PTT 原始檔 5,839 列中有 5,785 列(99.1%)的發文日期與網址推得的日期不同,而且只差在年份,所以我撤下了 PTT 月趨勢圖;Dcard 另有 1,962 列重複(4.32%)與不完整的 2025-05,也都先處理再看數字。
商業問題
做社群聆聽的人最常被問的第一個問題是「最近討論是變多還是變少」。品牌團隊會拿這個答案決定要不要加碼某個時段的內容,或判斷一次活動有沒有帶起聲量。月趨勢圖看起來最直覺,也最容易被直接截圖放進簡報。
但趨勢圖只有在日期可信、每一筆只算一次、每個月的資料窗口完整時才有意義。我在整理這個作品集的社群資料時,發現這三件事都有問題。這篇文章講的是:在把任何洞察交給決策者之前,我設了一道資料品質關卡,以及它讓我做出哪些取捨。
資料與方法
資料是 PTT 與 Dcard 美妝相關討論的匿名彙總。原始檔 Dcard 45,374 列、PTT 5,839 列;作品集儀表板使用的是納入規則篩選後的快照,共 10,373 篇(Dcard 4,683、PTT 5,690)。內文只用彙總數字,不引用任何貼文內容。
我做了三項檢查:
- 日期交叉比對:PTT 的網址內含一段發文時間戳記,換算成台灣時間的日期,再和資料欄位
artDate比對。這只是比對線索,不代表網址的時間就是真實日期。 - 重複值檢查:Dcard 依網址去重,看有幾列是同一篇。
- 月份完整性:把去重後的篇數依月份排開,找出明顯偏少的月份。
差距的算法很簡單:artDate 的年份減去網址推得的年份,逐列計算後看分布。
發現
第一,PTT 的日期衝突有很特殊的型態。 5,839 列都能從網址取得時間,其中 5,785 列(99.1%)與 artDate 不是同一天,只有 54 列相同。更值得注意的是,所有列的「月-日」都和網址日期一致,差的只有年份:artDate 的年份比網址晚 0 到 16 年,中位數約 8 年(2,922 天)。artDate 的範圍是 2024-06-23 至 2025-03-17,而網址推得的日期最早到 2008 年,網址年份在 2024 年以後的只有 80 列。

| 年份差距 | 列數 |
|---|---|
| 0 年 | 54 |
| 1~4 年 | 994 |
| 5~9 年 | 2,905 |
| 10~16 年 | 1,886 |
這種「月日對、年份錯」的規律不像隨機錯誤。我的推論是採集時對缺少年份的日期欄位補上了年份,但這是推論,不是已驗證的原因。我也不能直接說網址時間就是真日期。
不過這個推論的影響比趨勢圖大。PTT 網址裡的時間戳記通常是文章建立的時間;如果這點成立,PTT 樣本其實橫跨 2008 到 2025 年,而不是欄位上看起來的 2024 到 2025 年。這會影響所有拿 PTT 和 Dcard 並排比較的分析:兩個平台的差異,有一部分可能只是年代不同。第 4 篇的平台比較就要把這點寫進限制。
口徑要分清楚。 儀表板與 README 提到的「5,690/5,690」,是快照裡的 PTT 篇數,也就是納入規則篩選後的子集。快照沒有網址,我無法逐篇對帳,所以日期衝突的統計只能在原始檔層級講:5,785/5,839。把這兩個母體混在一起,是資料品質報告最容易犯的錯。
第二,Dcard 有重複列。 原始 45,374 列依網址去重後剩 43,412 篇,重複 1,962 列(4.32%)。每個重複網址恰好多一列,且留言數與第一列相同。PTT 的 5,839 個網址則沒有重複。
第三,月份窗口不齊。 去重後 Dcard 2025-05 只有 265 篇,而其他月份在 1,981 到 3,582 篇之間,明顯偏低,原因是原始資料的最後一篇停在 2025-05-04,這個月只收到 4 天。PTT 則因為日期範圍從 2024-06-23 開始、到 2025-03-17 結束,頭尾兩個月也不完整。

商業建議
- PTT 不做月趨勢,也不做「前後比較」。 日期回源核實前,任何時間序列都可能是假象。負責資料採集的人應該回到來源重新抓取發文時間,並保留原始欄位。
- 去重放進資料流程的第一步。 分析師在計算任何平均或占比前,先依唯一網址去重。去重會改變結果,例如熱門文(留言超過千則)的篇數會從 75 變成 74,這在第 2 篇有用到。
- 不完整月份一律用虛線或註記標出。 報告使用者看到最後一個月暴跌,第一反應是出事了;標示之後,才不會有人為了一個還沒收完的月份開會。
- 把品質檢查寫成面板上看得到的欄位。 儀表板的「日期品質檢查」就是這個用意,讓任何閱讀者不必問我,就能知道這份資料能不能做趨勢。
限制與下一步
- 我沒有確認日期錯誤的成因,只能說年份有系統性偏差。真正的原因要靠回到來源核對。
- 網址日期只是比對線索,不是標準答案。
- 快照與原始檔是不同母體,快照無法逐篇對帳,所以快照中有多少篇受影響尚未驗證。
- Dcard 的日期我沒有做類似的交叉比對,僅處理了重複與月份完整性,不代表 Dcard 日期必然沒問題。
- 下一步是回源核實後重跑檢查,通過了才恢復 PTT 趨勢。在那之前,儀表板的立場是「不改寫日期、不推論趨勢」。
這篇展現的能力
- 資料稽核:用第二個獨立來源(網址時間)交叉驗證欄位,並用差距分布描述問題的形狀,而不是只說「資料有問題」。
- 口徑管理:清楚區分原始檔與快照兩個母體,並在報告中寫明每個數字的分母。
- 決策取捨:願意撤下已經做好的圖,並說明為什麼,這在實際工作中比硬塞一張漂亮的圖更能建立信任。
- 風險溝通:把確定的事(衝突比例)、推論(補年份)與未知(真實日期)分開講。