最近正在幫一個有千萬用戶級別的產品處理國際化的流程，每天產生的數據都是人腦無法處理的級別，所以需要從數據中篩選出有用的資訊再加以改進。

我非常相信統計學，所以更相信樣本數量的重要性。數據在足夠大以前只能是一堆雜訊（Noise），因為無法判斷到底樣本能否代表整體表現，盲目跟從頗為危險。

上一個處理的產品活躍客戶數量少，才百多兩百個，加上每個的需求不盡相同，一直覺得數據能幫的不多，所以非常依賴跟用戶聊天。這也是為甚麼很多成功的團隊早期都特別注重和用戶的溝通，比起小數據，讓用戶說話更為有用。

除了準確程度，取得數據上的時間也是一個很重要的因素，在產品尚未成熟前除了某些大方向外（比如用戶數或收入），很難訂立更仔細的數據－－常常有個情況就是訂立了數據，花了時間獲取，然後那個數據已經沒甚麼用了－－因為早期的產品變化太快。

到後期產品和數據都成長到人無法處理的時候，解析大數據才有了意義－－無論是準確度或穩定性都應該比早期產品更為適合。

大數據的話題常讓不同團隊一頭撞進了用數據說話的迷思，可在數據長大前，聽人說話、讓人去判斷才是最有效率的方法－－要不創辦人比起加入才三個月的新成員能有甚麼特別？