科學與科技的距離
要讓科學轉化為科技，有時候只是需要由定性轉為定量
最近我收到了讀者來信。有個讀者正在念研究所，正在為了畢業論文要寫什麼題目而煩惱，因為他很想結合研究與現職工作。我對他的回應裡，談到了一些我對科學與科技的觀點。
我覺得科學與科技算是不同的事。比方說，據我所知的歷史，人類先造出了飛機之後，空氣動力學卻還持續在發展，直到今日，科學對於飛機的昇力都還未能完美地解釋。換言之，有的時候，是科技走在科學的前面。
也正因如此，如果在意的事是：「做的事會不會有成效，是否解決了實務的問題？」這是科技。另一方面，如果在意的事是：「是否提出了解釋與証明，提供了可以講清楚的原理？」這是科學。
科技與科學像是實務與理論，應該要相輔相成，但是實際上，理論卻常常不實用。另一方面，如果我們細數近年來的幾個諾貝爾獎，得獎的重要理由之一，依然是理論有實務的用處。
理論的不實用
有一些理論不實用，因為它脫離現實。
我女兒在家裡看 <<妙妙犬布麗>> ，裡頭提到投票日，布麗的爸爸就解釋選舉是「選賢與能」。
我在旁邊聽這個卡通，聽完這一句整個人快要跳起來，心想：「這個卡通是在給我亂教什麼鬼東西？」
如果把「選賢與能」看成理論來解釋民主政治，這非常地片面，因為民主政治不是如此單純。如果換成另一句「民主政治是以數人頭來代替打破人頭」，這就相對近似得多。用後者來解釋，把投票視為是戰爭的替代品，就可以有效地去解釋，為什麼選舉時永遠會有無盡的負面選戰、對候選人的攻擊、揭發做假與弊案。
除了脫離現實的理論外，還有一些理論不實用，因為它僅指出了表層問題，並未探究深層原因。
例如，資料庫領域的 CAP 定理雖廣為人知，但由於其僅限於三者不可同時滿足的理論限制，對於具體的資料庫設計決策，仍缺乏明確指導。反而是 How to beat the CAP theorem 一文，清楚地指出真正深層的問題是：the use of mutable state in databases and the use of incremental algorithms to update that state.
然而，並非所有的理論都脫離現實，另一些理論雖能抓住問題本質，但缺乏量化指導。
缺乏定量陳述的不實用
幾乎絕大多數從事行銷工作的人都會同意，內容行銷對於品牌的建立至關重要。但是，內容行銷怎麼做呢？很多公司都建立了網站、建立了 blog 、自認為自己做了內容行銷，卻得到沒有任何可感知到的成果。
內容行銷理論在定性上是正確的，但要真正落地，仍需具體的定量指導。例如：
最小有效劑量為一週更新一次
至少要堅持 8~12 個月，才容易看出明顯的成效
在軟體開發的領域，技術債一直都是一種定性的陳述，也正因如此，償還技術債很少被企業真正地重視。企業多半都知道，償還技術債之後可以讓軟體迭代的速度加快、品質也提高，但是，當缺乏定量的陳述時，投資於償還技術債的時間將無法估計投資報酬率 (return on investment)，也因而造成嚴重的投資不足。
換言之，要讓定性上已經確定的技術債理論變得實用，還差了一些定量的技術與陳述，比方說：
將軟體複雜度分成兩類：(1) 造成理解困難的區域複雜度 (2) 造成變更放大的變更耦合 (change coupling)
透過資料分析來分析程式碼本身，將「區域複雜度」加以量化。
透過資料分析來分析版本控管記錄，將「變更耦合」加以圖象化。
總之，僅有定性的理論往往缺乏實務指導，定量化是使理論落地的關鍵一步。
定量讓理論化為實務
近年來，許多企業開始積極地投資資料部門、開始重視資料，因為當代先進的企業紛紛從資料中提取有效的見解，化為競爭優勢。同時，在資料科學家、資料分析師、資料工程師的社群，也時常在探討什麼是資料部門的商業價值。
發展新理論通常需要漫長的時間，但若能在既有理論中加入定量敘述，往往可以迅速得到實際見解。對資料從業者來講，每一個見解轉換出的商業價值有其不確定性，但是，如果提出新見解的速度可以加快，那長期來講，創造大量商業價值就指日可待了。