資料專案最貴的錯，是急著動手卻沒問對問題。
先釐清目標/KPI、實驗需求、資料限制——這三根支柱缺一不可。
拿到資料就急著畫圖、跑模型，是新手最常見的錯。問題定義要先想清楚三件事：要達成什麼目標／指標(KPI)、需不需要做實驗(A/B、因果)、以及有哪些資料限制(隱私、成本、可取得性)。這三件沒想好，後面全是白工。
成功長什麼樣、用什麼數字衡量。
要不要 A/B？要不要因果？先想好。
隱私、成本、拿不拿得到資料。
這頁是「資料」整條路線的起點。下面點三個面向，看各自要釐清什麼。
一個好的問題定義，要同時回答這三組問題。點下面三塊看細節：
| 要素 | 要問什麼 | 沒做好的後果 |
|---|---|---|
| 商業目標 | 要解決什麼商業問題、對誰有價值 | 做出技術漂亮但沒人用的模型 |
| 資料任務 | 轉成明確任務(分類/迴歸/排序/分群) | 目標模糊、無法評估 |
| 成功指標 | 用什麼數字判斷成功、門檻多少 | 做完不知算不算成功 |
| 資料與限制 | 資料拿不拿得到、法規/成本/時程 | 中途才發現資料不足 |
問題定義是資料專案的起點,iPAS 高頻考點(初級科目一、中級科目一與二)。重點:把模糊的商業問題轉成明確、可用資料解的任務,並先講好成功指標與限制(資料可得性、時程、法規)。易混點:常見錯誤是目標模糊、指標與商業脫節、或硬上沒有資料支撐的問題;方向錯了後面再精也沒用。情境:題目常要你判斷某需求是否適合用資料解、或挑對衡量指標。
想練情境題與詳解 → AI 學習與考證地圖
沒定義清楚問題，後面蒐集資料、選模型、評估都會失焦。先確認商業目標、要回答什麼、用什麼指標衡量成功，才不會做出沒人用的東西。
把想提升的目標翻成可量測指標(如降低流失率)，再對應到任務類型(分類、迴歸、分群、預測)，並定義輸入特徵與目標變數。
目標與成功指標、可用資料與品質、限制(時間/預算/法規)、可行性，以及「不用機器學習能不能解決」(有時規則就夠)。
一開始就跳進建模、目標模糊、用錯指標、忽略資料是否取得、解了技術上漂亮但商業上沒價值的問題。
對應 CRISP-DM 六階段的第一步商業理解，把商業問題轉成可解的資料任務，是整個流程的起點。