1. 啟發
         1. 如過你打算嘗試使用新數據來革新一個領域 那麼最好進入一個傳統方法效率極差的領域
         2. 試圖進行預測時 不需要太擔心你的模型為何有效
         3. 在決定什麼才能當成數據時 你必須保持開放的態度並懂得變通
   3. 生活中留下的雜亂痕跡 正式成為數據的主要來源
4. ｜Ch 4｜ 提供誠實的數據
   1. 躲在線上的真相
   2. 人們有
      1. 社會期許偏誤
         1. 許多人在問卷調查問及令自己困窘的行為和想法時，都會說謊。即使大多數調查都是匿名，但人們還是希望保持自己的良好形象
      2. 潛在性偏見
         1. 可能沒有惡意，但潛意識裡有偏見
            1. 內隱聯結測試
   3. 數位誠實豆沙包
      1. 啟發
         1. 知道自己並不孤單 原來大家都有不安全感和難以啟齒的行為
            1. 永遠不要拿你的 Google 數據，跟別人的社群媒體貼文做比較。
         2. 提醒我們注意人們正在受苦
         3. 它有能力將我們從問題引導到解決方案
         4. 世界比我們所想的還更糟糕 開始解決這些問題的第一步
5. ｜Ch 5｜ 把焦點放在人口中的小子集
   1. 人類行為的特寫
   2. 大數據允許你使用與問卷調查截然不同的設計
   3. 放大檢視數據集的細部
      1. 個別年齡
      2. 地理位置
      3. 時間頻率
      4. 搜尋分身
      5. 講述複雜又引發聯想 的精彩故事
   4. 〖釋例〗大數據心理學
      1. 印記效應
         1. 我們成年後的許多行為和興趣，即使是我們認為能代表我們是誰的行為，也可以藉由個人出生年分和年少時期特定年紀發生的事來加以解釋。
6. ｜Ch 6｜ 進行許多因果關係的實驗
   1. 整個世界，都是我的實驗室
   2. 在數位世界裡，隨機對照實驗既省錢又省時
      1. A／B 測試
   3. 重要性
      1. 進一步釋放我們對直覺的依賴
      2. 我們不了解人性，所以測試才這麼有價值
      3. 似乎很小的變化就可能產生重大的影響
   4. 事件的隨機過程將人們置於 實驗組和對照組的情況
      1. 自然實驗
   5. 大數據以真正奏效的因果關係 取代猜測、普遍看法和虛假相關性
7. 小心面對
   1. 維度的詛咒
      1. 測試太多變數
   2. 數字可能誘惑我們
      1. 愈來愈迷戀數據 這樣做就會讓我們忽略更重要的考量
   3. 道德問題
      1. 企業是否有權利根據與該服務沒有直接關係的這些抽象統計預測標準，判斷我們是否符合資格使用他們的服務。
      2. 在任何犯罪發生前，就先跟蹤可能犯罪的個人。這樣做似乎開始侵犯個人隱私。從政府擁有數百萬或數十萬人的搜尋數據，到警方擁有個人搜尋數據，這當中要跨越一個很大的道德考驗。
   4. 價格歧視
      1. 大數據可能讓企業更了解顧客願意付多少錢，因此他們可以從某些群體取得更多的利潤。
   5. 大數據與小數據 ——人類的判斷和小型調查—— 其實相輔相成