Web3 中的鏈上資料

什麼是鏈上資料？

鏈上資料是指記錄於區塊鏈上的資訊。由於區塊鏈屬於分散式資料庫，因此鏈上資料皆為公開，任何人都能自由存取。

Web3 和 Web2 是萬維網的不同世代，其中 Web3 為最新且最先進的版本。兩者的主要差異如下：

1. Web3 採去中心化架構，Web2 則為中心化。在 Web3 中，資料與服務由分散式節點網路提供，而非單一實體。這讓 Web3 更具韌性，不易遭受審查或故障，但同時也更複雜且難以控管。
2. Web3 建構於區塊鏈技術之上，Web2 則採用傳統的用戶端－伺服器架構。在 Web3 中，資料透過加密演算法儲存與傳輸，不依賴中央伺服器，因此安全性與透明度更高，但速度較慢且成本較高。
3. Web3 著重於發展新型應用與服務，Web2 則聚焦於優化現有應用。因此，Web3 更具實驗性與前瞻性，Web2 則較為成熟穩定。

這些差異會影響不同環境下的資料分析方式。在 Web3，分析重點在於理解去中心化網路的運作行為與底層區塊鏈技術，通常需運用機器學習、網路分析等先進技術，來發掘資料中的模式與趨勢。Web2 則著重於分析用戶行為及其應用，主要採用統計分析、資料視覺化等傳統工具來了解用戶動態並辨識趨勢。

若要進行鏈上資料分析，需先蒐集並整理相關資料，再運用資料視覺化與統計分析等工具辨識模式與趨勢。這有助於深入掌握區塊鏈網路及用戶行為，並預測市場走向。在某些情境下，也可運用機器學習技術自動化分析流程，進一步發掘更複雜的資料模式。

鏈上資料分類

鏈上資料可分為兩大類：

1. 原始資料
2. 抽象資料

我們將這兩類區分，是因為所有計算指標本質上都僅是原始資料的抽象化。鏈上原始資料指的是記錄於區塊鏈上的未經處理資訊，包含單筆交易的細節，例如發送者、接收者與轉移的加密貨幣數量。相對地，經濟資料則由原始資料衍生而來，包括特定加密貨幣的供需、市值、交易量等資訊。

經濟資料不只是原始資料的抽象，而是經由各種技術與指標計算產生。例如，市值是以加密貨幣總供應量乘以當前價格得出，交易量則為特定時段內的交易總數。其他指標如貨幣流通速度、網路價值對交易比率等，則需運用更複雜的公式，並考量交易數量及整體網路活動等多項因素。

整體而言，經濟資料有助於用戶從更高層次分析加密貨幣市場，掌握市場趨勢並做出更明智的投資決策。然而須注意，經濟資料未必能完全準確或全面反映基礎市場狀況，使用時應保持審慎。

不同的分析解決方案

中心化 vs 去中心化

鏈上資料索引有多種解決方案，包含中心化與去中心化方式。中心化方案通常由單一實體負責資料蒐集與整理，去中心化方案則透過分散式節點網路進行資料索引。常見的索引方案如區塊瀏覽器——讓用戶搜尋、瀏覽區塊鏈，以及索引服務——提供 API 與其他工具，協助開發者存取與分析鏈上資料。

區塊鏈技術可用於打造去中心化分析解決方案，但是否採用仍取決於系統需求與限制。去中心化方式的優點之一，是有助確保被分析資料的完整性與安全性。不過，去中心化系統在設計與實作上更為複雜，並可能需要更多運算與儲存資源。在效能層面，去中心化系統在部分情境下可能較中心化方案緩慢，但這仍視所採演算法、資料結構及整體設計而定。是否選擇去中心化，最終須依據分析方案的實際需求與目標決定。

區塊鏈資料可以做什麼？

鏈上資料分析可應用多元方法，包括：

描述性分析

描述性分析負責彙總與描述資料內容，可能包括計算基本統計數值、產生視覺化圖表等。此類分析有助於整體認識資料結構，並協助辨識趨勢與模式。

探索性分析

探索性分析則深入探查資料，包括分群、降維等技術。這有助於發掘資料中隱藏的模式與關聯，並啟發後續研究的假設與創新。

推論性分析

推論性分析則運用統計技術，根據資料樣本對整體進行推論。此類分析會應用各種統計方法，如平均值、中位數、眾數、標準差的計算，以及假設檢定、回歸分析等工具。這有助於預測和概括資料內容，並找出不易察覺的趨勢與模式。

預測性分析

預測性分析則運用機器學習演算法，依據資料預測未來事件或結果。此類分析能識別資料中的趨勢與模式，並作為預測或建議依據。常見技術包括分群、分類、回歸等，用以找出資料規律與關聯。

實際用於鏈上資料分析的方法論，會依據分析目標、需求及資料特性而有所不同。

接下來談資料視覺化。資料視覺化是常見分析工具，能將複雜資料以圖表、圖形、地圖等方式直觀呈現，協助辨識資料中的趨勢與模式。例如，折線圖可呈現特定加密貨幣價格隨時間的變化趨勢，條形圖則可比較不同加密貨幣的市值。資料視覺化工具也可建立互動式展示，讓用戶深入探索資料並即時互動，有助於發現原始資料中不易察覺的關聯與模式。

或許有人會問，既然區塊瀏覽器已能提供詳細資訊，為何還要使用視覺化工具？資料視覺化工具與區塊瀏覽器雖同為分析鏈上資料的工具，但兩者用途不同，所呈現的資訊內容也不一樣。

資料視覺化工具專注於將資料以視覺化方式呈現，讓資料更易於理解並辨識趨勢與模式。區塊瀏覽器則是線上工具，讓用戶瀏覽區塊鏈並查詢特定區塊、交易、地址等資訊，提供友善介面以便存取區塊鏈資料，但通常不具備進階分析或視覺化功能。一般而言，資料視覺化工具可與區塊瀏覽器結合，協助更全面掌握區塊鏈資料。

Web3；資料科學；工作機會

展望 Web3 與資料科學的未來，有四大重點值得關注：

Web3 將為資料科學家及相關專業人士帶來更多就業機會。因為有意導入 Web3 的組織將急需具備經驗的專業人才，能夠活用現有資料進行分析、詮釋與產品開發，並結合人工智慧與機器學習。

用戶與資料科學家將能從 Web3 中獲得經濟收益。企業可選擇直接向用戶購買資料（資料擁有者可自由出售資料），將新資料集與現有資料集結合以優化學習模型，並將新的經驗分析於公開市場販售。

資料科學家可應用人工智慧，更全面掌握 Web3 上特定客戶的需求。資料公司可建立具備語意理解的語言模型，因 Web3 以個人或用戶為中心，資料與用戶活動緊密相連，企業能打造專屬於用戶的解決方案。資料公司也能從原始資料中萃取核心洞見，進而轉化為更優質的產品建議，提升客戶體驗並滿足其期待。

在 Web3 時代，資料科學家對全球經濟的影響力將大幅提升。他們將成為新一代「神經元」，協助創造內容或協同運作的人工智慧模型，並解決更複雜的問題或企業／組織所面臨的潛在風險。