資料分析（
Data Analytics）是「
巨資料」（
Big Data）這個熱門話題裡相當重要的一個環節。如果說巨資料的熱門詞像是
Hadoop，
NoSQL，通常都跟處理大量、多樣化資料所需要的基礎建設（
infrastructure）有關，那麼資料分析討論的大抵是關於「怎樣處理資料」這件事。
雖然現在「資料分析」常常跟科學、數學、統計學，和計算科學連在一起，但是「怎麼處理資料」是個歷史更為悠久的問題，甚至跟人類的心智一樣久遠。
在抽象的層次上，我們可以說，人類的心智運作，基本上就是在做資料分析：我們
觀察周圍的現象（what, who, where, when），
詮釋這些現象的意義（why），並且進行
預測，作為採取下一步行動的依據（how）。（
認知心理學的肇始即是以
訊息處理理論為主要架構）
狹義的資料分析，包含了資料的收集、清理、結構化（
觀察）；使用資料探勘（
Data Mining）技術來發掘資料裡的知識（
詮釋）；透過分析或過往經驗，選擇適合的數學模型來模擬工作或決策流程，然後整合資料進行流程最佳化或決策輔助（
預測）。
所以，某種意義上，資料分析的系統是一種人工心智（artificial mind），要做好資料分析，我們對人類心智的理解或許也有值得借鏡之處。
上面的插圖畫了三樣東西：人（或者說是人的心智），一個被觀察的世界（事實，
facts），和一個人所建構的世界（真實，
reality）。這三者之間的關係，大抵是古往今來哲學家們在思索的問題。從
柏拉圖的洞穴寓言（
Allegory of Cave）開始，歷經宗教時代的
經院哲學，啟蒙時代的人本主義興起，直至近代的存在主義，解構主義與後現代思潮，彼此之間最大的差異，基本上存在於這三者之間關係的定義上。
這篇文章講的是資料分析，不是哲學史，所以關於XX主義的討論就此打住。我們把上面圖裡的三樣東西換成資料分析師、資料和模型，大概就差不多了。
透過觀察，我們收集到資料，基本上都是一些可被記錄的事實。透過人為對資料的理解，我們對所觀察的現象有了一些詮釋（假設、理論、或模型），然後再透過這些詮釋對現象的變化做出預測。
舉例來說，某個公司的人事主管，每年都會接到很多的求職申請，然後要判斷哪些人可以應該錄取，應該派到哪些職務，而哪些人又應該要婉拒。
判斷的依據，可能來自於一般的求職申請，其中會包含基本的學經歷資訊，以及簡單的自傳；積極一點的，還可以透過人脈打聽求職者在之前公司的口碑；最直接的第一手資料，是請求職者來面試。這些都是他的觀察。
這位人事主管可能已經有些選聘員工的經驗，也從很多書籍、網站和前輩那裡得到一些指點，然後依據這些經驗形成了某些假設，例如：名校畢業的很高傲不容易帶，獨生子女容易情緒化，講之前公司壞話的人品通常有問題...等等，這些是他的詮釋。
最後，依據對若干位求職者的觀察和他的詮釋，這位主管必須預測哪一位員工能給他帶來最高的利益：這個利益可能是直接的工作績效，可能是團隊士氣，也可能是人脈，或是各種利益的組合。最後，他必須做出決策，錄取其中的一些人，然後放到適合的位置。
若干時日之後，這些被錄取的人有的表現傑出平步青雲，有的庸庸碌碌但也勤勤懇懇，有的虧空公司資產被解雇；而沒被錄取的也可能有人在其他公司一戰成名聲名大噪。這位主管可能會回頭修正他的假設和詮釋，也可能覺得一切不如預期的表現都只是運氣成分，繼續堅持他對人的看法。
上面的例子裡，我們可以看到，無論是「從過去的經驗和他人的建議所形成的假設」還是「履歷資料和面試表現的具體意義」，都是這位主管主觀詮釋的結果，是他心中的「真實」。一個人如果依據觀察到的「事實」回頭去修正心目中的「真實」，那麼這是一種「貝氏」的做法（Bayesian approach）；如果一個人直接忽視跟原本詮釋相違被的事實，直接當成誤差，那麼這是比較傳統的統計學方式，也稱為「概率式」（likelihood）。（
這裡有兩種作法的詳細比較，這裡就不多談數學了。）
純就方法來看，「貝氏」的做法不斷的透過預測的結果去修正原始的假設，應該會有「越來越準確」的預測結果，然而就實務應用來看，貝氏方法必然會讓整個分析的過程變得複雜許多，但實際預測的結果不必然都有很明顯的改善，就運算效率而言並不見得划算。
就人類的思考方式來看，人的腦神經活動完全是「貝氏」的，但是人在意識層面的思考通常反而是「堅持相信原本假設」的情況比較常見（例如
前文裡提過的
theory induced blindness）。
囉哩囉嗦寫了一大堆，還是要回到資料分析上。
由於「詮釋」這件事情，一直都是人做得比較好，機器（或電腦）只會
garbage-in-garbage-out，所以「以資料驅動」（data-driven）的分析一直還是必須仰賴有經驗的專家來做詮釋，資料的作用還是不脫離「視覺化」跟「假設檢驗」。
過去（1980~），「專家系統」（
expert system）的研究致力於對專家的詮釋過程做深入的後設分析，以期能讓電腦依樣畫葫蘆，但長期來說成果並沒有很令人滿意。筆者個人覺得，主要是因為向前面提到的：人在意識層面的思考過程，可能跟實際發生的思考過程不同。這個狀況在近年來神經科學的研究成果裡已經不再是新聞了，所以目前更多人嘗試的方向是「透過模擬大腦神經元運作的方式，來重現思考的實際歷程」。
會不會有一天，電腦也可以「詮釋」呢？有人說會，還有人很樂觀的賭咒幾年內會成真，當然也有人覺得不可能，而這是筆者個人的研究興趣，所以，就到此為止吧。
社會創新（Social Innovation）指的是以社會需求為出發點的新策略、新概念、新想法或新組織，目的在文明社會的擴展與強化，而議題包括（但不限於）：勞工工作環境、教育、社區發展、健康醫療...等等。具體的例子有：微型貸款（microcredit，Muhammad Yunus 為此得到 2006 年的諾貝爾和平獎），遠距教育（distance education）等。
