快速活用 MySQL，精準設計關聯式資料庫
104學習
Data Architect
負責設計與規劃企業資料系統的整體架構，確保資料流通順暢且安全。需理解資料庫結構、數據整合及雲端技術，並與開發團隊、資料分析師密切合作，提升資料品質與使用效率。此技能對企業數位轉型、數據驅動決策非常關鍵，能有效管理龐大資料資產，支持業務持續成長。
提升你的實力，朝專業更進一步
精選課程
充實自己，讓能力持續成長
數位自動化團隊協作攻略｜Power Automate整合應用
【2026/12/21開班】Architecting on AWS (AWS架構設計實務)
專為混合辦公設計的高效管理工作術
Architecting on AWS
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
CompTIA Project+ 國際專案管理師認證暨實務課程
【2026/12/29開班】AWS架構設計實戰
Advanced Architecting on AWS
精選證照
考取專業證照，讓能力被市場看見
BEA Certified Architect
BEA Certified Architect證照驗證持有人具備設計、規劃及實作企業級應用系統的專業能力，涵蓋系統架構設計、整合技術及效能優化等範疇。持證者熟悉BEA中間件產品，能有效運用其功能提升系統穩定性與擴展性，協助企業建構高效且安全的資訊平台，適合從事大型軟體專案架構設計與技術領導工作。
BEA System
Azure Databricks Platform Architect
Put your knowledge of best practices for configuring Azure Databricks to the test. This assessment will test your understanding of deployment, security and cloud integrations for Azure Databricks.
Databricks Inc.
SSE Data Analysis Using Excel
隨著大數據的氾濫及電腦計算速度快速地成長，藉助套裝軟體快速分析資料來提升決策速度與品質，幾乎是全民運動了。也因此在許多資訊發達的國家，尤其是美國，造就了大量資料分析家(Data Analyst)的職缺需求。使用Microsoft Excel軟體來進行資料分析的能力。是提供國際大企業獵才的參考，並取得資料分析師的入場券。
Silicon Stone Education (SSE)
SSE Data Power Today國際認證
統計是目前處理不確定性最成熟的一門科學，俱備良好的統計知識，透過統計方法的整理與分析就能有效快速地將資料轉成一種數據資訊，進而提升決策品質與商業價值。具備基本的統計分析能力，有助於爾後適切的使用各種的高等統計方法，提升對於未來的決策分析與品質，也有助於職場上之所需。
Silicon Stone Education (SSE)
SSE Big Data Database: NoSQL國際認證
大數據盛行之後，分散式系統成為IT行業的顯學。相對於傳統的關聯式資料庫，NoSQL其分散、非結構化、支援Hadoop、記憶體中處理以及支援MapReduce的特性，在全球各大行業都相繼採用。除了IT及網路業的巨頭(Google, Facebook, Amazon, Microsoft)、其它各行各業如Walmart, Samsung, Comcast也完全投入。可支撐起整個公司的資料儲存、分析、倉儲、串流、即時分析、商業智慧等任務。
Silicon Stone Education (SSE)
SSE Big Data Infrastructure：Hadoop國際認證
要學會大數據的第一步，就是要知道如何從許多的資料來源中存放及處理，而Hadoop就是這樣子的工具。世界500大企業都使用的處理引擎，目前已經成為主流，如果你要跨進大數據的世界，第一個要學的一定是Hadoop。
包括了Hadoop的完整觀念、組成元件、生態系統、重要開發觀念，以及架設維護時的完整考量。通過了本測驗，您將具備處理Hadoop的基本能力，並且可進一步學習Hadoop進階功能。
Silicon Stone Education (SSE)
精選貼文，掌握第一手知識
用「優勢公式」找對夥伴！Google與DeepMind工程師如何用AI改寫能源產業
Google與DeepMind工程師如何用AI讓數據中心省電40%，並創辦AI節能新創？看懂能力、動機與洞見組成的「優勢公式」。本文節錄自《商品決勝點》。
文／傑克納普、約翰澤拉斯基
你的優勢是什麼？優勢會以能力（capability）、動機（motivation）與洞見（insight）三種形式出現。為了解釋這三種優勢如何發揮作用，我要帶你回2014年認識三個人。他們日後成為公司創辦人。看看你能否從接下來的段落，找出三人替專案帶來的優勢─並猜一猜他們最終建立哪一種公司。
首先是機械工程師凱蒂．霍夫曼（Katie Hoffman）。
2014年的一個平常日，凱蒂在各種工業設備之間走來走去，手上沾滿灰塵和油汙。她的視線順著亂七八糟的線路走，一下子接這台機器，一下子接那台機器。凱蒂帶領的團隊負責翻新工廠，裝上新型控制系統以發揮最佳效能。這份工作很重要的一環，就是找出舊系統是如何運作，而實際情形永遠和設計文件說的不一樣。
凱蒂盯著的那條線，連到又一個工廠文件上沒提到的感應器。她用手機拍下照片，備註幾句話，然後嘆氣。成功破解舊系統並改善效率，的確會帶來滿足感─但凱蒂心知肚明，再過幾年，又會有另一批人跑來這，拆掉她所有的心血，再度翻新工廠。在那之前，系統將停留在這次的更新，永遠不會改善，直到再度大改造。凱蒂感覺這樣很浪費，想必還有更好的辦法，但是該怎麼做？
接下來是吉姆．高（Jim Gao）─也是機械工程師。
2014年一個普通的一天，吉姆坐在控制室裡，地點是Google位於愛荷華州的龐大數據中心。這座數據中心當初在設計時，吉姆就參與了，但他今天和凱蒂一樣，想著有什麼辦法能改善效能。
廠內漆成亮色的藍綠紅黃管線，通往四面八方，讓這座數據中心看起來有如《超級瑪利歐》（Super Mario）遊戲被搬到現實世界，只不過沒有蘑菇和飛行龜，只有一排排的伺服器機櫃。
一年12個月，一週7天，白天黑夜不停歇，隨時有冷水流過那些五彩繽紛的管線，負責吸收與帶走伺服器產生的熱氣。冷卻管的確有用，但吉姆檢視控制室的讀數，忍不住感到失望。這個系統太耗電。每次機櫃開始升溫，管理數據中心的團隊就必須加快冷卻系統的輸出。加速時耗用的能源愈來愈多，但也不能不加速─伺服器過熱就會當機，網路將斷線。或許這樣的效率不彰是無法避免的，或許工程技術頂多就只能做到這樣，但吉姆總覺得哪裡怪怪的。他到底漏掉什麼？
最後一位是電腦科學家維達．潘奈薛凡（Veda Panneershelvam）。
在2014年平凡無奇的一天，維達坐在倫敦的桌旁寫程式。他和世界級的軟體工程師團隊合作，一起尋找人工智慧研究的聖盃：寫出能在圍棋賽中打敗人類的電腦程式。
如果你不熟悉圍棋，只需要知道很複雜就夠了。西洋棋有10123種可能的走法，但圍棋有10360種，令人難以置信。圍棋棋盤可能呈現的棋局狀態，還要多過宇宙裡的原子數！
如果要在圍棋取勝，維達和同事必須開發出新型的人工智慧做法，創造能看見未來的程式。2014年的時候，大部分的人認為這是癡人說夢，但維達只覺得興奮。如果AI連圍棋都能勝出，誰知道還能替人類解決其他哪些問題。
我們來回顧一下，先從顧客和問題講起：
凱蒂正在解決大型製造商的工業控制系統缺乏效率的問題。
吉姆正在解決Google有如吃電怪獸的數據中心。
維達正在解決……這個嘛，我不認為他實際上是在解決圍棋的問題。我認為他真正在處理的，其實是人腦處理複雜問題的能力有限。我認為他的「顧客」是全人類。我知道，這聽起來有一點過於宏大，但我認為確實如此。
好，那凱蒂、吉姆和維達的特殊優勢是什麼？剛才提過，優勢有三種。
首先是能力。能力是指你能做到很少人能比得上的事。如果你在大公司上班，你可能享有知名品牌的好處，或是專案有很多預算；如果你替迷你的新創公司工作，你的能力有可能是專注與快速行動。不過，最能派上用場的能力通常是傳統的專業技能（know-how）：
凱蒂是機械工程專家，主要做工業控制。
吉姆也是機械工程師，專長是數據中心。
維達是電腦科學專家，專門做人工智慧。
凱蒂、吉姆和維達在各自的領域都是世界級的人才─有如女籃的凱特琳．克拉克（Caitlin Clark）與男籃的「詹皇」詹姆斯（LeBron James）─但光是他們的能力，還不足以完整呈現他們的獨特優勢。
接下來，我們來看第二種優勢：動機。動機是你想解決這個問題的特殊原因；你願意傾盡心力的事，別人不一定願意。動機也很重要，因為動機能指明一條路，讓你躍躍欲試，知道該在何處以什麼方式發揮長處。
凱蒂、吉姆和維達三位未來的創辦人，全都想要解決重要的問題，帶來正面的改變。這種精神令人欽佩，但過於籠統。我是說，很多人當然都想「讓世界更美好」─但唯有動機十分明確的時候，才能協助你決定該做什麼，所以講得再明確一點：
傳統的工業控制系統升級方式讓凱蒂沮喪。
實體系統的限制讓吉姆沮喪。
維達想運用AI替人類解決大型的問題。
注意到了嗎？以上三人中的兩人，主要是沮喪帶來了動力。如果你的動機也一樣，嘿，沒關係的。世上最優秀的產品，有的就是源自為現況感到憤慨、困惑、惱火、痛苦或抓狂。你不一定要從偉大的願景起步，憤怒也能帶來力量。
好，能力和動機加在一起後，三位未來創辦人的優勢變得更獨特。但他們分別會開哪種公司？讓我們進一步了解他們的故事。
兩年後，在2016年3月9日，維達站在南韓首爾四季飯店的會議室，透過現場影片串流，目不轉睛地看兩個人比賽圍棋。
棋桌的一方坐著李世乭，他是拿過18次世界冠軍的專業棋士。另一方則是業餘人士兼維達的同事。
維達看著同事下一個白子，接著注意力一下子回到會議室。電腦螢幕顯示數十張圖。「勝率圖」頓時表示對白方有利。
電腦認為能打敗看似無敵的冠軍李世乭。
過去幾天，維達和團隊成員─15名剛從倫敦飛來的電腦科學家─把會議室改造成臨時的控制中心。AI程式AlphaGo就是他們設計的。他們在控制中心把AlphaGo認為棋子該怎麼下，轉告給維達的同事，那名同事負責把棋子擺到真實世界的棋盤上。
那場比賽的贏家可以獲得100萬美金的獎金。有沒有人跟我一樣，覺得這個場景像是15名科學家合演高科技搶劫片《瞞天過海》？只不過李世乭其實是在和AI比賽，不是什麼祕密。裁判知道，李世乭知道，每個人都知道。全球各地轉播這場比賽，數百萬人觀戰，不過大部分的圍棋專家都認為圍棋太複雜，電腦不可能獲勝。
然而，在那個首爾的三月天，AlphaGo贏了。
數千英里外，吉姆仍在設法改良Google數據中心的冷卻系統。AlphaGo的故事如火如荼展開時，他偶然聽到這件事，備感著迷，開始追蹤首爾的最新情形，一點細節都不放過。
吉姆挖掘細節時得知，AlphaGo的AI使用「深度強化學習」（deep reinforcement learning）這個突破性的方法。吉姆冒出一個瘋狂的點子。深度強化學習會不會有助於冷卻數據中心？畢竟隨時找出最佳的控制配置，有一點像是在圍棋賽中找出最好的一步。
維達的團隊替DeepMind工作，而DeepMind是Google旗下的公司。這不正好。雖然吉姆沒見過他們，但嚴格來講大家都是同事。維達於是寄電子郵件給DeepMind團隊，解釋他的瘋狂點子。
維達認為這個數據中心的挑戰很吸引人，同意試試看。接下來密集的幾星期，維達、吉姆和DeepMind的工程師團隊，寫出新的深度強化學習程式，把Google數據中心的冷卻系統，交給這個新AI負責。
電力使用起初暴增，因為AI做起實驗，隨機調整控制設定，就像小朋友亂按汽車音響上的鈕。不過，AI也和幼兒一樣會學習，強化有效的策略，用電因此出現改善，再改善，持續改善，最後和AlphaGo一樣超越人類，Google數據中心的用電因此銳減四成。
我等一下會繼續說這則故事，但先來看維達和吉姆合作後發生的事。他們整合雙方的能力─吉姆的數據中心專業能力，加上維達的人工智慧魔法─打造出單打獨鬥生不出來的東西，發揮特殊的優勢。不過別急，好戲還在後頭。
2019年，吉姆和維達結識凱蒂─那位擅長翻新工業控制系統的機械工程師。三人開始討論如何能在Google以外的世界，減少能源浪費。廠房在加熱、冷卻與操作各種設備時，耗用大量的電力。AI也能在這方面幫上忙嗎？
吉姆和維達相信他們能大幅改善工廠的能源使用─但需要借重凱蒂的實務知識，才有辦法設計、販售與裝設解決方案。凱蒂曾在詮宏空調（Trane）、英格索蘭工程技術公司（Ingersoll-Rand）、雷神國防承包商（Raytheon）等企業，帶領過工程與創新團隊。她清楚製造商如何作決定，也了解工業控制系統的缺點。吉姆和維達熟悉的是Google經過精心設計的數據中心，而工業廠房的世界遠比那混亂─凱蒂則熟悉這個領域。三人決定放手一搏，辭去工作，在2019年底成立新創公司淮德拉（Phaidra）。
淮德拉是我們Character資本最早投資的一批公司，他們的故事深深啟發了地基衝刺。他們從大膽的專案起步：企圖運用AI讓各種工業廠房更有效率。他們測試點子，學習如何建立顧客的信任感，談成第一筆生意。淮德拉先在大型藥廠展開試行計畫，隔年拿到第一筆大訂單，在5座工業廠房部署AI，最終還把服務拓展至數據中心。維達、吉姆與凱蒂在2014年渴望見到的超越人類、具備適應性、能預測未來的系統，如今成真。
三人能成功的原因是第三種優勢也登場：洞見。
洞見是指對問題與顧客有深入的了解。洞見讓你擁有別人沒有的觀點。吉姆有數據中心的洞見，維達有深度強化學習的洞見，但淮德拉的策略能成真，仰仗的是凱蒂具備工業廠房─以及擁有那些工廠的企業─如何運作的洞見。
淮德拉三位創始人的能力與洞見加在一起，得出獨特的東西。你可以想成一條等式：
能力＋洞見＋動機＝特殊優勢
凱蒂、吉姆和維達見面時，心想：「天啊！想想我們聯手能做到的事！」淮德拉公司或許算極端的例子，但你也能和團隊利用特有的優勢，帶來屬於你們的「天啊！」時刻。
節錄自：時報出版《商品決勝點：全球最成功的產品設計師如何讓顧客買單》／傑克納普, 約翰澤拉斯基 著
「HR人資數據分析」從步驟、使用工具到10種分析面向一次懂
文：先行智庫
原文標題：什麼是HR人資數據分析？要分析什麼？從步驟、使用工具到10種數據分析面向，本文一次告訴你！
隨著數據分析技術的成熟，以及入門門檻逐漸降低，各行各業逐漸在思考如何應用數據分析，為工作帶來全新的價值，或者是提高決策品質，甚至是創造新商業機會。身為人資夥伴，我們也可以思考手上擁有的數據，例如：出缺勤數據、績效考核數據、調薪紀錄、職務異動紀錄、員工投入度、訓練課程滿意度調查、加班紀錄等，可以如何分析？該設立哪些管理指標？能用何種圖表呈現？怎麼打造員工數據戰情室？要做到什麼樣的程度才可以？使用什麼樣的工具比較合適？在今天這篇文章，我都會幫大家詳細解答。
目錄
HR人資數據分析簡介1.1 人力資源近年發展趨勢1.2 HR人資數據分析是什麼？1.3 為什麼要做HR人資數據分析？
如何做HR人資數據分析？2.1 HR人資數據能分析什麼？2.2 有哪些數據可以做HR人資數據分析？2.3 該使用何種工具比較好？Excel還是Power BI？2.4 做HR人資數據分析的6個步驟
HR人資數據分析關鍵議題3.1 招募數據分析3.2 訓練數據分析3.3 員額數據分析3.4 離職數據分析3.5 績效數據分析3.6 證照數據分析3.7 差勤數據分析3.8 薪酬數據分析3.9 人格數據分析3.10 接班人數據分析
落實人資數據分析4.1 Power BI人資戰情儀表版4.2 實踐人資數據分析可能遭遇的難題
1. HR人資數據分析簡介
1.1 人力資源近年發展趨勢
近期人力資源發展趨勢，可以概分為三個階段。
第一階段，人資主要處理勞檢、出缺勤統計、勞健保與團保、調薪與晉升公告等庶務型工作。第二階段，人資開始成為企業的策略合作夥伴，例如：規劃具備競爭力的薪資福利、根據業務發展方向擬定訓練架構、制定能鼓勵員工的績效考核辦法、優化整體招募流程以提升企業形象。第三階段，人資走向數據驅動，例如：量化個渠道的招募招募成本、量化每個部門的缺口狀況與人力結構、從課後滿意度評分問卷找出辦課重點、善用人格測評分析結果將人才擺在適當位置。
這三個階段並不是互相取代 ，而是同時並進的。換句話說，HR不僅僅要具備運營能力，在大數據時代，也必須要有數據驅動決策的技能。人力資源在過往會被認為是以人為本的行政相關工作，但在科技進步的趨勢下，也開始要涉及數字化管理。
手把手帶你掌握E化 x 數據 x AI【數位人資管理師】 >>
1.2 HR人資數據分析是什麼？
HR人資數據分析，就是運用數位工具，將與人力資源相關的數據進行分析，從中獲取洞察的過程。在這段過程，不論你是使用何種工具，如：Excel、Power BI、Tableau等都是可以的。當然也不限最終的呈現形式，如：PPT、Word、Excel、儀表板。只要HR的工作中有涉及到數字，這段過程廣義來說，就能算是HR人資數據分析了。
其實這並不是一件非常遙遠或很困難的事情，因為HR平常在做的報表或報告，基本上都會做到與數字相關的統計和分析，例如：培訓的滿意度、加班時數、敬業度調查、招募人數統計、職務異動統計等。只是在於這些統計和分析的結果，是否對於決策有正向助益。
1.3 為什麼要做HR人資數據分析？
做HR人資數據分析，最主要的目的是「做出更好的決策」，讓下決策不再憑經驗或憑感覺。例如：要去哪裡找到合適的人才？招募預算應該要如何更有效配置？招募團隊與招募工作應如何調整？我們可以透過分析「履歷收件的有效性」，做為決策的參考依據。
透過HR人資數據分析，能讓我們知道要前往的方向，與評估所需投入的資源與時間，避免將本就有限的資源，投入到代價高且多餘的項目，讓我們將精力更集中在能提升效率的工作。還能夠提高論點的說服力，也能更有底氣的協調跨部門支援。更重要的是，我們可以用數字，來衡量HR的績效表現，讓老闆可以更清楚的知道HR貢獻的價值。
2. 如何做HR人資數據分析？
2.1 HR人資數據能分析什麼？
我們可以從人資工作的流程，選、用、育、晉、留，這幾個面向先思考想解決的問題有哪些？想要知道的訊息有什麼？接著再進一步思考，要解決這些問題，需要分析哪些數據？或者是用什麼樣的數據做佐證。
例如：在招募的部份，我們就會想知道哪個招募管道效益最好？招聘預算該如何配置？在訓練的部份，老闆就會想知道辦訓練課程是否值得？如果值得，又該辦哪些的訓練對於實現業務增長是有正向助益？
2.2 有哪些數據可以做HR人資數據分析？
我們可以將數據先分成2大類，一類是HR相關的數據，另一類是非HR相關的數據。
HRIS系統、PMS系統、LMS系統、招募管理系統、證照管理系統等能倒出來的數據，都屬於HR相關的數據，例如：員工基本資料、加班時數統計、面試邀約紀錄、薪資實發清冊、獎金名冊、職務異動、晉升紀錄、敬業度調查、教育訓練滿意度調查、證照到期統計、績效分數明細表等。非HR相關的數據，像是財務數據、進出貨數據、庫存數據、不良品統計數據等。我們可以將HR數據與非HR數據做結合，這樣就能更清楚後端人力資源與前端工作的關聯性。
2.3 該使用何種工具比較好？Excel還是Power BI？
不論用什麼樣的工具，都可以用來做數據分析，沒有哪一種最好，只有哪一種最適合你，這兩種工具的使用情境是不太一樣的。如果你只是要做出一兩張圖表，而且還要將圖表貼到簡報上，Excel會比Power BI來的更容易操作。但如果你製圖的頻率很高，需要一次展示多張圖表，希望將多樣的人力資源數據都整合在一起，那Power BI會是比較適合的。簡言之，如果只是單點式的做分析，Excel就足以，如果需要做全面的整合，Power BI會是更好的選擇。
2.4 做HR人資數據分析的6個步驟
做人資數據分析有6個步驟，千萬別一下子掉入工具的選擇，我們必須依照這幾個步驟，一步一步踏穩，才能讓數據發揮它的價值。這6個步驟分別是：問題思考、資料彙整、資料清理、資料視覺化、數據洞察探索、展示報告與共享。
3. HR人資數據分析關鍵議題
你可以設計一套完整的、有系統的HR人資數據分析框架。你也可以針對招募、訓練、員額、離職、績效、證照、差勤、薪酬、人格、接班人等議題，單獨做數據分析。接下來我會針對常見的這幾個議題，做詳細介紹。
3.1 招募數據分析
大招募時代來臨，許多企業都面臨缺工與招募不到人才的問題。在招募工作中，你可以分析：要去哪裡找人？怎麼縮短人才招募時間？如何用最少成本，招募到最好的人？
要回答上述問題，我們可以從許多招募指標和數據中，找到合適的線索。還可以將這些指標建立成招募戰情儀表板，把所有的指標圖表攤在同一張儀表板上，用更宏觀的視野來看公司的招募狀況。透過客觀的數據分析，將能夠給我們足夠的決策參考情報。但如果你要做招募數據分析，就需要有招募相關的數據才行，例如：開缺報表、面試紀錄表、Offer Delivery的紀錄表。
有了情報之後，我們也可以從每一個招募工作環節，仔細檢視還能如何改善，藉由優化招募流程，解決招募工作面臨的問題，或者是採取一些創新的作法。
3.2 訓練數據分析
科技進步速度飛快，加上近期景氣低迷的因素，許多企業都意識到投資員工教育訓練的重要性。在教育訓練工作中，你可以分析：要辦什麼樣的訓練才能夠對應到公司業務發展所需？要花多少錢在教育訓練才合理？舉辦的教育訓練有沒有效？
教育訓練是一個相對比較難用數據衡量的議題，通常都只會想到分析課後回饋問卷。但如果心有餘力，也可以去蒐集前端部門有的數據，例如業務部門就有業績數據、生產線就會有不良品或停機相關的數據。接著就能夠將後端的HR數據，與前端的數據串聯做分析，以了解訓練課程的投資，對於工作成效是否有直接的助益。
3.3 員額數據分析
隨著組織不斷擴大，如何用有限的人力配置，發揮最大的價值，是做員額數據分析最重要的目的。在員額headcount的部份，你可以分析：公司員工人數和營業收入是否成正比？人力的組成結構是否健康？面對組織未來的策略發展，公司的人力配置要做哪些調整？預算數與實際員額數是否有明顯的差距？
3.4 離職數據分析
員工離職，我們除了做離職面談，其實還可以做數據分析。你可以分析：關鍵人才人才離職率、員工離職的原因統計、員工離職所產生的成本、造成員工離職的主要因素。而這些分析結果，你也可以用一些比較特殊的圖表，更精準傳遞你想訴說的訊息。
3.5 績效數據分析
人資部每年都會收到各部門主管針對部門員工做績效考核分數的數據，如果這些數據只是用來記錄就有點可惜了，我們可以將這些數字更進一步做分析，用來激發員工潛能、找出潛力人才。你可以分析：每位員工歷年來的績效趨勢、連續若干年績效表顯都很亮眼的員工、與員工績效有正相關的因素是什麼、績效與調薪之間的關係。
3.6 證照數據分析
各行業因為法規或業務發展的關係，需要考取證照。如金融業就會有壽險、證券、期貨等證照；科技製造業就會有化學品、堆高機、急救人員、工安、衛生管理等。資訊業可能就會有各原廠的認證考試。在證照的部份，你可以分析：即將到期的證照張數、證照張數的服務能量是否能滿足業務需求、每人已過期或到期的證照張數。
3.7 差勤數據分析
同仁的請假與加班狀況，會影響到員工的身心健康與工作成效。請假與加班的數據，一般都是用來通知當事人，或者是當事人的主管。但除了通知用途外，這些數據你還可以用來分析：各部門平均加班時數、哪些部門或哪些員工有異常加班的狀況、加班費的支出是否可以再降低、有哪些員工年底到了但特休使用率還未達80%。
3.8 薪酬數據分析
近期科技業大裁員的消息，讓我們意識到人事費用，對於企業而言是一筆不小的開支，需要審慎的發放與運用。該如何提高人事成本的韌性？在景氣大好時能大舉徵才？在景氣不好時又能夠有效控管人事成本？做薪酬數據分析，是首要任務。在薪酬這塊，你可以分析：公司與同業的薪資水準、人均營收與人均成本、薪資結構的合理性、薪資級距、是否逐年調薪、薪資發放的公平性。
3.9 人格數據分析
如果企業有做人格測評，通常每人都會收到一份數字化報告。但如果分開單獨看一個人的測評結果，不容易了解團隊整體的樣貌，因此我們可以將每一位員工在測評中的數據彙整後，做交叉比對，藉此分析：主管與非主管的人格特質差異、離職與在職員工的人格特質差異、各部門的人格特質是否符合業務需求。從中可以了解什麼樣的人適合擔任主管？什麼樣的人離職風險更高？團隊的組成是否有需要再調整？
3.10 接班人數據分析
許多企業在現在都面臨的接班問題，但挑選接班人除了依照主觀判斷，還要拿出客觀數據，才能夠讓接班人的挑選更具有說服力。最常見的一種方式就是人才九宮格，可以藉由績效分數和潛力分數進行判斷，找出超級明星或潛力明星。（參考文章：如何運用Power BI找出企業接班人？）當然你也可以分析每一位接班人：過往執行的重大專案數、近年績效表現、年資與年齡。
4. 落實人資數據分析
4.1 Power BI人資戰情儀表板
在做HR人資數據分析時，你可能會針對許多的管理指標，繪製出視覺化的圖表。就算準備的再周全，一樣有很高的機率，會被問到你準備資料以外的問題。而且從你取得數據，經過加工，再送到報表閱讀者手中，就已經不是即時的資料了。再加上不同的閱讀者，看報表的角度也都不盡相同，如果要針對每一個閱讀者的習慣與喜好，個別製作報表，是相當耗時耗力的工作。為了讓HR數據分析能更全面涵蓋老闆會問的問題、為了讓數據能更即時的傳到老闆手中、為了讓數據能用自助式的方式讓報表閱讀者自行篩選調整格式，我們可以透過Power BI做HR人資數據分析。請參考以下範範本：
4.2 實踐人資數據分析可能遭遇的難題
要落實人資數據分析，並不是短時間就能完成的事情，可能還會遇到許多挑戰等待你克服。最可能遇到的就是數據蒐集難題，像是缺乏重要的數據，該如何布局蒐集數據的管線與流程。也可能會遇到溝通的挑戰，像是如何讓用人單位意識到，人力資源的數據報告有利於業務增長。還可能會遇到資料整合難題，例如資料散落在各方，缺乏整合管道，如何有效率的彙整。這些問題都不是短期內就能輕鬆被解決的，但唯有這些難題被克服以後，才能夠落實人資數據分析。
了解更多Power Bi 相關的學習資源 >>
學更多【Power BI】，馬上報名 >>
Power BI 資料視覺化
Power BI HR管理分析師【招募數據視覺化】
Power BI 資料清理與建模
Power BI DAX函數運用
人資必備數據Know-how都在這裡> >
用Power BI 做視覺化數據分析，企業導入時會遇到六大階段
HR數位轉型怎麼做？以數據分析為驅動
從這15個數據指標，開始建立你的招募漏斗
你的招募數據報告，老闆看不懂？ 因為你沒有「資料視覺化」
HR這樣做數據分析報告，老闆才想聽！
從數位工具到商務實戰──義民高中資料處理科：培養跨域競爭力的數位職人
如何讓學生在 AI 崛起與網路經濟爆發的時代脫穎而出？義民高中資料處理科給出了一個清晰的答案。這門兼具「資訊技術」與「商業管理」的學科，不僅教導學生如何操作電腦、考取證照，更著重於跨領域的邏輯思維與實務整合。在這裡，學生從最基礎的文書處理出發，逐步踏入會計、經濟與商業專題製作的殿堂，在數字與程式碼之間，編織出屬於自己的未來職涯藍圖。
跨域思維的先行者：結合資訊與商務的學科優勢
「資料處理科最核心的優勢，就在於它的『跨領域』。」義民高中資料處理科陳昭君主任在訪談中一針見血地指出。面對許多國中生與家長常將「資訊科」與「資料處理科」混淆的疑問，主任給出了一個簡單而明確的判別方式：「資訊科是工業類群，面對的是機器；而資料處理科（資處科）則是商業管理群，面對的是人。網路世界的基礎是電腦，當你具備了電腦操作能力，又懂得商業運作邏輯，就能直接跨入電子商務與現代商務的領域。」
在課程設計上，資處科將複雜的電腦應用與統整商管知識相結合。高一到高三的學科內容涵蓋兩大體系：
資訊技術： 電腦軟體應用（Word、Excel、PowerPoint）、中英文輸入、計算機概論與Python 程式語言。
商業類科： 會計學、經濟學、商業概論到專題製作。
這種雙軌並進的訓練，讓資處科的學生在面對複雜的商業環境時，既擁有清晰的邏輯思維，又具備資料處理的執行力。
圖：學生透過上機實作，培養文書能力
從基本功到高階應用：以證照檢定奠定實力自信
在義民高中資處科，學習成果不只體現在課堂的聽講上，更落實在具體的證照考取與技能檢定中。學校規劃了一套循序漸進的證照地圖，協助學生在三年內建立無可替代的硬實力。
「我們透過考取證照的過程，給孩子們建立信心。」主任分享，高一時學生會先從電腦軟體應用丙級、TQC 辦公室應用軟體（Word、Excel、PowerPoint）以及中英文輸入開始扎根；到了高二、高三，則進階挑戰高難度的「電腦軟體應用乙級」檢定，以及人工記帳會計丙級等專業證照。
目前就讀資處科的林同學與戴同學，便充分展現了這項環境帶來的專業實力。林同學在三年內考取了包括電腦軟體應用乙級與丙級、商教會會計一級檢定、人工記帳會計丙級等多張高含金量證照；戴同學也順利拿下了電腦軟體應用丙級及多張 TQC 證照。這些努力，成為他們畢業時最堅實的備忘錄。
圖：高中三年努力考取多張證照，展現學以致用的實力
理論與實務的交會：專題製作打開職涯的無限可能
隨著 108 課綱的推進，「專題製作」成為資處科高三學生最重要的核心課程。專題製作要求學生必須主動整合三年所學，從無到有地完成一項縮小版的商業研究或企劃報告。
主任分享，目前科大在競賽與專題上喜好的取向，多圍繞在 ESG（環境、社會與治理）、APP 應用、產品行銷企劃與活動企劃。因此，學生的專題主題也緊扣這些時代脈動，例如有組別便以「心理舒壓」為核心研發創意點子，完成了具備高度整合性的專題成果。
在專題製作的過程中，學生必須寫出完整的企劃書，內容涵蓋室內設計構想、成本預算控制、人力資源配置、行銷宣傳策略等。主任透露：「在討論行銷推廣時，學生提出想利用 Instagram作為宣傳通路。我不直接教他們怎麼進行推廣，但我會以過去做行銷的經驗挑戰他們：『你們的推廣策略就只有這樣嗎？要怎麼寫文案？文稿跟圖片要怎麼呈現？』」這種高互動性的引導，讓學生養成思考每一步驟背後的邏輯與效益。
圖：高三專題成果，榮獲商業類技藝競賽獎項，展現跨域整合與實作能力
多元進路與特質媒合：找到屬於自己的發光舞台
「讀資處科，最大的好處就是未來的出路非常寬廣。」主任驕傲地表示。由於兼具資訊與商管背景，資處科畢業生在統測升學時擁有極大的優勢，可選擇的落點涵蓋：資訊管理系、企業管理系、財務金融系、會計系、財稅系等…甚至是跨足跨域的工業管理、資訊工程系等。
對於有志於在高中畢業後直接投入職場的「實用技能班」學生，資處科也提供了充足的就業準備。林同學與戴同學便分享，身邊選擇直接就業的同學，多數能順利進入餐飲業、零售通路（如全聯）等服務產業服務。更有實用技能班的孩子在畢業後，一邊在知名科技公司（如緯創）上班，一邊在國立大學研究所繼續深造，實現了產學無縫接軌。
究竟什麼樣的孩子適合就讀資料處理科？主任與兩位學生的分享總結出了以下幾項人格特質：
樂於與人互動、不排斥溝通： 商管群的核心在於服務與協調，具備良好的文字與言語表達能力是重要基石。
對數字與細節具備敏感度： 不需要數學成績頂尖，但必須對數字有耐心，能從簡單的數據中發現脈絡。
喜好操作電腦、不排斥邏輯思考： 面對系統與程式工具，願意動腦思考其運作邏輯。
航向數位未來的羅盤：在多變環境中發光的跨域英才
在義民高中資料處理科的三年的時光裡，學生學到的從來不只是死板的軟體操作，而是一套與現代數位世界對話的方式。從高一敲擊鍵盤的生疏，到高三能在講台上自信展示專題成果；從面對數據的迷惘，到能用多元工具梳理資料邏輯。這群資處科的學生在細節中鍛鍊判斷力，在跨領域的碰撞中摸索自我，陪伴著他們走向未，在各自的領域裡閃閃發光。
開箱資料處理科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
「數據／資料工程師」12個必備技能、推薦職缺、證照進修
大數據時代來臨，企業數位轉型的需求應運而生，因此數據工程師（資料工程師）在企業中所扮演的角色也日益重要。本文盤點要成為數據工程師，強烈推薦要學的 12 項必備技能。一起來看看【數據工程師】工作日常以及104人力銀行上有數據工程師工作機會。
成為數據工程師的 12 項必備技能（點擊可跳至章節）：
基本技能（程式語言與資料架構）
網路概念
資料庫 Database
數據湖 Data Lake 與物件存儲
數據倉儲 Data Warehouse
分散式系統
數據處理
機器學習 Machine Learning
作業編排管理
前端與儀表板
後端框架
自動化與部署
如何開始數據工程師之路？了解數據工程師工作日常
【數據／資料工程師】推薦職缺
【數據／資料工程師】職場常見證照整理
【數據／資料工程師】職場再進修課程推薦
文／LnData 麟數據科技
數據工程師的必備技能樹 (Source: Anuj Syal)
一、基本技能
首先，以下是最基本的必修技能，也是想進入這個行業需要的優先入手技能，包含：
SQL：SQL即「Structured Query Language」，也稱做「結構化查詢語言」，是一種用於管理和查詢關聯式資料庫的語言，用於處理和操作大量數據。它允許數據工程師對資料庫執行各種操作，如數據檢索、修改和定義，且幾乎所有資料庫和數據倉儲都使用SQL。
程式語言：數據工程師必備技能當然包括使用不同的程式語言來處理數據，如 R、Scala、Java等，但首推 Python，因為Python容易上手，並且擁有許多免費且開源的資料科學工具和資源，使其成為處理數據相關工作的理想選擇。不僅如此，Python還有豐富的開發者社群，讓你輕鬆找到相關的學習資源和解決問題的方法。
Git：即「Global Information Tracker」，Git是版本控制的重要工具，可以追蹤、保存和管理軟體代碼的所有更改和操作，幫助資料工程師協作開發數據工程項目，並確保團隊成員之間的協同工作，可避免有人亂改或誤刪代碼。
Linux指令和Shell腳本：Linux是一種常用的作業系統，數據工程師經常使用它來處理數據，常見的版本如Ubuntu、Fedora。熟悉Linux命令（例如cd、pwd、cp、mv等）和Shell腳本可以幫助數據工程師自動化任務、管理伺服器和處理大量數據。
資料結構和演算法：數據工程師需要對資料結構（Data Structures）和演算法（Algorithms）有足夠的理解和解決問題的技能，以優化數據處理和分析。初學者可透過初級到中難度的LeetCode問題進行練習。
二、網路概念
由於現在大半數據都在線上，因此工程師常需接觸與處理VM（虛擬機）、伺服器和 API（應用程式介面），而此時就需要對 IP（互聯網協議）、DNS（域名伺服器）、VPN 等基本網路概念有基本了解。
API（應用程式介面）概念示意( Source: Geeks For Geek)
三、資料庫
資料庫是按照數據結構來組織、存儲和管理數據的倉庫，相關概念包含：
基礎知識：資料庫是存儲數據的空間，包含表（Table）、行（Column）、列（Row）、鍵（Key）、連接（Join）、合併（Merge）和模式（Schema）等基本概念。
SQL：雖然前面提過了，但要知道在使用這些資料庫時，SQL可說是最泛用也最不可或缺的語法，因此這邊再提一次。。
ACID：是原子性（Atomicity）、一致性（Consistency）、隔離性（Isolation）、持久性（Durability）的縮寫，旨在確保數據操作的有效性和穩定性。
資料庫建模：指在設計資料庫時考慮如何組織資料的過程，包括星型模式、平面設計和雪花模式等不同方法。
資料庫擴展：包括垂直擴展和水平擴展，它們用於增加資料庫的性能和容量。
OLTP與OLAP：OLAP（在線分析處理）、OLTP（在線交易處理）是不同類型的數據處理系統。OLTP是設計用於處理日常業務交易和交互式操作的系統；OLAP則是設計用於分析和探索大量數據的系統。
關係型資料庫：Relational Database，是大多數應用程式使用的傳統資料庫，用於結構化數據。常用的資料庫有PostgreSQL和MySQL。
非關係型資料庫：Non-relational Database，也稱為NoSQL資料庫。跟傳統的關聯型資料庫不同，它們不使用固定的表格模式，而是以更靈活的方式存儲數據，適合處理大量非結構化數據。非關係型數據還可分為三種類型：
鍵值資料庫：如Redis、DynamoDB、FireBase
圖形資料庫：如Neo4j、ArangoDB
寬列資料庫：如Apache Cassandra、Google BigTable
常用的關係型資料庫 MySQL
四、數據湖 Data Lake 與物件存儲
數據湖是一種大規模集中式數據存儲系統，它允許組織以原始、半結構化或非結構化的形式存儲數據，而無需建立嚴格的資料結構。這意味著數據湖可以包含來自不同來源、不同格式和不同質量的數據，可以是文本、圖像、影音等，也包含報表、視覺化、資料分析、機器學習等轉換後資料。
數據湖通常使用分佈式或物件存儲（Object Storage）系統來存儲大量數據，如Hadoop HDFS、Amazon S3等。數據以原始文件或對象的形式存儲，每個對象都包含數據本身、元數據（metadata）和唯一識別子。這種方式使得數據能夠以平面結構組織，並且具有元數據以描述數據的特徵和用途，能夠更好地管理和查詢數據。
五、數據倉儲 Data Warehouse
數據倉儲（Data Warehouse）是一種專為組織和管理大量數據而設計的數據存儲和管理系統。它的主要目標是將來自不同來源的數據整合到一個統一的、易於查詢和分析的資料庫中，以支持企業的決策制定、報告和分析需求。例如 Google 的 BigQuery、AWS Redshift、Azure Synapse、Snowflake、ClickHouse 和 Hive。須了解的相關概念包含：
SQL（略）
規範化與非規範化：在數據倉儲中，數據可以以規範化（Normalized）或非規範化（Denormalized）的方式進行組織和存儲，具體選擇取決於業務需求和查詢性能的考慮。規範化主要為求消除數據中的冗余或不一致性；而非規範化則是將數據合併到一個表中以提高數據更改速度。
OLAP與OLTP（略）
六、分散式系統
包含大數據、Hadoop、分佈式文件系統、MapReduce等概念。在分散式系統中，多台機器（稱為節點或伺服器）組成叢集並共同協作，這些機器可以在不同的地方執行，彼此通信並共同完成任務。分散式系統的好處是可提高性能、可用性和擴展性，同時減少單點故障的風險。
由於其複雜性，這些系統擁有各自獨立的技術組件。因此，為了開發與佈署這些系統，數據工程師需要使用叢集管理技術或工具，如Kubernetes、Databricks，或者自行建立Hadoop叢集等。此外，還有許多開源技術可供利用。
Kubernetes 也稱為 K8s，是一個熱門的分散式系統開發和支撐平台(Source: DevOps Mojo)
七、數據處理
數據處理是指使用程式語言來轉換數據的過程，這包括清理數據以及驗證數據的準確性。在進行數據處理時，通常會使用各種工具和框架，具體選擇取決於任務的性質和規模。
以下是一些常用的數據處理工具和框架：
Pandas：Pandas是一個好用的Python套件，常被用於處理和分析數據。它提供了豐富的數據結構和函數，適合用於數據轉換和清理。
SQL：（沒錯，又是它）由於多數數據倉庫支持SQL語言，因此SQL是一個常用的工具，用於執行數據轉換操作，尤其適用於處理結構化數據。
Spark：Apache Spark是一個用於大數據處理的強大框架，它提供了分佈式數據處理和分析計算。Spark通常用於處理大規模數據轉換操作，性能高且具有可擴展性。
Spark Streaming：Spark Streaming是Spark的一個模塊，用於處理流式數據。它可以實時處理數據流，非常適合需要即時分析的應用。
Spark是常用於處理大數據的強大框架(Source: Data Mechanics)
八、機器學習 Machine Learning
機器學習（Machine Learning）是一種人工智慧（AI）的子領域，它教導電腦如何從數據中學習，以自動改進和做出決策，而不需要明確的程式指令。機器學習可以應用於多個領域，如圖像辨識、語音識別、自然語言處理、醫療診斷、金融預測以及自駕車技術等。
人工智慧、機器學習、深度學習都是資料科學中的熱門領域
對於數據工程師來說，了解機器學習的不同類型，包括監督學習、非監督學習和增強學習，以及相關的模型(如邏輯回歸、決策樹、K-最近鄰算法等)很重要。他們需要知道何時應該使用哪種模型，並學會處理數據、調整模型參數，以及評估模型的預測準確性。
操作機器學習的平台有Vertex AI、Kubeflow等，這些平台可以協助數據工程師輕鬆部署模型，並構建更準確的工作流程，幫助數據科學家做出更精確的決策。
Vertex AI 是Google Cloud上的一個機器學習平台
此外，還有一些集成平台可讓數據工程師將工作流程整合到一個地方，如AWS Sagemaker、Databricks和Hugging Face等。這些平台通過共用的應用程式接口和圖形界面，使應用軟體功能不受特定硬體、作業系統、網路協議或資料庫管理系統的限制。
AWS Sagemaker也是不少人的ML開發選擇(Source: AWS)
九、作業編排管理
編排（orchestration）是一種用於管理和協調組織各種任務和工作流程的方法。它幫助我們確保工作按照預定的順序執行，以達到我們的目標。
最佳的編排工具之一是Airflow。它使用基於Python的有向無環圖（DAG）來記錄工作流程，讓您可以清楚地定義和規劃工作。Airflow特別適用於複雜的工作流程，並且在大數據和數據工程領域中廣泛使用。
其他工具包含Luigi、Nifi和Jenkins。每個工具都有其獨特的特點和使用場景，可以根據你的項目需求來選擇適合的編排工具，可以幫助數據工程師自動化和管理各種任務，提高工作效率。
Airflow是開發時常用的工作流程管理工具(Source: Airflow)
十、前端與儀表板
前端和儀表板（dashboard）是用來展示數據結果和互動的工具。它們讓我們能夠以圖表、圖像和表格的形式呈現數據，並讓用戶與數據進行互動。
舉例來說，Jupyter Notebook 是一種常用的工具，它可以幫助數據科學家和分析師在筆記本中直接進行數據分析並建立視覺化圖表。
Jupyter Notebook是好用的互動式開發工具，是許多資料科學工作者選擇
此外，儀表板或所謂BI工具如 PowerBI 和 Tableau，以及 Python 套件如Dash 和 Gradio，也被廣泛使用。這些工具允許我們建立互動性強的儀表板，讓用戶輕鬆探索數據，查看不同的視覺化結果，並根據需求進行操作。
Tableau是業界常用的商業智慧(Business Intelligence)工具，建立企業數據儀表板
十一、後端框架
後端框架與軟體工程有關，它們有助於構建網站和應用程序的後端部分。舉例來說，如果您想建立一個網站或應用，可能需要一個後端框架來處理用戶發出的請求、管理資料庫，以及提供信息給前端顯示。
基於 Python 的後端框架包含 Flask、Django 和 FastAPI 等。Flask 是一個輕量級的框架、Django則提供了更多的內置功能、FastAPI 則專注於建立API。
除了這些，還有一些雲端技術可供使用，例如G oogle Cloud Platform（GCP）的 Vertex AI API 和 AutoML APIs，這些技術可以用於模型部署和機器學習應用。
Flask 是一個 Python 網頁應用程式框架，因輕量靈活而受許多開發者喜愛
十二、自動化與部署
自動化和部署是指使用不同的工具和技術，來讓程式碼的建立和執行過程更加自動化和簡化，有助於提高效率、降低錯誤，並讓應用程式更容易管理和維護。
這個過程包括以下幾個主要方面：
基礎設施即程式碼（Infrastructure as Code）：這是使用工具如Terraform、Ansible和Shell指令來管理和配置伺服器和基礎設施的過程。這些工具可讓你將基礎設施視為程式碼來處理，使其更易管理和自動化。
持續集成/持續部署（CI/CD）：指透過GitHub Actions和Jenkins等工具來自動化程式碼的測試、集成、部署和交付的過程。有助於確保程式碼的品質，並使新功能能夠快速部署到生產環境。
容器化：即使用Docker和Docker Compose等工具，將應用程式和其相關的依賴項打包成容器的過程，可使應用程式在不同環境中更容易部署和執行。
Docker工作流程示意
想當數據工程師，如何培養能力？
在學生可以學習統計、資工、資料科學等科系的課程，或是透過相關實習或競賽來摸索對此領域的興趣。此外，網路上有許多付費課程、YouTube上的免費資源，也可以在kaggle、LnData等平台取得更多練習與交流機會、相關知識、技巧或資源！
要記得，這些相關技術日新月異，即使是正在工作中的數據工程師也必須時時學習與了解最新技術。相對的，正因為技術不停在改變，你也不需要強求把上面所有技能練到精通，而是掌握重要的基本概念與保持開放的學習態度。
數據工程師可以為企業做什麼？
數據工程師日常就是與數據打交道，主要包含收集、讀取、清理，探勘與管理企業的資料，以抓取符合企業分析需求的數據。這些數據則能進一步透過機器學習、演算法，產生更有價值的結果或應用方式，幫助企業做出更好的決策、優化業務流程，例如降低成本、提高獲益、優化產品、留住熟客及開發新客群。因此，數據工程師對於企業的重要性不言而喻。
然而，企業想挖掘數據最大價值，並不能只靠數據工程師。一個完整的數據團隊，通常包含數據工程師、數據科學家、數據分析師三種角色，各司其職、專業分工。他們在日常工作流程中扮演各自的角色，互相協作，完成各種不同的專案——這也是為何我們最後要強調，除了技術以外，溝通與協作等軟技能也非常重要！
（原文標題：2023 年想成為數據工程師的 12 項必備技能）
[joblist_plugin title='推薦【數據／資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?ro=0&keyword=%E6%95%B8%E6%93%9A%E5%B7%A5%E7%A8%8B%E5%B8%AB&expansionType=area,spec,com,job,wf,wktm&jobsource=blogc&langFlag=0&langStatus=0&recommendJob=1&hotJob=0' amount='3']
【數據／資料工程師】職場常見證照整理：
序號證照證照介紹發照單位1DP-203 Azure資料工程師技術師身為此認證的應試者，您應該具備主題專業知識，能夠將各種結構化、非結構化和串流資料系統中的資料，整合...＜詳情＞Microsoft2Google專業資料工程師認證專業資料工程師透過收集、轉換和發布資料來實現以資料所驅動的決策。資料工程師應該能夠設計、建置、操作...＜詳情＞Google3SSE 大數據國際認證隨著有關大數據的程式語言、運算平台、基礎理論，以及虛擬化、容器化的技術成熟...＜詳情＞Silicon Stone Education4AWS認證的數據庫-專業級認證報考資格：1.接觸資料庫技術至少 5 年、2.實際使用 AWS 至少 2 年...＜詳情＞Amazon Web Services5台灣風險數據分析師除了相關法遵外，應具備在風險數據分析、質量方法運用、風險預測建模等高階專業...＜詳情＞社團法人台灣風險管理協會更多數據相關證照＜前往＞
【數據／資料工程師】職場再進修課程推薦：
課程名稱課程介紹【真人直播】零基礎Python數據分析與即時看板實作在這堂課程中，我們將帶你從學習基礎 Python 出發，了解各種常見資料檔案格式與編碼，透過 Python 進行資料表單或檔案的自動化彙整與分析...＜課程介紹＞GA4+GTM網站數據分析實戰課專業的教學設計，以第一線網站數據分析工作者角度，剖析 GA4 四大要領，從觀念的理解到上手實作，提升你的數據分析能力。…＜課程介紹＞成為數據分析師的第一把鑰匙：用Python實作三個資料分析專案以非工科生成功轉為數據分析師的經驗、第一線職場實戰角度出發，來設計這門課程，適合零基礎、初入門、想轉職作數據分析師的你!…＜課程介紹＞零基礎成為Python金融數據分析師｜金融資訊爬蟲X視覺化應用課程單元從 Python 程式基礎開始，包含變數、資料型態、流程控制、函式、例外處理等 金融主題的網路爬蟲程式教學，製作Python爬蟲工具…＜課程介紹＞更多數據相關課程＜前往＞
從PM到雲端架構思維：Architecting on AWS學習與實作心得
我目前在軟體產業擔任產品/專案經理（PM），主要負責跨部門協作與需求管理，包含蒐集並釐清客戶與內部利害關係人的需求、撰寫PRD/規格文件、規劃時程與里程碑、協調工程與測試資源，以及追蹤專案風險與交付品質。同時也會參與系統架構與雲端部署方案的討論，確保產品方向與技術落地一致。
因為工作上常需要和工程師討論雲端架構、成本、資安與可用性，但自己對AWS的服務選型與設計原則理解不夠完整，導致溝通時容易停留在概念層。為了能更精準地提出需求、評估方案並做出產品決策，我選擇參加恆逸的Architecting on AWS課程，期望系統化建立AWS架構能力，也為後續考取證照做好準備。
這堂課對我最有幫助的地方，是講師採用「講解＋實作」的方式，讓抽象的雲端概念能快速轉成可操作的理解。以往我在工作上常聽到VPC、子網、路由表、Security Group、IAM、ALB、Auto Scaling、S3等名詞，知道大概用途，但不一定能在腦中把整個關聯串起來。講師在課堂上不只是把服務功能列出來，而是用架構情境把服務「放到正確的位置」，例如：為什麼對外服務要放在Public Subnet、後端與資料庫常放Private Subnet、什麼情況要用NAT Gateway、什麼情況用VPC Endpoint更合適；以及在高可用與擴展需求下，ALB搭配ASG的設計邏輯是什麼。
此外，講師會引導我們把「考點」和「真實工作場景」對齊，像是高可用（Multi-AZ）、災難復原（RTO/RPO）、權限最小化（Least Privilege）、可觀測性（CloudWatch/Logs/Alarm）等，讓我理解證照題目其實是在考「架構思維」而不是死背服務名稱。更重要的是，講師能把容易混淆的服務差異講清楚，例如SQS/SNS/EventBridge的使用時機、EBS/EFS/S3的選型、RDS Multi-AZ與Read Replica的差別等，幫助我在刷題時快速抓到關鍵字並做出合理判斷，學習吸收效率提升非常多。
我個人最有收穫的是「用情境做服務選型」的觀念。以PM的角度來說，我常遇到需求描述偏抽象，例如「系統要穩、要快、要省錢、要安全」。過去我可能只能把需求丟給工程團隊，但上完課後，我更能把需求拆成可落地的架構條件：例如可用性要達到多少、是否需要跨可用區、是否要容錯、流量是否有尖峰、資料一致性或延遲可接受範圍、以及安全與權限邊界怎麼定義。這種拆解方式，會直接影響服務選型與設計，例如：若是需要快速擴展與降低單點風險，常見做法會是ALB＋Auto Scaling；若是非同步解耦、削峰填谷，會想到SQS或Event-driven；若需要靜態內容分發與加速，就會把CloudFront＋S3放進架構。
上完課後，我在工作上最大的幫助是「和工程團隊討論架構時更有共同語言」，能更快收斂方案、降低來回溝通成本。舉一個常見情境：我們曾遇到某個功能上線後流量不穩定，尖峰時API反應變慢，客戶也要求提高可用性與可追蹤性。以往我可能只能提出「要更穩、要能擴」的需求；但現在我能更具體地和團隊討論：是否採用ALB分流與健康檢查、後端是否用Auto Scaling依CPU/Request數自動擴縮、資料層是否要用RDS Multi-AZ提升容錯、靜態資源能否改S3＋CloudFront減少主站負載、以及CloudWatch指標與Alarm要怎麼設計才能在異常時即時通知。即便最終實作細節仍由工程師主導，但我能更早把需求轉成架構約束與驗收標準，例如「支援單AZ故障仍可服務」、「部署後觀測指標需涵蓋延遲、錯誤率、吞吐量」等，讓專案管理更有依據。
完整學習心得：
https://ucom.uuu.com.tw/web/Testimony/Article/12895
推薦學習課程：
https://www.uuu.com.tw/Public/content/Edm/240408_AWS_104.htm
洽詢課程資料：
https://reurl.cc/KEbQ5m
從PM到雲端架構思維：Architecting on AWS學習與實作心得
我目前在軟體產業擔任產品/專案經理（PM），主要負責跨部門協作與需求管理，包含蒐集並釐清客戶與內部利害關係人的需求、撰寫PRD/規格文件、規劃時程與里程碑、協調工程與測試資源，以及追蹤專案風險與交付品質。同時也會參與系統架構與雲端部署方案的討論，確保產品方向與技術落地一致。
因為工作上常需要和工程師討論雲端架構、成本、資安與可用性，但自己對AWS的服務選型與設計原則理解不夠完整，導致溝通時容易停留在概念層。為了能更精準地提出需求、評估方案並做出產品決策，我選擇參加恆逸的Architecting on AWS課程，期望系統化建立AWS架構能力，也為後續考取證照做好準備。
這堂課對我最有幫助的地方，是講師採用「講解＋實作」的方式，讓抽象的雲端概念能快速轉成可操作的理解。以往我在工作上常聽到VPC、子網、路由表、Security Group、IAM、ALB、Auto Scaling、S3等名詞，知道大概用途，但不一定能在腦中把整個關聯串起來。講師在課堂上不只是把服務功能列出來，而是用架構情境把服務「放到正確的位置」，例如：為什麼對外服務要放在Public Subnet、後端與資料庫常放Private Subnet、什麼情況要用NAT Gateway、什麼情況用VPC Endpoint更合適；以及在高可用與擴展需求下，ALB搭配ASG的設計邏輯是什麼。
此外，講師會引導我們把「考點」和「真實工作場景」對齊，像是高可用（Multi-AZ）、災難復原（RTO/RPO）、權限最小化（Least Privilege）、可觀測性（CloudWatch/Logs/Alarm）等，讓我理解證照題目其實是在考「架構思維」而不是死背服務名稱。更重要的是，講師能把容易混淆的服務差異講清楚，例如SQS/SNS/EventBridge的使用時機、EBS/EFS/S3的選型、RDS Multi-AZ與Read Replica的差別等，幫助我在刷題時快速抓到關鍵字並做出合理判斷，學習吸收效率提升非常多。
我個人最有收穫的是「用情境做服務選型」的觀念。以PM的角度來說，我常遇到需求描述偏抽象，例如「系統要穩、要快、要省錢、要安全」。過去我可能只能把需求丟給工程團隊，但上完課後，我更能把需求拆成可落地的架構條件：例如可用性要達到多少、是否需要跨可用區、是否要容錯、流量是否有尖峰、資料一致性或延遲可接受範圍、以及安全與權限邊界怎麼定義。這種拆解方式，會直接影響服務選型與設計，例如：若是需要快速擴展與降低單點風險，常見做法會是ALB＋Auto Scaling；若是非同步解耦、削峰填谷，會想到SQS或Event-driven；若需要靜態內容分發與加速，就會把CloudFront＋S3放進架構。
上完課後，我在工作上最大的幫助是「和工程團隊討論架構時更有共同語言」，能更快收斂方案、降低來回溝通成本。舉一個常見情境：我們曾遇到某個功能上線後流量不穩定，尖峰時API反應變慢，客戶也要求提高可用性與可追蹤性。以往我可能只能提出「要更穩、要能擴」的需求；但現在我能更具體地和團隊討論：是否採用ALB分流與健康檢查、後端是否用Auto Scaling依CPU/Request數自動擴縮、資料層是否要用RDS Multi-AZ提升容錯、靜態資源能否改S3＋CloudFront減少主站負載、以及CloudWatch指標與Alarm要怎麼設計才能在異常時即時通知。即便最終實作細節仍由工程師主導，但我能更早把需求轉成架構約束與驗收標準，例如「支援單AZ故障仍可服務」、「部署後觀測指標需涵蓋延遲、錯誤率、吞吐量」等，讓專案管理更有依據。
完整學習心得：https://ucom.uuu.com.tw/web/Testimony/Article/12895
推薦學習課程：https://www.uuu.com.tw/Public/content/Edm/240408_AWS_104.htm
洽詢課程資料：https://reurl.cc/KEbQ5m
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
隨著企業加速數位轉型、雲端原生應用（Cloud Native）成為主流，雲端工程師（Cloud Engineer）已從少數科技巨頭的專職角色，擴展成各產業數位基礎建設的關鍵人才。無論是新創、傳產還是政府機關，從資料備份、伺服器遷移、服務部署到跨雲架構設計，處處都仰賴具備雲端技能的工程人才。 本篇將帶你從「學習地圖」出發，建立入門到進階的技術藍圖，並說明適合對象與轉職建議，協助你掌握未來 5–10 年的高潛力職涯方向！
文 /【104學習精靈】
本文目錄（點擊可快速前往）
☁️ 雲端工程師是什麼？為何成為熱門職業？ 掌握雲端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職雲端工程師的學習策略 雲端工程師薪資行情與職涯發展 雲端工程師的挑戰與機會
☁️ 雲端工程師是什麼？為何成為熱門職業？
🎯 雲端工程師工作內容
雲端工程師（Cloud Engineer）是企業數位轉型的關鍵推手，負責設計、部署、維護雲端基礎架構，確保系統的安全性、可擴展性與高可用性。隨著企業加速上雲，這個角色在全球 IT 市場的需求持續攀升。
根據 Research.com 的報告，雲端工程市場預計從 2023 年的 147.6 億美元成長至 2032 年的 398 億美元，年均成長率達 11.65%。
🎯雲端工程師與相近職類比較表
職類 工作重點 常見技能 與雲端工程師發展關係 雲端工程師 Cloud Engineer 雲端架構設計、部署與管理，自動化基礎架構 AWS / GCP / Azure、Terraform、Kubernetes、CI/CD 本職角色，聚焦基礎設施與平台服務，是運維與開發之橋樑 雲端架構師 Cloud Architect 架構規劃與成本效益優化，安全設計與多區部署 架構設計模式、資源規劃、資安合規 雲端工程師進階角色，需具備橫向整合與設計思維 DevOps 工程師 DevOps Engineer 開發與維運整合、自動化流程與版本管理 Jenkins、GitLab CI、Docker、Ansible、GitOps 高度交集，雲端工程師常延伸學習 DevOps 流程進階 SRE 工程師 Site Reliability Engineer 系統穩定性、可用性維持、故障應變流程 Monitoring、Incident Response、SLI/SLO、Prometheus 與 DevOps、雲端工程師具重疊，偏向服務層維運監控 雲端安全工程師 Cloud Security Engineer 雲端安全防護與存取控制、風險偵測與稽核 IAM、VPC、防火牆設計、SOC 工具 雲端工程師可進階專精此方向，聚焦於資安與防護策略 平台工程師 Platform Engineer 打造團隊內部工具與平台，支援自助式部署 Internal Dev Tools、Infrastructure Platform、K8s Operators 著重於團隊工程效能提升，與雲端工程師互補合作 後端工程師 Backend Engineer 伺服器端邏輯、資料庫整合、API 設計 Java / Python、SQL、RESTful API、Redis 若參與部署與 CI/CD，可跨足雲端工程與平台設計 全端工程師 Full Stack Engineer 前端介面整合與後端邏輯開發 React / Vue、Node.js、DB 操作 若自行部署應用，可延伸學習基礎雲端與 DevOps 技能 系統管理員 / 維運工程師 SysAdmin / Ops 傳統伺服器與網路維護、資源監控與修復 Linux、Nagios、Shell Script、Log 管理 若學習 IaC 與雲端平台，可轉型為雲端工程師或 SRE
🎯 為什麼選擇雲端開發？三大關鍵原因
需求穩定且持續成長： 雲端轉型已是企業共識，雲端工程師幾乎每年都是 LinkedIn、104 等人才平台的「高薪搶手職缺榜首」。
跨產業技能： 從金融科技、電商、製造、醫療到教育，幾乎所有行業都需要雲端部署與維運能力，具備高度橫向轉職能力。
職涯路徑多元： 可橫向發展為 DevOps 工程師、SRE、資安工程師，或縱向升遷為 Cloud Architect、技術經理等管理職，不怕卡關、發展空間大。
此外，結合 Serverless、AI 工具、IoT、邊緣運算等新技術，也讓雲端職涯保持高度創新與學習挑戰，是工程師長線發展的黃金選項。
🎯 誰適合轉職雲端工程師？四大族群建議
剛起步的工程新手： 想培養工程職涯但還在觀望 Web、AI、App 開發的入門者，雲端工程是 硬底子技術起點，往後轉職彈性大。
已有開發經驗的前/後端工程師： 熟悉應用開發後，若對部署、架構、效能優化有興趣，可向雲端或 DevOps 跨足，提升系統設計與大局觀能力。
系統維運、MIS、SRE 人員： 習慣處理伺服器與網路系統，若願意學習 IaC 與自動化部署，可自然轉職為雲端工程師，掌握更現代的技術框架。
對跨技術整合有興趣的工程師： 雲端工程師需要結合程式語言、網路、部署與資安知識，適合喜歡「橫向整合、縱向打通」的技術人。
🎯轉職步驟建議
6 個月內：完成雲端平台入門課程 + 自建部署作品（可用 Skill Boost Lab）
取得初階認證：如 Google Cloud Digital Leader / AWS Practitioner
參與實作專案：GitHub 實作範例、雲端部署過程記錄 Blog
申請實習／外包任務：Freelancer 或 Cloud Intern 累積經驗
中階前進路線：加入 DevOps / Cloud Engineer 團隊，進一步考取 Associate / Professional 等級證照
掌握雲端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
🧭雲端工程師技能 × 學習階段 對照表格
系統操作與基礎程式 雲端平台與部署實務 架構自動化與維運 監控、資安與成本優化 基礎 Linux CLI、Python、Git 初階操作 GCP/AWS 免費帳號開通、VM/靜態網站部署 手動建立雲端資源、JSON/YAML 入門 IAM 初探、Log 查看、成本報表基礎 核心 Shell 腳本自動化、Git 流程、Python 系統應用 Docker 容器化、Kubernetes 部署、CI/CD 實作 Terraform 實作 IaC、自動建置、CI/CD 流程 Prometheus/Grafana、ELK Stack、IAM 權限控管 進階 跨平台整合腳本、進階錯誤追蹤 Serverless（如 Lambda）、多雲整合、邊緣運算部署 HA 架構、多區部署、事件導向與資料管線設計 FinOps 成本優化、雲端安全策略、防火牆與金鑰管理 認證 Linux Foundation、Python PCAP 認證 AWS/GCP/Azure Cloud Engineer 認證 Terraform Associate、CKA AWS Security、FinOps Practitioner 認證 ▲ 雲端工程師應具備技能、工具能力、推薦認證，點選不同技能會對應到相關課程。
☁️ 雲端工程師學習地圖與路徑（搭配AI工具）
⛩ 初階學習（0–6 個月）：奠定技術基礎
📌 學習內容（技能 ＆ 實作）
Linux 系統操作（shell 指令、vim、權限管理）
網路基礎：IP、DNS、HTTP、TCP/IP
程式語言入門：Python 或 Shell script
雲端平台操作：建立並熟悉 AWS/GCP 免費帳號
基礎雲端資源管理（Compute Engine / EC2）
版本控制：Git 與 GitHub 基本操作
CLI 工具使用（如：gcloud, aws-cli）
實作練習：
在 GCP/AWS 上部署靜態網站
撰寫 Bash + CLI 工具的自動部署腳本
IAM 權限設定與防火牆規則實作
📌 AI 工具應用
使用 Google Cloud Console 智慧建議功能
使用 Gemini in Google Cloud 協助命令產出與錯誤修正
Copilot for CLI：快速生成 YAML 設定檔與指令
📌 備選學習（延伸）
推薦資源：
GCP Skill Boost Labs – 初學者路徑
AWS Cloud Practitioner Essentials（適合無經驗者）
Linux Journey（互動式學習網站）
雲端工程師入門推薦課程 👉Python 基礎程式設計｜開外掛勇闖 Python 異世界👉快速活用 MySQL，精準設計關聯式資料庫👉 Git 速成攻略：2.5 小時變身版本控制達人
⚙ 中階學習（6–12 個月）：掌握自動化與部署核心
📌 學習內容（技能 ＆ 實作）
Docker 容器化部署與映像檔建立
Kubernetes（GKE、EKS）叢集管理與應用部署
CI/CD 流程設計：GitHub Actions、GitLab CI/CD
Infrastructure as Code（IaC）：Terraform 或 Pulumi
Logging / Monitoring 工具整合：Prometheus、Grafana、Cloud Logging
IAM 精細權限控管與資源標記（Labeling）
實作挑戰：
使用 Terraform 建立 GKE 叢集並自動部署應用
建立一套 CI/CD pipeline，自動部署至 GCP/AWS
部署一個內部 Wiki 系統至 Kubernetes 並加入監控功能
📌 AI 工具應用
用 Gemini API / ChatGPT 協助生成 Terraform、K8s YAML、CI/CD pipeline 配置
以 Cloud Monitoring 整合 AI 偵測異常行為（AI-based anomaly detection）
使用 Cloud Deploy 的 AI 效能預測功能進行部署前模擬
📌 備選學習（延伸）
Google Cloud – Infrastructure Modernization Track
課外專案建議：
建立雲端部屬的部落格服務
模擬企業環境建置內部開發者平台（Internal Dev Platform）
Kubernetes the Hard Way（挑戰進階網路知識）
雲端工程師中階推薦課程 👉成為 AWS 達人第一步！打造你的第一個 AWS 架構！👉微軟Azure超級入門實務與AZ-900認證攻略👉AWS雲端架構規劃｜建置實務應用
🚀 高階學習（12 個月以上）：架構設計與商業導向
📌 學習內容（技能 ＆ 實作）
跨區高可用架構（Multi-zone HA、Failover、Load Balancing）
多雲與混合雲架構管理（GCP + AWS + On-Prem）
FinOps 成本優化與預算控管工具使用（如 Billing Report + BigQuery 分析）
雲端資安策略設計：VPC Service Controls、IAM Conditions、Cloud Armor
Serverless 應用設計（Cloud Functions、Cloud Run）
IoT + 雲端串接架構設計（Edge computing）
進階實作：
架設可擴充、高可用的企業級平台
使用 Cloud Storage + Dataflow + BigQuery 建立數據湖架構
整合第三方 SaaS（如 Stripe、Slack、Salesforce）進行 API 資料整合
📌 AI 工具應用
使用 Vertex AI 設計並部署機器學習模型（如預測負載）
整合生成式 AI API（如 Gemini、Claude）於產品功能中
應用 Gemini Code Assist 協助維護大型 Terraform 專案
📌 備選學習（延伸）
Google Professional Cloud Architect Certification
雲原生運算與 CNCF 專案探索（如 Istio、Envoy、Knative）
建議實習專案：
IoT 裝置即時資料流處理平台
架構具資料治理能力的 Data Lakehouse
雲端工程師高階推薦課程 👉AWS雲環境的架構優化-彈性化自動擴展👉微軟 Azure｜通關 AZ-104 認證攻略，邁向雲端 IT 管理之路
🛠成為雲端工程師應具備的軟技能
雲端工程師不僅需要技術實力，更需要具備與角色高度契合的「軟實力」，才能真正勝任跨部門協作與快速變動的工作環境：
🧠 系統性思維：
面對分散式系統、跨區部署與資源配置，需具備架構整合、效能預測與風險管控能力。
🛠 問題解決力：
遇到部署錯誤、資源衝突或自動化失敗時，需能快速定位問題、擬定可行方案並有效執行。
【小測驗】來測測看自己的問題解決技巧 👉 問題解決 - 職能檢測｜104學習精靈
📚 持續學習動能：
雲端技術快速演進，需持續掌握新工具（如 Serverless、Cost Explorer、Spot Instance）、框架與平台特性，提升作業效率與創新能力。
🗣 溝通協調力：
需與開發、資安、業務等部門密切合作，說明技術選擇、協調需求優先順序，推動系統最佳化。
【小測驗】來測測看自己的溝通能力技巧 👉 溝通協調 - 職能檢測｜104學習精靈
🔧 成本洞察與技術節流智慧：
企業導入雲端後，常因錯誤配置導致成本居高不下。雲端工程師需具備資源規劃與預算優化的敏感度，善用 Auto Scaling、Load Balancer、IAM Policies 等工具，在維持穩定性與可用性的同時，有效降低長期支出，回應業務單位的效益期待。
🔋 壓力耐受力與責任感：
系統維運過程中需面對線上環境的高可用性要求與突發事件處理壓力，具備冷靜應變、精準決策與承擔風險的心態，是成為資深雲端人才的必要特質。
轉職雲端工程師的學習策略
🎯 初學者或轉職者的學習策略：
對於沒有工程背景者，切入點可循序漸進：
建構基礎觀念：從 Linux、網路基礎、程式語言入門、指令操作與雲端概念入手。
選擇一個平台專精（GCP、AWS、Azure），開始練習帳號申請與部署操作。
實作為導向學習：每學一個新技術就搭配小專案，例如用 GCP 建一個靜態網站並開通 HTTPS。
證照作為里程碑：初階考取 Cloud Practitioner、Cloud Digital Leader，有助於簡歷加分。
Python 程式設計能力 - 線上免費檢測
🎯 不同領域的客製化學習策略：
背景 適合學習切入點 優勢 建議補強 系統管理員 Infrastructure as Code、CI/CD 熟悉作業系統與維運邏輯 編程能力與雲平台知識 資料分析師 BigQuery、Cloud Storage、Dataflow 對資料處理與 ETL 熟悉 雲端部署與自動化工具 前端工程師 Firebase、Serverless Functions 熟悉前後端整合 容器化與系統監控 專案管理/PM 雲端架構設計、FinOps 熟悉產品流程與商業目標 技術基礎與平台實操能力
[course_plugin title='推薦課程' keyword='雲端資料工程師在職遠距班' amount=1]
雲端工程師薪資行情與職涯發展
雲端工程師薪資概況
📌 台灣雲端工程師薪資
初階（3年以下經驗）：月均薪約6.6萬。
中階（3- 5年經驗）：月均薪約 7.2 萬。
高階（5-10年經驗）：月均薪約7.2萬以上。（以上資料來源：104薪資情報）
📌 薪資影響因素
證照認證：擁有 AWS、GCP、Azure 等專業認證可顯著提升薪資級距。
年資與專案經驗：實務經驗越豐富，薪資越具彈性與談判空間。
技術栈能力：熟練容器化、IaC、自動化部署與監控工具者更受企業青睞。
平台熟悉度：具多雲（Multi-Cloud）經驗與架構設計能力者加分。
產業與公司規模：FinTech、SaaS、外商與顧問公司提供較高薪資範圍。
英文與國際協作力：能用英文參與文件撰寫、會議與跨國專案者更具競爭力。
團隊角色與責任：主導 CI/CD、導入雲架構、跨部門協作者薪資更高。
地區與工作模式：北部/Remote/海外接案機會多，國際行情可參考薪資上限。
英文能力 - 線上免費檢測
雲端工程師職涯發展路徑總覽
雲端工程師的職涯擁有高度彈性與多元出路，不僅可持續深化技術實力，也能橫向轉職至顧問、資安或管理等專業領域。以下分為兩大主軸：「技術專精路線」與「管理 / 顧問 / 專業轉軌路線」。
📈 技術專精路線：從工程師到架構大師
這條路線適合對系統部署、基礎建設自動化與雲端架構設計具高度興趣者。
Cloud Engineer（雲端工程師） 掌握雲平台部署、資源管理與自動化基礎技能。
Senior Cloud Engineer（資深雲端工程師） 具備跨專案經驗與高效監控、故障排除、成本優化能力。
Cloud Architect（雲端架構師） 專注於設計大型雲端架構，兼顧穩定性、安全性與擴展性。
🔄 交叉技術進階路線：DevOps / SRE / 平台工程
DevOps Engineer（開發營運工程師） 整合開發與維運流程，導入 CI/CD 與基礎設施即程式（IaC）。
SRE（Site Reliability Engineer） 專注於系統可用性、容量規劃、容錯設計與自動化修復。
Platform Engineer（平台工程師） 為內部團隊打造平台工具與運行環境，優化開發者體驗與交付效率。
🧭 管理與顧問發展路線
Tech Lead / Cloud Team Lead（技術主管 / 雲端團隊領導） 統整技術方向、團隊管理與資源分配，牽引大型專案落地。
Cloud Consultant / Pre-sales（雲端顧問 / 技術顧問） 結合業務與技術，負責客戶雲端架構規劃、導入與 PoC 驗證。
🔐 專業分支發展
Cloud Security Engineer（雲端資安工程師） 負責雲端環境的安全性設計、合規控管與風險評估。
Data Platform Engineer / Data Engineer（數據平台或數據工程師） 轉向數據領域，聚焦於資料湖、大數據平台建置與處理流程。
[course_plugin title='推薦課程' keyword='資安與雲端架構工程師養成班' amount=1]
職涯發展路徑圖
雲端工程師（Cloud Engineer）
│
├── A. 深化雲端部署與設計 → 資深雲端工程師（Senior Cloud Engineer）
│ └── 架構設計專精 → 雲端架構師（Cloud Architect）
│
├── B. 學習維運與自動化 → DevOps 工程師（DevOps Engineer）
│ └── 穩定性與監控進階 → SRE 可靠性工程師（Site Reliability Engineer）
│
├── C. 打造開發平台與工具 → 平台工程師（Platform Engineer）
│
├── D. 發展團隊協作與領導 → 技術主管 / 團隊領導（Tech Lead / Cloud Team Lead）
│ └── 與客戶對接與規劃 → 雲端顧問（Cloud Consultant / Pre-sales）
│
└── E. 特化技能延伸：
├── 雲端資安工程師（Cloud Security Engineer）
└── 資料平台工程師（Data Platform Engineer）
哪些產業需要雲端工程師
幾乎所有中大型企業皆正在進行數位轉型，以下為最仰賴雲端技術的產業：
金融科技（FinTech）：如數位銀行、支付平台，需高可用性與資安規範的雲端架構。
電子商務與零售：需支撐高流量網站、彈性資源與後端整合。
遊戲與多媒體產業：使用雲端作為即時伺服器平台與玩家資料同步。
製造業與 IoT：使用混合雲處理邊緣裝置數據，結合數據湖與 AI 模型部署。
教育與遠距工作平台：採用 Serverless 或容器架構支撐大量即時互動與內容傳遞。
醫療與生技產業：處理敏感數據的雲端儲存與運算，須結合合規與安全設計。
雲端工程師的挑戰與機會
💣 面對的挑戰：
技術變動快、需持續學習：新工具、新架構層出不窮，需投入大量時間學習與實作。
平台廠商鎖定效應（Vendor Lock-in）：企業使用單一雲端平台，限制多雲選擇與遷移彈性。
維運壓力大、責任重大：雲端系統一旦出錯影響層面廣，尤其是電商或金融系統。
安全與法規要求提升：需考量資安事件、資料合規（如 GDPR、HIPAA）與營運韌性。
🚀 成長的機會：
企業數位轉型需求大：2025 年起預計全球 70% 的企業核心應用將遷移至雲端。
AI 與數據導向加速雲端應用：模型訓練與資料儲存強化對雲資源的需求。
高階職位人才稀缺：具備架構設計、資安合規能力的雲端專家仍供不應求。
Freelancer 與 Remote Job 蓬勃：全球雲端工程需求讓自由接案與遠距工作成為常態。
[joblist_plugin title='更多104【雲端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E9%9B%B2%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
如何成為後端工程師？精準掌握必備核心技能＆職涯精進攻略
轉職前端工程師│工作內容、技能、薪水與職涯發展指南
數據分析師工作內容是什麼？薪水高嗎？技術能力與職涯發展指南
想當資料工程師？工作內容、核心技能、薪水、職涯發展完整解析
從識人到用人：剖析性格特質，優化團隊組織配置
文／104人資學院
本文探討了企業在招募和管理人才過程中，如何透過剖析性格特質來優化團隊組織配置。僅僅依賴履歷和技能無法完全預測一位員工的適應性，性格特質乃是成功的關鍵。透過五大人格理論研發的性格量表，企業能夠深入了解求職者的情緒穩定性、合作性與創造力等，避免因性格不合而造成的離職風險。針對員工特質的精準配對，幫助主管制定適合的管理策略，促進團隊合作與穩定性。最終，透過科學的性格洞察，企業可提升選才準確度，打造高效團隊。
本文導覽
性格特質：選對人的關鍵依據
用人選才：從單一特質到性格組合
帶人管理：讓性格成為「用才依據」
性格X職務配對：提升久任與績效
實際應用：從團隊默契到領導選育
讓104測評中心成為選才用才的智囊
在招募與管理人才的過程中，常見一種情況是：履歷看起來完美、技能符合需求，但進入團隊後卻發現適應不良、溝通卡關，甚至短期內離職。這些問題往往不是能力不足，而是「性格不合適」。企業若能在選才階段就洞察性格特質，不僅能預測穩定度，更能提升整體團隊效能。
104人資學院資深專任顧問李冠輝在「精準選才×有效帶人：探索性格特質，打造高效團隊」的講座中指出，現代用人不能只看冰山上的專業技能，還要深入冰山下的性格特質與動機，才能找到「合得來、留得住、帶得動」的團隊成員。
性格特質：選對人的關鍵依據
我們過去常說「選才看能力、用才靠管理」，但李顧問提醒，性格才是決定這個人能否發揮所長的潛在條件。即使具備相同能力與背景，不同性格的人，在壓力下的表現、團隊互動、學習意願、接受回饋的方式都可能大相逕庭。
以五大人格理論（Big Five）為基礎，104測評中心設計的「性格量表」涵蓋情緒穩定性、親和樂群性、勤勉謹慎性、外向實踐性與經驗開放性等五大面向，細分為27項行為指標。例如：
抗壓性與情緒調適：預測應徵者面對壓力時的穩定度。
合作性與社交性：評估其團隊協作的潛能。
謹慎性與堅毅性：反映執行任務的細緻度與持久度。
企圖心與表現性：洞察其主動性與成果導向程度。
創造力與思辨性：判斷其應變能力與創新潛力。
透過短短15分鐘的測驗，就能掌握個人性格在各面向的相對位置，有效避免只看履歷或面談時留下的表面印象。
用人選才：從單一特質到性格組合
用對人，比用強的人更重要。李顧問強調，選才時不能只單點看「這個人有沒有責任感」，而是要思考多種性格的組合。例如：
企圖心高但堅毅性低：可能容易放棄、不穩定。
影響性高但同理心低：可能擅長說服卻易忽略他人感受，造成團隊摩擦。
合作性高但創造力低：或許適合穩定執行型的職位，但不利於創新任務。
這些組合的解讀，不僅有助於選才，也能幫助主管安排任務與溝通策略。104測評中心的報表設計，除了呈現各項性格指標的高低位置，也會提示可能的互補或風險組合，幫助HR與主管做出更立體的判斷。
帶人管理：讓性格成為「用才依據」
主管常面臨一個難題：部屬能力不錯，卻總是與他人發生摩擦、無法主動溝通，或無法承受壓力。這時若沒有性格上的理解，容易將問題簡化為「態度不好」，甚至錯失培育的可能性。
透過性格測評，主管能夠：
找到適合每位成員的工作風格與溝通方式。
避免高潛力人才因誤解而流失。
在帶領團隊時，運用差異性打造互補結構，而非一味追求同質化。
舉例來說，一位企圖心強但抗壓性低的新人，若在初期就安排大量獨立挑戰任務，可能會因壓力導致挫敗感，反而打擊信心。但若安排一位謹慎且穩定的資深同事進行協作，不但能保留其主動性，還能給予情緒支持，降低離職風險。
性格X職務配對：提升久任與績效
104測評中心根據多年大數據建立了「穩定任職模型」，能協助企業預測候選人是否具備長期穩定任職的性格特質。這在高流動率如客服、零售、行政助理等職位中尤其關鍵。
例如，具備「守成性」、「知足性」、「順應性」、「責任感」的員工，在偏重執行面、變動低的職務中通常更能久任、累積經驗、發揮穩定價值。相反地，若員工較具備「創意」與「冒險」特質，卻安排單調例行的工作給他，反而容易出現不穩定、不滿足的情緒，導致高離職率。因此，正確的性格與職務匹配，不只是找對人，更是留住人的重要關鍵。
實際應用：從團隊默契到領導選育
除了選才與用才，性格測評也能幫助組織理解整體團隊的運作模式。例如：
團隊是否過度集中在某一性格面向（如保守、低冒險），導致創新停滯？
是否缺乏情緒穩定與表現導向的中堅人才，造成執行落差？
團隊成員彼此的合作性、順從性、社交性差異大，導致溝通不良？
透過性格分析，企業能建立屬於自己的「團隊性格常模」，日後無論新招進來的是業務、行銷、PM或主管，都能更準確地評估其與現有文化的融合度。
讓104測評中心成為選才用才的智囊
人才不是用看的就能了解，也不是靠面談就能摸清。若你希望：
增加選才準確度，避免誤判與流失
協助主管理解團隊，提升帶人效率
建立符合企業文化與需求的性格選才標準
歡迎與【104測評中心】聯繫，從性格洞察出發，打造高效協作的團隊生態。讓我們一起讓「人」與「位置」的配對，不再靠運氣，而是靠科學。
>> 延伸閱讀：章魚、劍魚、海豚，你是哪一種？五大人格×海洋角色，秒懂人才性格職場力！
👉立即洽詢測評應用
從房屋結構到數位建模——成大南工建築科，打造「營建產業IT人才」的搖籃
有人從一張房屋平面圖開始認識建築，也有人因為喜歡畫畫、模型或空間設計，逐漸走進建築專業。成大南工建築科從製圖、測量及施工基礎出發，再把資訊與人工智慧帶入課程，也讓學生理解一棟建築如何從想法形成圖面，最後走向真實施工。
從愛看房屋平面圖開始，走進建築教育十五年
成大南工建築科主任翁漱璞從小就對空間感到好奇。他看到房屋銷售上的平面圖，常會仔細研究家具可以如何擺放，各個空間又要如何連接。他後來就讀台中高工建築科，並在民國100年進入成大南工任教，至今已在成大南工深耕十五年。
成大南工建築科的歷史可追溯至民國30年。科別曾隨產業發展調整，並在民國89年正式定名為建築科。學校改隸成功大學後，科內獲得更多設備、經費與交流資源，也積極和成大建築系及土木系合作。學生曾和成大義築團隊共同製作義賣攤車及木造溜滑梯，從實際構築過程理解設計如何被完成。
測量到施工圖，三年建立房屋建築基本功
建築科三年的課程安排具有明確順序。高一先建立製圖、測量與空間概念。學生會接觸基礎手繪，也會認識建築資訊與人工智慧的基本應用。老師們希望學生在入門階段就知道，建築已經和資料、軟體及數位工具密切相關。
高二的課程開始進入電腦繪圖及實際建模。學生會使用軟體建立建築模型，並把平面圖轉化成立體空間。蘇同學與江同學都對施工圖實習印象深刻。兩人提到，Revit可以把原本平面的圖面逐步建成立體建築。當牆面、樓板與空間真正出現在畫面中時，自己會很有成就感。
學生在高二了解不同領域後，高三可以透過多元選修選擇方向。對規劃設計有興趣的學生，可以加強建築造型、建築設計及法規。偏好工程實務的學生，則可以學習施工、建築工程實務、建築結構與測量。BIM課程也會進一步教學生從模型產出平面圖、立面圖與組合圖，並運用模型估算鋼筋、混凝土及其他工程數量。
圖：學生使用測量儀器進行校園測量
BIM不只是畫立體圖，更是建築工程的資訊中心
成大南工設立BIM數位建設科技應用實驗班，希望增加高中和大學之間的合作，也回應營建產業的數位轉型需求。原有課程已相當完整。若直接增加大量資訊課程，可能排擠其他專業科目。因此，學校透過實驗班重新規劃課程，讓學生可以進行更深入的學習。
翁漱璞主任指出，傳統營建產業常被視為勞力密集產業，但BIM正在改變工作方式。BIM模型除了呈現建築外觀，也能整合材料、尺寸、構件與工程資料。工程人員可以先在電腦中檢查問題、估算數量及模擬施工，減少現場錯誤並提高效率。
未來當人工智慧、機械手臂與自動化施工發展更成熟時，能夠同時理解建築與資訊的人才，將成為串聯模型、設備與施工現場的重要角色。
圖：學生於課程實際操作BIM建模軟體
透過證照及專題，展現學習成果
科重視實際操作，也為學生安排清楚的證照準備方向。高一以測量丙級技術士證照為主要目標，高二則準備建築製圖應用電繪丙級技術士證照。進入高三，教師也會鼓勵有興趣及能力的學生挑戰乙級證照。
高三學生必須完成專題，可以自行製作，也可以與同學組隊。題目不只限於建築設計，也能從施工或生活問題出發。例如，有學生針對收納需求設計可變形家具。老師會協助評估可行性，學校也會提供補助。表現優秀的作品可以參加校內初賽，前四名再代表學校參加全國專題競賽，成為升學作品集中的重要成果。
目前就讀建築科的蘇同學分享，其曾參加抗震盃，先以AutoCAD設計結構，再使用西卡紙製作模型。這段經驗讓他發現，電腦中的線條必須經過不斷測試與調整，才能成為穩定的構造。江同學則對力學課程印象最深。雖然課程具有挑戰性，同學們也因此經常聚在一起討論，在互相解題的過程中共同進步。
圖：學生參加高雄科技大學土木系 2025 年抗震盃之合照
升學分成三條路，BIM也帶來新的職涯選擇
建築科學生的升學方向大致分成三類。第一類是規劃設計，包括建築、室內設計及景觀設計。第二類是施工營建，包括土木、營建工程、水土保持及職業安全。第三類則是房地產、休閒管理及其他和空間規劃相關的科系。
科主任提到，未來建築方向的出路可以選擇進入建築師事務所、結構或土木技師事務所，也可以擔任主管職的工地主任、監工及職安管理人員。
具備BIM能力的學生還能朝建模師、建模員、工程數量估算及資訊整合等工作發展。這些職務需要把建築知識轉化為可運算、可共享的模型資料。
不必先會畫圖，重要的是對空間有興趣
翁漱璞主任認為，適合建築科的學生通常喜歡積木、樂高或模型，或者會注意生活周遭的空間。學生可能會思考房間如何重新安排，或希望改變某個使用不便的地方。這些觀察都代表學生對三度空間、結構或設計具有興趣。
學生不需要在入學前具備完整基礎。江同學表示，只要真的有興趣就可以嘗試，因為大家都是從零開始學習。蘇同學也認為，學生只要願意投入，便能逐步把專業學好。家長平時也可以帶孩子參觀建築展覽，觀察不同建築與空間，幫助孩子確認自己是否喜歡這個領域。
從手上的鉛筆到電腦中的數位模型，成大南工建築科讓學生同時學習設計、工程與科技。學生在三年內不只學會如何畫出一棟建築，也逐漸理解它如何被計算、施工與管理。當營建產業持續數位化，這群能看懂空間、掌握工程，也能操作資訊工具的學生，將擁有更多升學與職涯選擇。
開箱建築科學習日常！
更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
你適合當PM嗎？解析產品經理必備3種特質與溝通心法
產品經理（PM）扮演產品關鍵的橋樑角色，不僅要看懂全局、擬定策略，更需要與設計師、工程師高效溝通，協調各方需求並推動產品前進。哪些人適合PM工作？作者透過實務經驗分享，解析PM必備的3種核心特質，以及在與不同角色協作時應具備的溝通心法。
文／Michelle Chen（軟體業PM產品經理）
本文目錄：3個PM需要的核心特質（點擊可快速前往）
特質1：你是否習慣全局性思考，並以策略性規劃推動執行？特質2：你是否喜歡且習慣站在對方的角度，使用對方的語言溝通？PM與設計師溝通重點PM與前端工程師溝通重點PM與後端工程師溝通重點特質3：你是否接受甚至喜歡改變，且有隨時改變計劃的彈性？
我習慣定期把自己的職涯規劃拿出來review，問問自己對於「現在的狀態」是否還滿意。最近是我在現職公司任職滿一週年的日子，於是又把這個問題拿出來檢視一番。我發現對於做PM打造產品這件事（撇除外在條件，像是workload、手上的案子、公司策略、主管等），過了幾年我仍非常喜歡且享受其中。再往下探索，是什麼個性或是特質讓我喜歡且適合做產品經理呢？今天整理3個我認為最核心的特質，分享給有興趣往PM產品經理發展，或還在思考自己到底適不適合的朋友參考！
特質1：你是否習慣全局性思考，並以策略性規劃推動執行？
作為產品經理你每天要應對來自各方的利害關係人，需求從四面八方而來，每季的Product Roadmap規劃&執行，每月2~3次的Sprint（如果團隊跑Scrum），甚至每天的跨部門Support，PM的日常總是被滿滿的需求與會議轟炸，任務清單中的To-dos & Action Item似乎看不到盡頭。在這種「艱困」的處境下，能習慣「全局性思考」的PM就比較能從容應對，懂得從任務海中抽身，避免無謂地瞎忙。所謂全局性思考有點抽象，換個方式來說就是：從整體，更高維度視角看待事情，而不是深陷於眼前的問題。
舉個例子來說，假設你是一位部門主管，你發現某個專案快到截止日但離完成還有一大段距離，你可以選擇臨時外聘人力，或是給團隊成員加班獎勵鼓勵他們挪出更多的時間工作完成任務，這也許是最快能見效的暴力解法。但如果你採取全局性思考，你會先退一步思考，這個專案的規劃是否合理，是否有可以簡化的部分，或者是否團隊中有某個特定的人遇到瓶頸。如果能協助這位成員解決問題，整個團隊的運行會變得更加順暢，也許就能如期完成專案。
全局性思考的能力能幫助PM有效辨識什麼才是真正需要解決的「關鍵問題」，而不是像在大魯閣打棒球一樣，只是對每個問題隨著出現而進行反應。這種思考方式讓你從整體上把握問題的根源，不是只解決表面的問題。
找到問題後，接下來就要透過策略性規劃來實作，這時候一定要提到常見的80/20法則。
20%的因素，將導致80%的結果。找出那關鍵20%重要的事情並全心投入，往往能帶來大部分的成果。
首先找到那20%重要並值得花團隊全心投入的P0-重要且須馬上行動的事。並懂得拒絕或是取捨那些重要但不急，甚至根本不用解決的問題 。取捨決策是一個好PM必備能力。
另外，作為產品的代言人，PM一定要知道哪些任務可以被整合在一起（甚至延伸成一個epic）；又有哪些tasks可能會因為其他迭代而順勢被解決，因此現階段可以忽略不做；又有哪些可能看似有問題，但其實是故意為之的機制。
有策略、有條理的安排團隊資源，聚焦在關鍵20%重要的問題上，可以讓團隊更有效率且優雅的工作。（非常重要，誰會想要每天灰頭土臉工作，你說是吧）
特質2：你是否喜歡且習慣站在對方的角度，使用對方的語言溝通？
有這個特質的PM絕對會是團隊的寶，而不會變成大家避之唯恐不及的任務交差使者。習慣從對方的角度出發，用對方熟悉的用語溝通，不僅能提升理解效率，還能拉近彼此距離，建立良好互動。這有助於建立信任，讓未來的合作更順利愉快，形成正向循環，培養無敵默契。（每次遇到只是一兩句話一個眼神，團隊內的工程師和設計師就能馬上理解我的意思，就會覺得「哇，你們真的是神隊友，我好幸福啊！」）
這邊簡單舉例與設計師以及前後端工程師討論需求時應該著重的方向：
PM與設計師溝通重點
重視使用者體驗（UX/UI）：需要清楚描述使用者的需求（如果需要可以附上完整的user story），並在需求說明中「用戶使用流程」、「易用性」、「介面設計」以及「資訊呈現方式」等。
【溝通舉例】「我們希望這個功能的流程是：1.先點擊這個按鈕，2.展開選單，3.選單中會有幾個預設選項且我們會幫用戶進行預選，整個操作希望可以在3步內完成。」
特別注意！尊重設計師專業：作為PM一定要尊重團隊內設計師以及工程師的專業。對設計師，請保留讓他們自由發揮的空間。提出的需求絕對不會是硬性規定設計師只是把你想像中的畫面／流程畫出來而已，保留設計彈性通常得到的結果都會比自己發想的還要完整流暢！
【溝通舉例】如果需要做一個活動頁面：「這個頁面會包含A~C 3個大分類的資訊，其中A／B分類會另外連結到C／D頁面。這個主頁面的設計，希望能傳達出現代感，並保留畫面的簡潔性，方便用戶快速找到他們要的資訊。可以參考這個網站的設計風格，但具體的顏色／圖標，分類呈現可以自由發揮。」
PM與前端工程師溝通重點
重視介面與互動：前端工程師負責將設計轉換成可用的介面。他們關注的重點包含介面呈現方式、元件的設計與實現、與後端如何進行資料溝通、並且也要確保網頁可以各種大小的裝置和瀏覽器上都能順利運行。
【溝通舉例】PM：「我們希望在報名頁面上，使用者可以看到所有場次，點擊後展開場次詳細資訊，並透過一個動畫顯示出『點選報名』的CTA 按鈕。這部分在手機的 web view 上也需要保持操作流暢。」前端工程師：「這個顯示CTA的動畫在一些舊瀏覽器上可能無法支援，可能會出現卡頓或不顯示的情況。」PM：「如果確實有這個問題，我們可以考慮用彈出popup的方式替代，重點是整體操作要流暢，並且能有效吸引用戶點擊報名。」
特別注意！技術可行性＆永遠都要準備PlanB：有時PM以及設計師一起討論出的設計可能在技術實現上會有挑戰。作為一個好PM，一定要工程師們討論在技術上的可行，以及如果無法實現，可以被接受的PlanB是什麼，並從中找到最佳解決方案。
PM與後端工程師溝通重點
重視系統穩定性及資料處理：後端工程師主要關注系統的穩定性及資料處理。他們習慣使用「API」、「資料庫」、「伺服器」等術語。作為產品經理，你需要清楚描述系統需求，並確保資料流（information flow）和功能邏輯的合理性。
【溝通舉例】PM：「我們需要建立一個數據報表，數據需要即時更新，並支援查看過去30天和60天的時間範圍。這個報表主要用來追蹤使用者行為趨勢。報表中的欄位定義以是{明確定義數據背後的計算邏輯以及fallback機制}。」後端工程師：「要實現即時更新可能會對系統造成壓力，特別是在高峰期，伺服器負載會增加，影響穩定性。」PM：「那或許我們可以考慮設定一個更新的cutoff point，在該時間點做一次性更新，確保穩定性以及更好管理系統負載。」
特別注意！具體明確制定規則：跟後端工程師討論事情一定要具體明確（制定出規則），不能給模糊的「形容詞」。以要新增檢查用戶註冊時的密碼強度的功能為例：
模糊的需求：「我們需要在用戶註冊時，先檢查密碼是否夠強。如果不夠強就讓他重新設置，夠強就讓他繼續註冊。」
➞這時候工程師一定會問你：密碼強度怎麼樣算夠強？這個檢查是在用戶點擊註冊時還是輸入過程中即時檢查？
明確的需求：「如果密碼長度小於8位或不含大小寫字母和數字，則在用戶按下註冊時阻擋下一步，並顯示錯誤提示並要求用戶重新設置密碼。如果密碼符合這些條件，則允許用戶完成註冊。」
PM的工作內容和模式會隨著產品領域、團隊規模及系統架構等因素而有很大不同。然而，良好的溝通能力，尤其能根據不同溝通對象靈活切換用詞和表達方式，針對不同情境調整思考重點，是做好PM必須具備的。如果你發現這種角色切換對你來說有些困難，或是習慣從單一角度進行思考，那可能就不會那麼享受於PM的日常了。
特質3：你是否接受甚至喜歡改變，且有隨時改變計劃的彈性？
最後一點，「接受改變，且對已經計劃好的事情是否總是能保持隨時調整，甚至需要打掉重練的彈性？」是一個PM是否能樂在其工作中，蠻關鍵的特質。
有PM經驗的都知道（不管是Product or Project）都會面臨到原本說好的方向會需要來個大轉彎，產品策略可能因為市場的變化要做立即的調整（例如AI的快速崛起）。對於比較不喜歡變化，或是對於要臨機應變這件事情比較排斥的人，做PM會比較辛苦（心裡苦的部分）。
No two days are the same for a product manager
如果看到上面這句話，你感到興奮，那恭喜你！你一定能從PM的工作日常中找到許多樂趣！
以上就是我簡單從自己身上總結出為什麼就算有時候遇到再鳥的事情，或是有時候真的工作壓力很大，但終究我還是很享受做PM的3大特質與性格，希望能給還在摸索的人或是猶豫不太清楚自己到底適不適合的人一點小小分享。
（原文標題：你適合當產品經理嗎？3個PM需要的核心特質＆性格解析）
[joblist_plugin title='更多104【產品經理】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=1&sctp=M&scmin=40000&scstrict=1&jobsource=joblist_search&jobcat=2004003005&keyword=%E7%94%A2%E5%93%81%E7%B6%93%E7%90%86' amount='4']
[course_plugin title='產品經理學習營｜學習推薦' keyword='產品經理學習營' amount=2]
告別制式勞動，迎向 AI 時代人才的變革與重構
從 AI、大數據到雲端運算，智慧科技持續重塑企業運作模式，也同步改變科技人才的能力結構與職涯路徑。當技術不再只是工具，而是開始參與決策、流程與協作機制的設計時，企業對人才的期待，也隨之快速被改寫。隨著生成式 AI 進入科技研發現場，產業競爭的焦點，逐漸從單純的效能與技術規格面，轉向研發流程、協作效率與人才結構的重新配置。
文／104人力銀行
立即下載《2026科技業人才報告書-人才版》
本文導覽：
先定義後拆解，掌握工具且能同時進化的優勢
AI 不是取代能力，而是重新設計組織的槓桿
AI 改變的不只是工具，而是人才競爭的基準
無論是深耕資安領域的趨勢科技、由單點工具轉向 AI 驅動工作流程的KDAN 凱鈿、將服務版圖延伸至「新商務」場景的騰雲科技，亦或是持續推動流程優化的技嘉科技，皆不約而同指出：AI 並不是單一技術的導入，而是從根本上，重新定義工程師的工作方式與企業的選才邏輯。
先定義後拆解，掌握工具且能同時進化的優勢
趨勢科技指出，在資安產業中，AI 的導入不僅提升效率，更放大了攻防的速度與規模。企業真正需要的，已非能單純完成任務的工程師，而是要能理解問題、拆解問題，並知道如何運用 AI 讓產品與防禦能力持續進化的人才。「企業現在看的人才，不再是會不會寫 code，而是能不能用 AI 定義問題、拆解問題，並把它真正放進工作流程裡。」
這樣的轉變，使「會寫程式」逐步從門檻條件，轉變為一種基本能力。
KDAN 凱鈿則觀察到，企業選才的標準明顯被翻轉。過去對工程師的面試，多半以程式語言的熟悉度為主，然而當 AI 加入成為日常工具，真正拉開差距的，反而是思考邏輯和問題拆解的能力。「以前我們面試工程師，程式語言熟悉度大概佔六、七成，思考能力佔三、四成；現在幾乎倒過來。」甚至可以說，判斷能力及邏輯架構，已遠勝單一技術的掌握。能力結構之外，AI 也在重新設計工作流程本身。
AI 不是取代能力，而是重新設計組織的槓桿
面對 AI 帶來的轉型壓力，騰雲科技則是認為，企業需要的人才，除了熟悉新工具，得要能解構既有的流程與模式，並予以重新加以設計。「頂尖的人才必須完備能解構問題的智慧，將經年累月結痂的既有工作流程無情拆解，再結合新工具進行徹底重構，以此創造出破局的商業價值。」在如此框架之下，AI 並非取代既有能力，反倒成為推動組織再造的重要槓桿。
相較之下，在硬體與韌體研發領域，AI 帶來的影響則呈現不同面貌。
AI 的導入並非突然出現，而是建立在長期流程自動化與知識共享文化的基礎之上。技嘉科技表示，當標準化與重複性的工作逐步由工具接手，企業在選才的課題上，反而更回到人才的本質。「AI 並沒有讓工程師變得不重要或被取代，反而讓一件事變得更加清楚——當工具越來越強，人真正不可取代的，仍然是持續學習、理解問題，以及把經驗轉化為能被團隊延續的知識。」
也因此，雖分處不同產業與戰略位置的四家企業，卻給出近乎一致的答案——AI 確實已改變你我的工作流程與內容，也對工程師的角色重新定位，然而企業真正關注的，不是誰會被取代，而是誰能定義出與 AI 協作的新方式。
AI 改變的不只是工具，而是人才競爭的基準
當 AI 已能協助完成大量數據的整理、流程文件撰寫及程式生成，甚至是輔佐當下決策的研判時，隨之浮現的是一個跨越產業和領域的深層叩問——AI 會不會取代人類？
觀察四家受訪的企業，答案竟出乎意料地一致：AI 並不會讓「人」變得不重要，而是讓人才的價值重新排序。但首先被改變的是，企業對工程師角色的認知與理解。當標準化、重複性的工作逐步由工具接手，真正拉開差距的，不是技術的熟練度，而是能否理解問題、拆解流程，並持續與新工具共同進化的能力。
正如受訪者所指出：「不是 AI 會取代人，而是會用 AI 的人，會取代不會用 AI 的人。」對企業而言，這意味著選才邏輯正在改變；對求職者而言，也代表未來職場的競爭力，將來自於跨領域理解問題的能力，以及在變動之中持續重塑自身角色的位置。
立即下載《2026科技業人才報告書-人才版》
掌握更多科技業人才趨勢，大家都在看這些：
告別制式勞動、迎向職能重構：騰雲科技在 AI 時代的破局商業學
AI 時代，寫程式不再是護身符——KDAN 凱鈿重新定義「好人才」
AI 時代的研發現場：回歸人才特質，技嘉如何重新定義工程師的工作方式
在趨勢科技，唯一的競爭對手是駭客：AI 時代下，資安人才與研發現場的真實變化
AI生成數據分析簡報3招搞定！ChatGPT、MassiveMark、Gamma打造最強組合技
還在為數據分析報告與簡報抓狂嗎？只要善用ChatGPT、MassiveMark、Gamma等3大神器，就能搞定數據分析＋簡報設計，從Excel到PPT一條龍完成，馬上開啟你的高效職場模式！本文節錄自《三秒鐘的出其不意！Excel × AI 幫你工作超省力》。
文／Excel 廣播電台｜張予
本文目錄（點擊可快速前往）
【1】ChatGPT分析Excel檔案數據【2】複製ChatGPT分析結果，生成Word報告【3】生成Gamma / PPT簡報
在現今的職場環境中，數據分析已成為決策的重要基礎。但面對龐大的資料集，如何高效整合AI技術，打造「職場組合技」，來提升分析效率與決策精準度，成為提升競爭力的關鍵。
想像一下，你是一家連鎖零售企業的數據分析師，公司希望透過數據來驅動決策，優化銷售策略、提升客戶體驗，並最大化營收。來看看如何透過AI + Excel的組合技，達成這些目標？讓我們一步步拆解應用方式！
【1】ChatGPT分析Excel檔案數據
使用工具：ChatGPT
網址：https://chatgpt.com/
輸入以下指令給ChatGPT：
「協助分析Excel檔案的數據，生成摘要和視覺化圖表，並使用我提供的字型來呈現圖表內容。然後，制定隔年的用戶銷售策略，最後整理成一份Markdown格式的銷售分析報告。」
以下為它整理的結果：
（圖／旗標出版提供）
【2】複製ChatGPT分析結果，生成Word報告
使用工具：MassiveMark
網址：https://www.bibcit.com/en/massivemark
接下來是關鍵的一步，如果你直接複製內容並貼到Word，你僅會得到一個只有「內文」樣式的報告。
全文皆為內文樣式（圖／旗標出版提供）
但如果你希望保留報告的標題層級（標題1、標題2、標題3…，如下圖）。首先，你必須透過點擊複製按鈕取得報告內容，此時複製到的文字是「Markdown格式」的資料。
【什麼是Markdown格式？】Markdown是一種輕量級標記語言（lightweight markup language），也就是簡單、結構化的格式，能讓報告結構更清晰。
使用標題樣式可於左側看到大綱（圖／旗標出版提供）
一般對話中的複製按鈕和畫布中的複製按鈕（圖／旗標出版提供）
接著，透過一個免費的線上轉換工具──MassiveMark，自動產生有大綱層級的Word文件，減少手動編輯的時間。
免費的線上轉換工具──MassiveMark（圖／旗標出版提供）
（圖／旗標出版提供）
最後，再將之前生成的圖表，下載成圖檔、添加到Word文件，一份銷售分析報告就完成啦！
【AI生成Word報告的優勢】‧ 一鍵輸出完整分析，包含數據摘要、趨勢分析、視覺化圖表‧ 提供具體的商業策略，協助決策者擬定行動方案‧ 快速下載報告，減少手動整理時間
【3】生成Gamma / PPT簡報
使用工具：Gamma
網址：https://gamma.app/
「除了Word報告外，AI也能生成簡報嗎？」只要準備好報告後，可以將報告內容直接丟給AI簡報生成神器──Gamma。不到幾秒鐘的時間，簡報就完成了，而且還非常有設計感！要再進一步編輯也沒問題。來看看如何操作吧！
點擊「新建AI」免費註冊完Gamma後，從首頁開始建立AI簡報。點擊「匯入檔案或網址」( 也可點擊「貼上文字」) ，並上傳剛剛建立的Word檔案（圖／旗標出版提供）
選擇 「簡報內容」，免費版一次最多可生成10張卡片，挑選喜歡的主題後點擊「產生」（圖／旗標出版提供）
一份銷售分析簡報就完成啦！（圖／旗標出版提供）
一起來看看生成的結果如何吧！
【Before】條列式的數據摘要
【After】自動改以卡片式呈現
（圖／旗標出版提供）
【Before】表格式的產品分析
【After】自動轉成圖表形式，而且還是互動式圖表！游標移上去可看到詳細數據
（圖／旗標出版提供）
【Before】表格式的產品分析
【After】美化過的表格樣式。也可能維持原有表格形式（AI生成，每次結果都可能不同！）
（圖／旗標出版提供）
版面配置十分豐富，還有AI自動生成的圖片，讓畫面不呆版！
（圖／旗標出版提供）
若想展示簡報，點擊右上角的「展示」按鈕即可。
點擊「展示」（圖／旗標出版提供）
進入簡報模式（圖／旗標出版提供）
Gamma簡報也能下載成PowerPoint檔案，十分方便！
點擊「分享」、「匯出」、「匯出至PowerPoint」、「完成」 （圖／旗標出版提供）
（圖／旗標出版提供）
Gamma是一款免費註冊即可使用的線上簡報工具，並且提供中文介面，讓使用者能輕鬆上手。使用AI生成簡報時會消耗點數，但新用戶註冊後可獲得免費試用點數，讓你能直接體驗AI簡報的強大功能。免費版限制每次生成最多10張簡報卡片，但仍可手動新增與編輯內容。若對AI生成的內容或設計不滿意，可自由調整版面配置、圖片、圖表等。如果你還沒試過Gamma，強烈推薦你體驗看看！這麼方便的AI簡報工具，真的不能只有我知道啊！
AI讓數據分析更高效、更精準，現在就開始應用，提升你的職場競爭力吧！
節錄自：旗標出版《三秒鐘的出其不意！Excel × AI 幫你工作超省力》／Excel 廣播電台｜張予 著
推薦閱讀：
Excel公式讓ChatGPT幫你寫！輸入指令就能懂的Excel公式教學
ChatGPT生成Excel圖表不卡關！xy軸設定、中文顯示問題輕鬆搞定
【Graphy AI教學】AI自動生成圖表、數據分析4技巧！連報告都能一鍵生成的靈感救星
有任何收穫或想分享的，都來和大家一起聊聊吧！