数据新闻采集：怎样把数字变成故事的第一块拼图

一篇好的数据新闻，读者看到的是图表和结论，看不到的是它背后漫长而繁琐的数据采集过程。已经确定了选题和角度之后，最要紧的问题就是：数据从何而来？

许多人都认为数据新闻的门槛在于分析或者可视化，但是实际上并不是这样——大多数数据新闻项目夭折的原因，并不是因为数据无法采集到。采集环节决定着后面的各项工作有没有素材可以利用，它是整个生产流程中第一个拼接起来的部分。

一、公开数据库：先列出现有的政府和国际组织手中的数据

数据新闻最可靠的基础就是政府和国际组织的开放数据平台。这样的数据权威性高、口径一致、来源可以追溯，适合做调查报道和政策解读类题目。

具体的为：

• 国家统计局“国家数据”平台：包含经济、人口、工业、消费等主要指标，可以进行时间序列查询和导出；
• 世界银行开放数据：包含上千个发展指标，涉及几百个国家数十年的历史数据；
• 海关总署、中国人民银行以及各个部委的官方网站都开放了专门的数据库。

这类平台的优点就是免费并且可以直接使用，因此所发表的文章在被查证的时候能够经受住质疑。

但是局限性也很突出：更新速度慢，大多为月度或者年度的数据；粒度比较大，一般只到省市级或者行业大类。如果选题要更高的时间或者空间分辨率的话，就只能去下一层找数据了。

二、平台自有的工具：电商、社交和内容生态产生的内部数据

当选择与消费行为、内容传播或者平台生态有关的问题时，官方统计数据很难提供帮助，在这种情况下就需要转而使用各个平台自己建立起来的数据产品：

• 生意参谋（淘系）：提供行业大盘、品类趋势和搜索词热度等数据，适用于消费类报道；
• 巨量算数（抖音）可以查看到内容热词和行业趋势，用来跟踪社会情绪的变化；
• 小红书、B站等等平台都有自己的数据后台，供创作者或者品牌使用。

这样的数据来源于平台的真实业务，时效性很强，可以捕捉到官方统计数据滞后几个月甚至几年才反映出来的变化。

但是要清楚地知道：平台给你展示的是它“选择让你看到”的那一部分——字段和维度都是由平台来决定的，并不能由用户自己去设置。如果报道要进行某种交叉分析的话，一般只能通过采集路线来实现。

三、专业的采集服务，在公开的数据不够用的时候作为补充

有的选题需要的数据散落在公开页面上，但是依靠人工整理是不现实的。比如对某一类话题在各个社交平台上声量的变化进行统计，或者跟踪一个行业的头部账号发文规律。这样的需求正好适合专业数据采集服务的发展。

极致了数据平台具有跨平台公开数据采集的能力，可以覆盖公众号、抖音、小红书、微博、知乎等主要渠道，并且可以按照关键词、账号或者时间范围来获取结构化的数据，交付的形式有表格文件和API接口。

可以利用它批量获取某个话题下的各个平台的内容和互动数据，并且再通过人工核对来进行交叉分析。

类似的服务有新榜、清博等等，分别针对不同的平台和场景。选择的标准有两个方面：第一是所选平台是否符合选题的要求，第二是数据字段是否可以用来进行分析。

四、记者亲自走过的路线，即一手采集

最硬核的数据新闻，数据是由记者亲自采集出来的。常见的方法有：

• 信息公开申请：向政府机构提出请求，获得没有主动公布的数据统计；
• 问卷、访谈：设计调研工具，获取第一手资料；
• 人工抽样的记录：对公开页面进行系统的抽样，比如一条条地统计出某种类型的广告被投放的次数。

这种方式花费的时间最长，但是它的数据独特色彩最浓，一般可以得出别人无法得到的独特视角。操作上有一些规则：问卷的设计不能有诱导性的语言；抽样的方法以及误差范围要加以说明；信息公开申请中要具体到某个数据项、某个时间段——越详细的问题，得到答复的可能性也就越大。

五、采集之后进行校对和分析

拿到数据并不等于就可以使用了。采集环节要加校验步骤，一一核对：来源是否可信、口径是否一致、时间范围是否吻合、有没有系统性的缺失。

尤其在进行多来源数据比较的时候，要特别注意统计口径的不同——同一个“就业人数”在统计局和招聘网站上的含义可能会不一样。做好这一部分的工作之后，后面的部分才会有意义。

小结

数据新闻的采集，并不是简单的“找到一份数据下载”。合理的分工就是：

公开数据库打底、平台工具看趋势、专业采集服务补细节、一手采集做独家。

四类来源都有其适用范围，一篇好的数据新闻一般会同时使用其中两种或三种，互相佐证。采集做好了，数据就不再是冷冰冰的数字了，而是报道真正的开始。