要了解「假設驅動研究（Hypothesis-Driven Research）」與「資料驅動研究（Data-Driven Research）」的差異，還可以從母體與樣本的角度來觀察。以往在從事社會研究時，受限於人力、物力、財力，往往無法對母體進行普查，因此才有抽樣技術的出現。透過抽樣技術，大幅減少蒐集資料的成本，並能透過對樣本進行分析，進而推論回母體。
然而，在進行資料驅動研究時，由於研究的對象龐大，規模已經很接近母體，或者根本就是母體（例如：網路上人們所留下的龐大足跡，或是公司資料庫裡所有顧客的交易資料），研究過程中已不需透過抽樣來進行分析，因此也不會受限於抽樣而產生誤差（如圖1所示）。
不過，要提醒的是，如果單從母體與樣本的角度來看，資料驅動研究的優點以乎遠遠大於假設驅動研究。畢竟能對母體直接進行觀察，會比透過對樣本進行觀察再對母體進行推論，效果要來的好。但事實上，除非能在相同的條件下，例如在相同的題目和相同的母體等方面進行比較，否則這樣的說法，還是有其限制。
我們以之前探討「如何降低離職率」的例子來進行說明。在相同的研究題目（亦即「如何降低離職率」），針對相同的母體（亦即同一家公司的所有員工，並假設該公司員工有10萬人）。假設驅動研究會發展研究架構與假設，並進行抽樣設計（假設受限於成本，只對1,000人進行抽樣），透過對員工進行問卷調查與訪談，再透過統計分析，發展離職模型。
資料驅動研究則分析該公司所有與離職相關的可能資料，包括：員工的基本資料、性向測驗、就職年數、考績、出缺勤、遲到、所處部門基本資料、輪調、學習…等紀錄，再透過資料探勘或文字探勘，發展出對該公司的離職人員的預測模型。
從以上的例子，我們可以發現，「假設驅動研究」透過問卷，調查部分員工的知覺與想法。「資料驅動研究」則是從資料庫裡，直接撈取所有員工的基本資料與行為。所以，雖然假設驅動研究沒有對所有員工（亦即母體）進行普查，但假設驅動研究卻能調查出資料庫裡沒有的東西，像是造成離職者可能離職的動機（企業整體待遇不佳、昇遷制度失衡或主管領導能力等問題）。
根據以上的說明，我們可以了解到假設驅動研究與資料驅動研究各有其優缺點。在運用時，我們不應該將這兩種方法視為可以相互替代，相反的，應該把這兩種方法論，看成可以相輔相成。
作者：羅凱揚（台科大企管系博士）、蘇宇暉（台科大管研所博士候選人）
繪圖者：王舒憶（臺灣行銷研究特約設計師）
