在品牌行銷匯 Brand Marketing Hub的社團裡，我辦了一個簡單的投票活動，主要是想要了解針對新手而言，學習行銷領域的入門最大難點是什麼。有趣的是大部分人都認為資訊過多，不知道如何篩選有用資訊，雖然我覺得這不應該是新手該煩惱的問題，不過還是想要撰文來說明一下這個議題。
如何有效率的篩選有用資訊
在回答此問題前，我們必須先定義清楚『何謂資訊』，以下內容可能會涉及到部分科學領域，如果對此不感興趣的可直接往下看結論。在現今社會上，大部分人都知道信息的單位比特(bit)，但很少人知道這個單位的計算方式是如何產生的，所以在討論有用資訊前，我們必須先清楚信息量的計算方式，才能夠更清楚的定義何謂『有效信息』。
資訊理論（information theory）
人們對於信息的認識和利用，可以追溯到古代的通訊實踐，而隨著社會生產的發展，科學技術的進步，人們對傳遞信息的要求急劇增加，如何提高傳遞信息的能力和可靠性已成為普遍重視的課題。
在過去科學家做了很多的研究與努力，對於資訊理論做了巨大的貢獻，最終於1948年由美國數學家C.E.香農(被稱為是“資訊理論之父”)集大成，出版了《通信的數學理論》，隔年1949年又發表《雜訊中的通信》，從而奠定了資訊理論的基礎。
在資訊理論中，最重要的莫過於對於信息量的量化定義，有了定義與計算方式之後，我們才能夠對其進行分析優化，達到信息傳遞最優解。
香農將信息熵作為信息量的測度，他是這麼描述的：
一、對於一條信息，重要的是找到其中有多少信息量，要搞清楚“信息量”，就要對信息進行量化的度量。 二、“比特”的定義：如果一個黑盒子中有A和B兩種可能性，它們出現的概率相同，那麼要搞清楚到底是A還是B，所需要的信息量就是一比特。 三、充滿不確定的黑盒子我們就叫“信息源”，它裡面的不確定性叫做“信息熵”，而“信息”就是用來消除這些不確定性的，所以要搞清楚黑盒子裡的具體狀況，需要的“信息量”就等於黑盒子裡的“信息熵”。 （“熵”表示一個系統的無序狀態）
若對於以上的解釋還不清楚，我們可以這麼說：根據人們的實踐經驗，一個事件給予人們的信息量多少，與這一事件發生的概率(可能性)大小有關。如果一件事情發生概率是千分之一，而我們能夠提供他確定發生的訊息，那他的信息量就超大；反過來如果他發生機率是100%，那我跟你說他發生了這就等於沒有信息。
信息是確定性的增加，即肯定性的確認。
美國數學家C.E.香農
我再舉個例子：一枚硬幣丟出去，正面與反面的機率分別為50%，若你需要一個信息知道是他是正面還是反面，這個信息量就是1 bit。一個小概率事件的發生，如“北投發生七級以上大地震”使人們感到意外，它給人們的信息量就很多。相反一個大概率事件的出現，如“6月15日台北未下雪”給人們的信息量就很少。
因此,用I(A)=- logP(A)〔P(A)表示事件A發生的概率〕來度量事件A給出的信息量，稱為事件A的自信息量。計算公式如下：
若一次試驗有M個可能結果(事件)，或一個信源可能產生M個消息（事件）,它們出現的概率分別為
,則用
來度量一次試驗或一個消息所給出的平均信息量。
當對數取 2為底時，單位為比特；當對數取e為底時，則單位為奈特。
你會發現到當對數以2為底時，單位為Bit，那你就可以理解為什麼電腦二進制計算後的單位信息也是bit了。
如果你對數學感到頭痛，可以參考之前我們做過的數學線上讀書會：
信息論對生活的指導意義
那這對我們的生活有什麼指導意義？我在2019年的粉絲貼文中有對此做過陳述如下：
套用到「乾貨」上，即是你這篇文章是否能消除越大的不確定性，若你的文章內容是大家都知道的，那麼就沒有消除任何不確定性，因為所有內容都是已知；但如果你可以消除更多的不確定性，針對概率越小的事件或越少人知道的事情進行描述，你的信息量就越大。
一篇「乾貨」的信息量不取決於你的文章長度，而是你的文章能否搞清楚一件非常非常不確定的事，或是一無所知的事情。文章長度也許只是過多的「信息冗余」
大衛的觀察日記
信息量的大小不在於長短，而在於開創多少新知
回到一開始的議題，大家對於資訊的問題在於如何篩選，但對於新手而言，所有的信息都是新知與不確定性，所以其實根本沒有篩選的問題，真正需要篩選的是對此領域已經有了一定了解後才要煩惱的問題。
同時我們可以從中推導出，對自己有用的信息，實際上不一定是長篇大論，而是真正能消除大量不確定性的信息，可能短短幾句話就能開拓自己的未知領域，例如有些改變世界的論文，實際上只有短短一兩頁，愛因斯坦的E=mc2也不過幾個字，但他們都蘊含著超級大的信息量，以至於改變了世界格局。
所以下一篇我們就會從信息論的角度來探討，如何處理噪音與信息冗餘，也就是所謂的轉化成有用信息。