目錄

?
引言──為何在ＡＩ時代，會需要統計學的知識？

?
第 01 話｜這世界不是只有數字而已

──勇司與貴子的初相遇，利用球隊的進球機率比輸贏。
〔解說〕在貴子的計算背後
雖然統計學專家並不特別擅長計算機率

?
第 02 話｜自己與 100 萬人的最大幸福

──有用的數據，卻止於一張圓餅圖，太爛！貴子拉著勇司，不想辜負那些可貴數據，決定自行找答案。
〔解說〕「以圓餅圖掌握現況」後接著該做什麼
今日仍殘存於許多職場的「做個圓餅圖就結束」問題�「資料的加工處理」是數據科學家的重要工作

?
第 03 話｜當數字活起來的那一刻

──兩人進入超市求得 POS 系統的資料，看見實際的客戶特徵……
〔解說〕資料分析的設計方法
「輸出」與「成果」的區別很重要�「成果」設錯了會怎樣？�設定「成果」後，考慮有哪些可能的解釋變數�那些沒教的「研究設計」�在思考前，先對資料進行全面性的分析

?
第 04 話｜改變？還是鎖定？

──得知自家啤酒在週六的購買率較大，並且以女性客戶為主，是要改變顧客的購買時機？還是要鎖定女性客戶？
〔解說〕如何建立統計模型
什麼是「統計模型」？�簡單回歸分析是最簡單的統計模型�多元回歸分析的強大威力及其注意事項

?
第 05 話｜會變得差不多一樣

──為了讓課長心服口服，於是做了小小改動：更換啤酒標籤顏色。業績竟然獲得 1.2 倍的成長！
〔解說〕隨機對照實驗與假設檢定
加上「這類（的）」來思考�為何可用「隨機對照實驗」來確認有無因果關係�「ｐ值」與「統計的假設檢定」�什麼是「95%的信賴區間」？�「統計的假設檢定」與「95%的信賴區間」的運用方式

?
第 06 話｜該由我來完成的工作

──因為數據大獲全勝，公司人資向勇司、貴子尋求協助，希望能做出員工的壓力數據，只是問卷資料一點也不貼近實際有壓力員工的需求，該怎麼辦呢？
〔解說〕「質化調查」與「量化調查」
資料的收集方式是比統計學的運用更為根本的重要問題�也要充分運用「質化調查」才能正確收集資料�以「質化調查」→「量化調查」的順序進行

?
第 07 話｜拜託你囉，樹下「課長」

──根據壓力的五種因素，做出了正確的壓力數據獲得不錯的回響，沒想到，專務給出了新任務：瑞升啤酒的新品計畫，如香檳的高級質感!?
〔解說〕心理統計學與因素分析
從試圖測量智力發展而來的「因素分析」�「因素」可以有 2 個以上

?
第 08 話｜打從心底看不起

──為了保護團隊，勇司做出虛假的數據分析，以滿足專務的目標，最終新品慘敗，貴子生氣離開、勇司也被調職了……
〔解說〕檢定的多重性與可重現性危機
不當使用統計學會妨礙科學的進步�科學如何因應「檢定的多重性」？�個人也能採取的簡易對策

?
第 09 話｜還有一些事情是我能做的！

──勇司成為北海道分社的副社長後，發現當地沒有販售新品，仍是以舊系列商品為主，決定在仙台舉辦北海道物產展，找到銷售商機……
〔解說〕透過時間序列分析進行需求預測
資料分析的 3 大功用�時間序列分析的定義與特徵�時間序列分析的模式與方法

?
第 10 話｜讓這些數字活起來正是我的職責

──透過物產展取得的數據，確認舊系列商品仍是銷售第一，竟遭到專務的裁員威脅。沒想到，貴子竟遠赴北海道為勇司辯駁……
〔解說〕邏輯回歸
能知道「是否為重度使用者」、「會不會生病」的邏輯回歸�以博弈時也會用到的「勝算」來思考�與「多元回歸分析」的共通點

?
第 11 話｜對於數字，不能說謊

──因為新品的慘敗，讓瑞升啤酒的市占率下滑，專務引咎辭職。勇司的作法只是想要確認，在北海道銷售第一的商品，是否也能在全國銷售第一？
〔解說〕將資料分析的結果化為具體行動
掌握現況後的行動�探索並驗證該處理的原因時的行動�預測「此情況再這樣繼續下去會發生什麼事？」後的行動

?
第 12 話｜統計學，真的是最強的！

──樹下被調往國外，希望貴子能重返校園繼續做統計研究。之後想要重組團隊，拉貴子一起…..

?
結語──行動導向的統計學時代
〔附錄〕進一步學習統計學的閱讀指南
參考文獻

引言───為何在ＡＩ時代，會需要統計學的知識？

?

我認為現代所有成年人都該學習統計學的理由有2個。一是因為這有助於理解ＡＩ技術背後的統計機器學習機制，另一則是為了成為能依據資料做決策的人。

?

過去ＡＩ技術也曾在影像辨識及自動翻譯等某些領域的應用上受到矚目，不過2022年11月發表的ChatGPT，則因其簡單易用的使用者介面，以及不論什麼話題都能如人類般自然應答的表現，而引起了全世界的關注。ChatGPT中的GPT，是所謂的大規模語言模型（LLM：Large Language Models），耗費大量的運算資源，透過處理大量的文字資料來建立，是由包含大量變數的複雜公式構成。

隨後於2023年3月，以更大量的資源處理更大量的資料，進一步升級至涉及大量變數之複雜計算過程的GPT-4，據報導還通過了美國的律師資格考試，引發「ＡＩ搶走人類工作的時代」是否終於到來的疑問而震撼全球。但我希望各位理解的是，ＡＩ所使用技術的根本來源，是被稱做統計機器學習的技術，具有所謂「從資料建立出最符合的計算公式」這樣與統計學完全相同的概念。

我個人大約在2010年辭去大學教職後，開始以「擅長IT的統計學家」身分，一邊努力跟上不斷進步的資料庫技術和ＡＩ技術，一邊支援各個企業的資料相關專案。而自從ChatGPT等大規模語言模型及所謂的生成式ＡＩ技術日益受到矚目，我遇到的人們經常會問我下面這類問題。

?

「在ＡＩ如此進步的時代，人類還有什麼工作可做？」

「今後該磨練哪些技能才好呢？」

?

很多所謂的白領工作，確實消失得比想像中更快。這些在日本有時也被稱做「文科的工作」，而正如其名，像這種讀入大量文章或聽取許多人的意見，然後輸出相應文件（資料）的工作，正是大規模語言模型最擅長的。雖然現在還會有「三不五時就出個錯而被專家打臉」的情況，不過，這部分應該只是時間的問題。現在在此領域，也已經有許多企業在開發取代傳統勞力的服務。

?

但另一方面，在我參與ＡＩ相關服務開發的同時，有4種工作令我覺得意外地困難。那就是「實際操作物體的物理性工作」、「與人的情感及信任有關的工作」、「把還沒人能言語化的事物化為言語的工作」、「負責任的工作」。

以「實際操作物體的物理性工作」為例，假設我們嘗試讓ＡＩ來「打掃髒亂的住家或辦公室」。ＡＩ恐怕只會告訴你打掃的訣竅或作業程序而已。若結合圖像辨識功能，或許也能做到正確的垃圾分類。但這類物理性工作需要的終究不是ＡＩ，而是機器人，被ＡＩ指導的人類還是必須動手做事，這和一開始就由人類來做並沒有什麼不同。

或者，以「與人的情感及信任有關的工作」來說，我們可以想想看新商用軟體的銷售工作會是如何。現在只要使用ＡＩ，就已經能逐步做出銷售資料、寫出推銷話術，接著建立將其流暢地讀出的語音，甚至以深度偽造的方式做出某人在介紹該軟體的影片等，只要願意下功夫，就能夠做到。

如果只是購買小型商品、雜貨之類的個體決策，或許可以根據這樣的文章或語音、影片來決定購買與否。但只依據ＡＩ的簡報介紹就做出商業上的重大投資判斷，並自行負擔風險、向上呈報的人應該不多。此外，承受引進ＡＩ所帶來的焦慮，以及為引進後失敗時引發的憤怒道歉等工作（文字已能做到，而未來終究也可能是用語音及影片等），若顯然是ＡＩ做的，也不會有人特地去傾訴焦慮或發洩怒氣。

如果人類的工作只剩這2種，那麼白領的工作確實會被ＡＩ給搶走，不過我認為，在知識型的勞動中，應該會剩下「把還沒人能言語化的事物化為言語的工作」和「負責任的工作」。因為就如前述，大規模語言模型是透過學習這世上的大量文章所建立而成。或者，影像或音樂等的生成式ＡＩ，也是藉由學習附有大量語言資訊的影像或音樂來建立。換言之，還沒有任何人能夠以言語表達的事物，或是沒人做過的事，就不存在於其學習資料中。

那麼，該怎麼做，才能把還沒有人能以言語表達的事物化為言語？以往人類將此來源稱為「經驗與直覺」。也就是活動自己的身體，在與各種人進行情感交流的過程中，把內隱知識轉化為語言。但除此之外，我也建議運用統計學來進行資料分析的做法。要做1萬次的銷售拜訪或許很難，但分析1萬次的銷售活動資料以找出隱藏的成功因素則是可以輕易做到。又或是，要和100萬名的顧客都講到話或許很難，但透過適當的調查與分析，也可以判斷在100萬人中的哪些想法可能與自家公司產品的購買有關。

若是還不曾分析過自家公司的活動與顧客，該分析結果當然就還不包含在ＡＩ的學習資料中，而且如果也未曾以類似的資料做過類似的分析，其中就可能存在有「還沒人能言語化的新資訊」。

統計學的這種重要性在「負責任的工作」上也同樣存在。一直以來，我們都是憑藉著自己的知識與邏輯思考能力，來進行各種需要負責任的決策。但現在ＡＩ已經具備豐富的知識，也能產生似乎符合邏輯的文章。雖然截至我撰寫本文的2025年為止，從專家的角度看來，最新版ChatGPT依舊三不五時會給出錯誤的回答，但「具備足夠的專業知識而得以注意到ChatGPT的錯誤的人」，其人數今後肯定是會逐漸減少。而我們不可能把需要擔負責任的職位委任給在究責時只會說「因為ＡＩ這麼說所以我就這麼做了」的人。

更何況，ＡＩ的知識就是ＡＩ的知識，其所學習的文章不見得全都正確。例如，當學習資料中存在大量「某個時期被頻繁提及的民間說法」時，ＡＩ自然就會煞有其事地提出該說法。這時，以統計學為基礎從資料驗證其真偽的思考方式就能派上用場。若是從未驗證過ＡＩ的主張是否也適用於自家公司的內部或顧客，那麼該驗證結果終究是不包含在ＡＩ的學習資料中。因此，自行負責訂立驗證方法，然後讀取分析結果，並把公司內外的情境納入考量以進行決策，應該會是今後ＡＩ時代中各種組織負責人的重要作用。

這樣的工作或許也可以概括地統稱為「思考並決定新行動的工作」。過去，對成年人來說，即使只是所謂「被別人要求時，你能夠做什麼？」的方法、手段部分，也可以是工作，但就如前述，這個領域已經變得越來越窄小。由於我們的社會已轉變為能夠便宜大量地雇用可以做很多事的ＡＩ這個能幹的助理，所以只是「能夠做什麼」的話，職位就會被搶走。

但另一方面，也可以說對「能夠決定想做什麼或該做什麼的人」而言，絕佳的機會即將到來。因為即使是過去由於知識或人手不足而難以實現的事物，只要你想做，ＡＩ就能替你辦到。今後，所有人的職業生涯都會發生巨大變化，而這取決於他們站在社會的哪一邊。

?

順道補充一下，閱讀至此的各位心中或許會有以下這個疑問。「難道學了統計學的知識和資料分析的技術，就不會被ＡＩ取代了嗎？」

關於這個問題，答案有Yes的部分也有No的部分。在研究有哪些統計方法、如何撰寫分析程式等方面，ChatGPT已經變得比「對統計學稍有涉獵的人」要厲害得多。儘管從專家看來，不時還是會做出「常見的錯誤解釋」、「與其他事物混淆的解釋」，但這可能也只是時間的問題，遲早會解決。

不論是與統計方法有關的說明，還是統計學相關程式設計「語言」的編寫，都可說是很適合大規模語言模型的任務。大規模語言模型的算式處理能力最近也已大幅提昇，因此也已經能夠相當仔細地針對分析方法，為初學者提供相關的算式說明。就像這樣，在統計學方面，以「被要求時能做」的層面來說，ＡＩ每天都在不斷地進化。

然而另一方面，在思考到底在哪些領域、該如何使用哪些資料來分析的部分，ＡＩ則還沒發揮出太大價值。雖然ＡＩ能整理書籍和網路文章裡常見的例子，但反過來說，來自這種「常見」分析的見解並不會帶來任何競爭力，故或許也沒必要現在就特地去進行分析。除非能想到該做怎樣的分析才可以消除自己當前所面臨的瓶頸、才能為事業帶來創新，否則有再多「被要求時能做」的技術，也無法產生顯著價值。換言之，「思考並決定要做什麼」這部分，似乎終究還是人類的工作。

?

本書的出版，正是為了要盡可能推廣這種「思考並決定新行動」的技能。

其實第一代的《統計學，最強的商業武器》幾乎不使用算式，內容聚焦於統計學是如何誕生又如何能夠提供幫助，算是一本有點另類的統計學書籍。而正由於銷售超過40萬本，以致於我在日常工作環境中經常遇到因為讀了該書覺得統計學很有趣，於是試圖認真學習或是將其應用於實務上的人。針對統計方法的數理層面進行詳細說明，或是用於統計分析的程式設計相關書籍都很多，但這些剛好都是ＡＩ的支援力道最強的部分。在現在這個時代，「想活用統計學」的動機、「要對哪些課題運用統計學？」的課題設定訣竅，以及分析結果的解讀方法和根據結果該採取什麼行動的思考架構等技能，已變得相對更為重要。

因此本書的目標，就是要透過故事的形式，來讓各位瞭解這些現在最需要的「統計學的活用方法」。就像很多人因為看了《灌籃高手》的漫畫而有了動機想打籃球，或是學會了如何觀賞籃球賽，精彩的漫畫具有力量，能改變許多人的人生。本書很幸運地能找來也是我個人最愛的漫畫家UME（小澤高廣先生與妹尾朝子小姐）替本書繪製漫畫，因而得以完成不論在故事還是圖像上都非常精彩的作品。若能讓各位充分體驗這個濃縮了我個人數據資料活用相關經驗的故事，真是再開心不過。

此外在每一話的最後，我還針對出現在故事中的統計方法，盡可能加上了簡潔易懂的解說。這是我個人為了避免在故事中解釋得過於詳細，為取得平衡而以後續解說來補足讀者們應該會感興趣的知識面內容所做的努力。

誠心希望本書能讓更多人學習統計學，以獲得足夠的能力可擔任「思考並決定新行動的工作」。

?

統計學家　西內 啟