AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
104學習
交通工程研究調查與評估分析
透過系統性蒐集交通數據，分析交通流量、事故熱點及路網效能，評估現有交通設施的運作狀況與問題，並提出改善建議。此技能有助於提升交通安全、減少壅塞，優化運輸效率，支持政策制定與規劃決策，是交通管理與城市發展不可或缺的專業能力。
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
公務人員考題複習精選【人事行政】
AI財務力：從數字到決策的智慧應用【9/3】
專案矩陣分析與應用技巧
專為HR設計的：Excel招募數據分析
公務人員考題複習精選【社會行政】
AI快速完成專業簡報
公務人員考題複習精選【勞工行政】
公務人員考題複習精選【地政】
公務人員考題複習精選【一般民政】
精選證照
考取專業證照，讓能力被市場看見
高考交通工程技師
從事車輛與行人之交通特性、流量、事故、道路服務水準之調查、分析、研究與評估；道路交通工程、交通安全、管制與監控系統、停車與行人交通設施之調查、研究、評估、規劃、設計、施工、維護及營運；整體性道路交通管理方案之規劃。
考試院
數位人資管理師-經理級認證
數位人資管理師認證學程將幫助你，運用e化系統的力量，將大量的人資行政瑣事效率化；利用聰明的流程再造，將員工視為內部顧客，全面提升員工體驗；最後發揮數據力，真正成為組織成功的策略夥伴！
獲得數位人資管理師-經理級認證，代表你具備以下能力
1.了解員工體驗的精神，與e化流程的設計思維，可協助組織全面檢視HR各流程的重要問題與精進的方向。
2.熟悉e化流程的設計方法步驟，協助組織善用數位科技的力量，優化現有制度流程，促進員工體驗。
3.清楚大數據分析的內涵，與業界實務運用案例，可幫助公司導入大數據分析專案，解決公司在人力計畫、人才發展、留才管理上碰到的重大問題。
104資訊科技股份有限公司
高考都市計畫技師
從事有關都市計畫之規劃、設計、檢討、研究、分析、評估、調查及計畫管理等業務。
考試院
流通門市管理軟體應用師
流通門市管理軟體應用師證照專為提升門市管理與營運效率而設計，涵蓋銷售、庫存、訂單及客戶關係管理等軟體操作技能，具備此證照代表能熟練運用流通業常用軟體工具，有效協助門市日常作業及數據分析，提升營運績效與服務品質，適合零售業從業人員及管理者持有，助力職涯發展與專業能力提升。
尚未查核發照單位
特考鐵路人員
交通事業人員係指隸屬交通部所屬事業機構之從業人員，依交通事業人員任用條例之規定任用，採資位職務分立制，其資位分業務類及技術類兩類，業務類包括業務長、副業務長、高級業務員、業務員、業務佐、業務士；技術類包括技術長、副技術長、高級技術員、技術員、技術佐、技術士。其中高級業務員、高級技術員以下，須經考試及格，考試方式則依特種考試交通事業人員考試規則，辦理交通事業各業別人員考試。
特種考試交通事業鐵路人員考試配合用人機關需求，設高員三級、員級及佐級考試，採筆試方式舉行，以筆試成績為考試總成績，配合任用需求擇優錄取。由於台灣的就業市場競爭力相當激烈，面對工作上的壓力及職場上人際關係，多數人嚮往穩定且有保障的公職單位，身為國營事業的鐵路局自然成為許多人想進入的單位。
考試院
高考土木工程技師
從事混凝土、鋼架、隧道、涵渠、橋樑、道路、鐵路、碼頭、堤岸、港灣、機場、土石方、土壤、岩石、基礎、建築物結構、土地開發、防洪、灌溉等工程以及其他有關土木工程之調查、規劃、設計、研究、分析、試驗、評價、鑑定、施工、監造、養護、計畫及營建管理等業務。但建築物結構之規劃、設計、研究、分析業務限於高度三十六公尺以下。
考試院
精選貼文，掌握第一手知識
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
越來越多企業投入數據分析領域，也讓資料工程師的職缺需求大增，根據104薪資情報網站，資料工程師薪資中位數甚至高於一般研發工程師。本文就帶你一探有資料工程師需要的技能專長以及完整職涯發展。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
什麼是資料工程師？需要哪些技能？資料工程師工作內容資料工程師技能與工具能力分析資料工程師軟技能養成：4大特質有助職涯發展更順利資料工程師薪水行情：掌握技術專長是加薪關鍵1. 台灣資料工程師薪資範圍 2. 提升資料工程師薪水幅度的關鍵資料工程師職涯路徑：邁向高階技術職的進階指南1. 軟體工程師2. 數據分析師3. 演算法工程師｜資料科學家資料工程師的挑戰
什麼是資料工程師？需要哪些技能？
資料工程師工作內容
資料工程師又稱為數據工程師，主要工作內容是與數據相關的技術支援，建置系統或使用外部平台幫助企業數據收集、儲存與整理，確保數據傳輸管道暢通、安全、精準且可被預測。
延伸推薦課程 👉 資料工程師養成班
資料工程師技能與工具能力分析
基礎Python網路爬蟲SQL 基礎Java核心R語言SQL 進階資料庫AWS應用進階資料探勘認證微軟 Azure雲端應用認證職涯資料工程師AI資料科學家▲ 資料工程師師應具備技能、工具、職涯指引表，點選不同技能會對應到相關課程。
[course_plugin title='資料工程師面試入門課程' keyword='破解資料工程師' amount=1]
1. 資料工程師基礎技能
資料工程師需熟悉網路爬蟲技術，精通Python與SQL語言，具備Java基礎能力，能有效處理ETL流程，管理資料庫，支援業務分析需求。
Python：常用於數據處理與自動化管道建設。
網路爬蟲：從網頁自動蒐集數據，將網頁數據轉換為可用的結構化格式
SQL（基礎）：資料工程師必備技能，用於查詢與操作結構化數據。
Java：用於大數據處理框架（如Spark）的高效運算實現。
資料工程師基礎工具推薦課程
線上
Python 新手村｜練就扎實基本功
5538人感興趣
了解課程＞
線上
Python 網路爬蟲 | 數據分析的第一步就是要學會爬
6276人感興趣
了解課程＞
線上
快速活用 MySQL，精準設計關聯式資料庫
15855人感興趣
了解課程＞
線上
學程式也能很好玩：不背語法寫Java
6625人感興趣
了解課程＞
延伸推薦課程 👉 Python 輕鬆上手學👉 成為 AI 科學家｜快速闖關 Python 語法世界，程式實作不頭痛👉 Python新學法 - 實作6個Terminal APP快速入門👉 Python 基礎程式設計｜開外掛勇闖 Python 異世界👉 ETL網路爬蟲實戰技巧👉 吳永志Java入門保證班 - 初學者最佳選擇
2. 資料工程師核心技能
資料工程師核心技能涵蓋精通R語言與進階SQL操作，具備優化大型資料庫管理的能力，熟練運用雲端應用及大數據技術，專注於高效處理複雜數據流程。
R語言：常用於統計分析、數據探勘和機器學習建模的程式語言，適合進行各類數據處理與運算。
SQL進階／NoSQL：進階的SQL技能有助於高效處理和管理大型結構化數據。除了關聯式資料庫（如 MySQL、PostgreSQL），還需熟悉 NoSQL 資料庫（如 MongoDB、Cassandra）以處理非結構化數據。
資料庫管理與建置：除了熟悉各種資料庫工具管理與操作，資料工程師還需具備建置資料庫架構等關鍵性知識。
雲端應用能力：掌握雲端應用相關的技能，熟悉AWS、Azure等雲端服務平台來進行大規模數據的存儲和處理。
資料工程師核心工具推薦課程
線上
R語言/R-Studio入門─統計分析、資料探勘與機器學習的原理與實戰演練
4057人感興趣
了解課程＞
線上
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
4148人感興趣
了解課程＞
線上
資料庫設計原理
2567人感興趣
了解課程＞
線上
AWS雲端架構規劃｜建置實務應用
3169人感興趣
了解課程＞
延伸推薦課程👉 NoSQL輕鬆學: 架構、設計與案例探討👉 成為 AWS 達人第一步！打造你的第一個 AWS 架構！👉 AWS雲環境的架構優化-彈性化自動擴展👉 雲端資料工程師在職遠距班
3. 資料工程師進階技能與證照：資料探勘與雲端應用認證
資料探勘是從已知的數據中，挖掘數據背後的價值與趨勢，提供企業數據洞察報告。為此，資料工程師必須熟悉大數據框架或引擎技術，搭配程式語言、機器學習模組（如：MLlib）及統計分析方法，將數據處理轉化為具體分析結果或預測模型。
Apache Spark：Spark是一個開源的大數據處理框架，支援多種程式語言和機器學習模組，能高效分析與挖掘大規模數據，是資料探勘不可或缺的強大系統。
雲端應用證照：資料工程師在雲端應用領域可藉由取得認證證照來提升專業性，例如Microsoft Azure相關認證，資料工程師可透過自我學習與認證以強化職業競爭力，也為自己提供更加寬廣的職涯發展路徑。
資料工程師進階工具認證課程推薦
線上
微軟Azure超級入門實務與AZ-900認證攻略
19721人感興趣
了解課程＞
[course_plugin title='雲端資料工程師進階課程推薦' keyword='雲端資料工程師在職遠距班' amount=1]
延伸推薦課程👉 Spark首部曲：實務基礎入門篇👉 Spark第二部曲： SQL輕鬆處理半結構化資料技巧👉 Spark第三部曲： MLlib完成資料挖掘與機器學習實戰👉 微軟Azure超級入門實務與AZ-900認證攻略👉 微軟 Azure｜通關 AZ-104 認證攻略，邁向雲端 IT 管理之路👉 AZ-204 認證攻略Ｉ從Azure著手雲端開發解決方案👉 DP-900 認證攻略 l 基礎資料庫混合雲建置與管理
資料工程師軟技能養成：4大特質有助職涯發展更順利
1. 溝通與跨部門協作能力：
資料工程師需與資料分析師、產品經理和開發團隊緊密合作，清晰表達技術需求與限制，確保數據管道設計與業務目標一致，並有效傳達複雜技術內容以促進團隊協作效率。
2. 問題解決與批判性思維：
在面對數據品質問題、流程瓶頸或系統錯誤時，資料工程師需具備冷靜分析的能力，快速定位問題根源，提出創新解決方案，並從長遠角度優化系統的穩定性與效率。
3. 時間管理與專案執行能力：
面對多項並行任務與緊迫期限，資料工程師需能有效規劃工作進度，分配資源，確保ETL流程、數據清洗與系統開發在限定時間內按時完成，提升團隊交付成果。
4. 持續學習與技術適應能力：
資料工程師需要不斷學習新興工具、框架與雲端技術，快速掌握業界趨勢，適應大數據與人工智慧時代的變化，確保自身技能能支持企業的數據基礎設施發展需求。
資料工程師薪水行情：掌握技術專長是加薪關鍵
隨著大數據與人工智慧的快速發展，資料工程師成為企業中不可或缺的重要角色，但影響薪資的關鍵，往往取決於工程師本身的技術專長與實務經驗。
1. 台灣資料工程師薪資範圍
初階（3年以下經驗）：月均薪約5.9萬。
中階（3-5年經驗）：月均薪約 6.4萬。
高階（5-10年經驗）：月均薪約6.6萬。（以上資料來源：104薪資情報）
2. 提升資料工程師薪水幅度的關鍵
掌握大數據與雲端技術是高薪關鍵：熟悉大數據工具（如Spark）及雲端平台（如AWS、Azure）是資料工程師的核心技能。企業對處理大規模數據的需求不斷增加，具備分散式運算能力的工程師在薪資談判中更具優勢。
程式語言與專業認證提升競爭力：Python與SQL是基礎技能，而掌握Java、R語言及進階資料庫技術（如NoSQL）能顯著提高薪資。此外，取得AWS、Azure等專業認證，能彰顯技術專業性，是升職與加薪的重要籌碼。
資料工程師職涯路徑：邁向高階技術職的進階指南
資料工程師需要強大的技術專才，在數據處理、雲端應用與大數據技術上展現出不可或缺的價值，建議資料工程師可藉由自我學習、累積實務經驗及考取專業認證等管道，優化現有技能，就有機會轉往更高階技術職務，實現職涯進階與薪資提升，資料工程師職涯路徑發展如下：
1. 軟體工程師
資料工程師轉職軟體工程師，除了程式開發與現有數據基礎專業上，擴充軟體開發能力，技術層面也需涉及更多樣的程式語言、系統設計、開發流程與測試技巧等。
技能需求：需掌握多樣化技術，精通主流程式語言如Java、C++；熟悉相關框架（如Spring、Node.js、React）；具備系統設計能力；掌握版本控制工具如Git，並適應敏捷開發流程；能進行自動化測試以確保軟體品質。此外，基礎前端開發技術（HTML、CSS、JavaScript）與實務經驗（如參與開源專案或個人作品集）也是必要條件，以全面應對軟體開發需求。
學習指南：前端工程師學習地圖、後端工程師學習地圖
2. 數據分析師
位於同樣的數據產業鏈中，資料工程師轉職數據分析師需強化數據解讀與分析能力，熟悉各種報表可視化工具與分析方法，以深度挖掘數據製作洞悉報告。
技能需求：屬於後段數據資料庫建置的資料工程師，在轉職前線的數據分析師，需要更深度與產品、業務單位溝通，了解組織需求，並在已具備數據專業技術的前提下，需要熟悉使用工具如Excel、Tableau、Power BI進行可視化，掌握統計學基礎與分析方法（回歸分析、A/B測試）。實戰專案經驗與清晰的數據展示能力是能否轉職成功的重要條件。
學習指南：數據分析師學習地圖
課程推薦：數位分析師入門實戰
3. 演算法工程師｜資料科學家
就分工而言，資料工程師搭建數據管道，確保數據準確、安全、流向正確位置；演算法工程師專注於開發演算法或模型，處理數據並生成有用的輸出（如預測、推薦結果）；資料科學家分析數據與模型效果，找到問題並提出解決方案。部分企業因規模不同，資料工程師、演算法工程師、AI資料科學家三者的工作內容可能有所重疊。
演算法工程師：高效演算法工具的製造者，著重數據模型的建構。需熟練掌握Python與C++等程式語言，並熟悉TensorFlow、PyTorch等深度學習框架，用於開發與訓練模型。
AI 資料科學家：透過數據模型分析、預測，並透過不斷驗證與統計分析能力，監控並優化數據模型結果提出精準分析。
課程推薦：AI資料科學家全方位學程班
資料工程師的挑戰
數據處理最大的挑戰，就是保持數據的一致性，這是非常需要耐心與抗壓性的工作內容，尤其在時間壓力之後，必須處理包括數據的異常與缺失，數據清洗與校正等。因此，資料工程師必須有對數據工具的熟悉度，以及知道如何高效處理大數據需求的能力。
除了技術層面，隨著技術的快速更新，資料工程師需要不斷學習新工具與技術，如雲端平台和大數據框架，充滿好奇與保持學習力是資料工程師必須保持的態度。因此，面對多方面的挑戰，具備紮實的技術實力、解決問題的能力以及高適應力，才能滿足不斷變化的業務需求。
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
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
[joblist_plugin title='更多104【資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=2&indcat=1001001000,1001000000&ro=1&jobsource=joblist_search&jobcat=2007001022' amount='3']
「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！
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
在大數據與AI科技浪潮下，數據分析師需求大增。數據分析師在做什麼？需具備什麼條件？職涯發展性如何？本文將深入剖析。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
什麼是數據分析師？需要哪些技能？數據分析師薪資行情如何？技能與行業別是落差關鍵數據分析師職涯發展：轉職工程師薪水加乘哪些產業需要數據分析師？數據分析師的挑戰
什麼是數據分析師？需要哪些技能？
數據分析師工作內容
數據分析師，又常被稱為資料分析師（Data Analyst），負責「將數據轉化成對企業有價值的資訊」。主要工作包括，運用工具挖掘數據價值；並透過可視化工具，將複雜數據轉化成易於理解的圖表與儀表版，幫助企業解決痛點、提升績效。
數據分析師技能與工具能力分析
基礎Python商務分析簡報提案核心網路爬蟲SQL資料視覺化R語言TableauPower BI認證GA4數據分析認證進階雲端應用VBA資料擷取職涯資料科學家資料工程師▲ 數據分析師應具備技能、工具能力、職涯指引表，點選不同技能會對應到相關課程。
1. 數據分析師基礎工具能力
數據分析師需要熟悉專業數據分析工具，以快速整理、分析數據，特別是在行銷與銷售領域。
Python語言能力：數據分析師常用的入門工具，用於數據分析、資料處理。
商務分析能力：透過Excel的函數與數據透視表功能，執行數據清理與分析。
簡報提案能力：數據分析師須具備數據報表呈現能力，搭配AI工具提升簡報能力
[course_plugin title='數據分析師入門課程推薦' keyword='數據分析師｜入門實戰' amount=1]
[course_plugin api_type='course_id' title='數據分析師學習營課程' id='a20d4275-3867-4738-9d32-ad850fb3bc1c']
數據分析師基礎工具推薦課程
線上
Python 新手村｜練就扎實基本功
5538人感興趣
了解課程＞
線上
ChatGPT x Excel | 職場必學商務數據分析術
334710人感興趣
了解課程＞
線上
AI簡報3項思考力，ChatGPT倍速提升商業競爭力！ 目標思考、換位思考、邏輯思考
9212人感興趣
了解課程＞
延伸推薦課程 👉 成為 AI 科學家｜快速闖關 Python 語法世界，程式實作不頭痛👉 Python 基礎程式設計｜開外掛勇闖 Python 異世界👉 不寫程式的大數據分析師：數據分析之王-超強excel樞紐分析👉 無痛起步-Excel VBA超入門實戰 👉 用Excel也能玩轉統計分析
2. 數據分析師核心技能
多樣化的程式語言能力以及更進階的視覺化報表工具使用，幫助數據分析師處理大量且高效的運算與工作。
R語言：適合統計分析與資料視覺化，適用於深度數據分析。
SQL：可幫助數據分析師用於資料庫查詢與數據處理，能處理大規模結構化數據。
Tableau：用於建立互動式儀表板與高階數據可視化。
Power BI：能與多種數據來源整合，適合商業報告製作。
3. 數據分析師證照
GA4（Google Analytics 4）認證：熟練GA4分析用戶行為，評估網站效能。
數據分析師核心工具推薦課程
線上
R語言/R-Studio入門─統計分析、資料探勘與機器學習的原理與實戰演練
4057人感興趣
了解課程＞
線上
快速活用 MySQL，精準設計關聯式資料庫
15855人感興趣
了解課程＞
線上
從Excel到Power BI數據視覺化
56517人感興趣
了解課程＞
線上
Tableau數據視覺化分析快速上手
10264人感興趣
了解課程＞
延伸推薦課程👉 成為 AI 科學家｜資料分析師必備視覺化技能 Power BI👉 Power BI Desktop --從基礎到資料視覺化實戰👉 Power BI 零基礎實戰 | 培養商務數據分析力👉 輕鬆上手Tableau商用智慧互動儀表板👉 Google Analytics 4 數據分析師 國際認證保證班
4. 數據分析師進階升級技能
透過可視化工具將複雜的分析結果轉化為易於理解的圖表與儀表板。
網路爬蟲工具：常用於資料量龐大、多元來源的數據，透過程式語言工具進行資料挖掘與蒐集。
VBA自動化工具：Excel的高階巨集工具技能，透過程式語言設定，可幫助數據自動化高效產出。
雲端應用進階能力：當企業規模龐大，數據分析師需處理大量且複雜的資料分析，需具備機器學習與雲端技術技能，協助資料工程師與業務部門進行更準確、高效的數據預測。
數據分析師進階能力推薦課程
線上
Python 網路爬蟲 | 數據分析的第一步就是要學會爬
6276人感興趣
了解課程＞
線上
財會工作秒殺技! 活用VBA，開啟你的自動化工作術!
39226人感興趣
了解課程＞
線上
Oracle APEX 入門實戰！
5634人感興趣
了解課程＞
延伸推薦課程👉 成為 AI 科學家｜網路爬蟲大師教你快速完成資料擷取
搭配5大特質（軟技能） ：錄取數據分析師更容易
數據思維能力：數據分析師不僅需要處理數據，更需要具備挖掘數據背後的好奇心與敏銳度，擅長從複雜的數據中找到模式和影響變因，進而提煉出有價值的洞察。
溝通與表達能力：數據分析師常需要將技術性的數據結果轉化為非技術人員能理解的洞察，並透過簡報、報告或儀表板進行清晰的表達。
解決問題能力：數據分析師的核心價值在於解決業務中的實際問題，需理解業務需求，將模糊的問題轉化為可操作的數據分析方案，並以數據為基礎提供可行的解決建議。
自學與精進技術的能力：數據分析領域的技術更新快速，掌握自學能力是持續保持競爭力的關鍵。無論是學習新的數據工具（如雲端平台、機器學習技術），還是掌握行業最新趨勢，持續進修都至關重要。
數據安全與保護隱私的能力：數據隱私和安全問題越來越受到重視，數據分析師需確保數據的合法性與安全性，避免違反相關法規（如GDPR、CCPA），並提升對敏感數據處理的規範性。
數據分析師薪資行情如何？技能與行業別是落差關鍵
數據分析師做為數據推升關鍵角色，薪資水準因地區、行業、技能和經驗的不同而有所差，以3年以下工作經驗的平均月薪來說，行情不輸半導體工程師，加上技能門檻高，升遷與轉職機會多。
1. 台灣數據分析師薪資範圍
初階（3年以下經驗）：月均薪約5.5萬。
中階（3-5年經驗）：月均薪約 6.1萬。
高階（5-10年經驗）：月均薪約7.1萬。（以上資料來源：104薪資情報）
2. 影響數據分析師薪資的因素
技能組合：具備機器學習、大數據工具（如Spark、Hadoop）或雲端技術（如AWS、Google Cloud）等加分技能的數據分析師，薪資水準更高。
行業差異：科技、金融、醫療等數據密集型行業的薪資相對更高。
數據分析師職涯發展：轉職工程師薪水加乘
數據分析師擁有寬廣的職涯發展空間，以下是數據分析師常見的職業成長路徑：
1. 資料科學家
如果說數據分析師是透過分析蒐集現有的數據提供解決方案；資料科學家更偏向透過處理大量且複雜數據庫提供預測性分析。
技能需求：更深度的專業技能，如進階的程式語言技能、機器學習技術和大數據工具。
課程推薦：AI資料科學家全方位學程班
2. 資料工程師
資料工程師工作著重在與數據資料庫相關程式設計與技術研發方面，包括數據建模的程式語言、AI及機器學習相關技術、大數據雲端架構技術層面，資料工程師都需要涉獵。
技能需求：數據技術導向的維護與開發，需要更高階的數據應用工具技術，如使用 ETL 工具、大數據框架、SQL等。
學習指南：資料工程師學習地圖
課程推薦：資料工程師養成班
3. 軟體工程師
部分企業因組織規模關係，會將資料工程師工作內容劃分進軟體工程師的職責中，與跟資料工程師相同，軟體工程師需要具備程式設計與系統設計能力。
技能需求：設計高階數據模型，帶領數據分析團隊，參與業務策略規劃。
學習指南：前端工程師學習地圖、後端工程師學習地圖
哪些產業需要數據分析師？
數據分析師的需求已滲透至各行各業，其中以下幾個產業需求最為旺盛：
1. 科技與軟體業（AI數據分析師）
分析用戶行為，提升產品體驗；開發推薦系統等。
2. 電商與零售業（商業數據分析師）
優化促銷活動，分析購物行為，提升轉化率。
3. 金融與保險業（金融數據分析師）
信用評分模型、風險預測，優化投資策略。
4. 醫療健康產業（醫療數據分析師）
個性化治療方案，疾病趨勢預測。
5. 半導體製造業（數據分析師）
製程數據分析，設備異常檢測。
6. 行銷與廣告業（行銷數據分析師）
廣告效果分析，用戶分群，A/B測試。
數據分析師的挑戰
首先，技術的快速發展給數據分析師帶來了學習壓力。隨著人工智慧、大數據處理工具和雲端技術的日新月異，數據分析師必須不斷更新自己的技能，掌握最新的工具與技術，如Hadoop、Spark或機器學習模型。這種技術上的「追趕」需要投入大量時間和精力，特別是在同時承擔日常工作的情況下，如何平衡學習與工作的時間分配，成為許多分析師面臨的困境。
在業務層面，數據分析師常常需要與非技術背景的同事或主管合作，這也成為一項重要的挑戰。數據分析結果通常具有高度的技術性，如何將這些複雜的分析內容用簡單、直觀的方式呈現，並與業務需求對接，是數據分析師的重要責任。當分析結論無法與業務目標完全契合時，還需要通過溝通和協調來尋求共同解決方案，這對分析師的溝通能力提出了很高的要求。
[course_plugin api_type='course_id' title='數據分析師學習營課程' id='a20d4275-3867-4738-9d32-ad850fb3bc1c']
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
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
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
[joblist_plugin title='更多104【數據分析師】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=1&jobsource=joblist_search&indcat=1001001000,1001000000&ro=1&keyword=%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90%E5%B8%AB' amount='3']
量天測地、解構力學——深入成大南工土木科，從材料試驗到現代營建實務的養成記
土木工程往往不像建築設計那樣容易受到矚目，但每一棟建築、每一座橋梁的安全與品質，背後都少不了土木工程專業的支撐。國立成功大學附屬臺南工業高級中等學校土木科便以「專業、實作、創新」為核心，透過扎實的理論課程、多元實作訓練與工程現場接軌，培養兼具工程知識與實務能力的人才。 土木科教師方偉烈表示，建築與土木外界看來似乎差異不大，但兩者的定位並不相同，「建築比較著重空間設計與規劃，而土木更關注工程技術與結構安全」。建築師負責完成整體建築設計，土木工程專業人員則負責讓設計安全落實、順利施工，兩者始終是相輔相成、不可或缺的重要夥伴。
從基礎到專業，逐步建立工程能力
土木科的課程依照學生不同階段循序漸進安排。高一以基礎能力培養為主，除了國英數等一般科目外，專業科目則會修習如土木建築工程與技術概論、構造與施工法，搭配測量實習、製圖實習，建立學生的基礎專業。
到了高二課程逐漸加深加廣，逐步深入專業核心，學生將修習工程力學、營建技術實習、電腦輔助製圖實習、工程測量實習、地形測量實習、材料與試驗等課程。此階段學生將投入許多時間在實習課程中，先學習基礎理論，再透過大量的做中學，在理論與操作中深化自身專業。以材料與試驗課程為例，學生會接觸粒料分析、混凝土拌合、混凝土養護、混凝土抗壓等內容，實際了解建築材料背後的工程原理。同時，學生也會實際進行砌磚、木工、鋼筋施工、模型製作及室內配線等內容，並有機會親自操作，透過大量實作累積工程現場所需的經驗與判斷力。
圖：學生參訪鋼筋加工廠了解實際製程
高三時課程則以專題帶領學生整合三年所學，學生透過組隊合作完成專題作品，專題主題以興趣為導向，鼓勵學生發揮專業視角，利用創意解決實際問題。有學生設計改善生活問題的木工作品，也有人規劃建築模型，從選址、結構到功能規劃，都必須活用過去累積的知識完成完整專題，不局限於土木內容，反而讓學生更能發揮創意和觀察力。此外，成大南工土木科更致力於課程的創新，透過加入無人機測繪等內容，讓學生接觸數位測量技術，讓學生在已有的知識基礎上，持續拓展在工程應用的新視野。
理論與實作並重，真正理解工程的本質
許多學生入學前往往認為土木科就是不斷動手施工，但真正進入課程後，學生才發現實作背後需要扎實的理論支撐。
方老師表示，材料試驗就是最好的例子，學生必須先理解材料性質、混凝土比例及相關理論，再進入實驗室完成實驗，驗證結果是否符合工程標準。土木科並非只有操作技能，更需要具備數理分析與工程判斷能力。這樣的學習歷程，也讓不少學生重新認識土木工程。
圖：學生合作組裝工程結構模型
土木科二年級林同學分享，原本以為土木科就是每天在戶外施工、砌磚，實際就讀後才發現，還必須學習材料、測量、力學等專業理論。「它（土木科）不是只有曬太陽做工程，也要學很多理論架構。」另一位二年級郭同學也有相同感受。他原本認為土木科以實作為主，真正接觸課程後才發現有比想像中更多的理論知識。
成大南工扎實深厚的課程設計，帶領學生在每一項工程操作之前，先建立完整的知識基礎，才能在實作中更深刻理解背後的原理，也讓學生在實際操作中更深入理解工程原理 。
大量實作、接觸現場，從實務中累積出專業即戰力
除了課堂上的操作，土木科也積極透過競賽與專題，引導學生將知識真正應用於實際問題。
例如，學生曾組隊參加正修科技大學木橋載重競賽，從木材裁切、打磨到橋梁組裝，歷經兩個月反覆製作與調整，最終獲得外觀特別獎。土木科二年級王同學表示，雖然橋梁承載能力仍有進步空間，但看到團隊一步步完成作品，仍讓他感到十分有成就感。
圖：學生參加橋樑載重競賽展示成果
方老師也指出，土木科最大的特色，就是讓學生「做中學」。學生不只是完成作品，而是在反覆操作、修正與驗證中，逐漸培養工程判斷能力，學生也會在不同年級，分別考取測量丙級、建築製圖應用-電腦繪圖項丙級、工程測量乙級等三張證照，累積未來升學或就業的競爭力。若直接投入職場，畢業學生將具備基本施工與監造能力；若選擇升學，也能良好銜接土木工程、營建工程等相關科系。
除了校內課程，土木科每學期也安排企業參訪，帶領學生走進建設公司、工程顧問公司、鋼筋工廠及材料檢驗中心，了解不同工程環節的實際運作。部分學生更有機會參與寒暑假的校外實習，親身進入工地現場，提前體驗工程工作的內容。透過一次次與業界接觸，學生不只是認識未來職涯，更能理解課堂所學如何真正應用於工程實務。
專業、實作、創新，培養面向未來的工程人才
談到土木科最重要的特色，受訪教師以「專業、實作、創新」三個關鍵字作為總結。「專業」代表扎實的工程知識；「實作」代表大量操作與現場經驗；而「創新」則是持續導入無人機測繪等新技術，讓學生能與時俱進，接軌產業發展。
圖：學生學習操作無人機設備
方老師也觀察到，許多學生在三年的學習中，最大的改變並不是學會多少技術，而是逐漸不害怕動手，也願意主動尋找解決問題的方法。從學生觀點來看，王同學認為，只要喜歡動手做、願意學習，就能在土木科找到自己的舞台；郭同學則認為，具備邏輯思考能力、願意面對挑戰的學生，都很適合投入這個領域。
從基礎理論、工程實作到創新技術，成大南工土木科不只是教學生如何完成一項工程，更希望培養學生面對問題時的工程思維，讓每一位學生都能在未來的升學與職涯道路上，穩穩築起屬於自己的專業基礎。
開箱土木科學習日常！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
【遠端工作指南】實現在家工作夢想！遠距面試QA、能力適合度評估表｜精選軟體工程師、行銷遠距職缺
遠端工作有哪些？受夠每天擠在車廂通勤？夢想在家睡飽再上工，或是在世界另一端的咖啡廳辦公嗎？本文將帶領大家認識遠端工作適合產業、遠距面試技巧，以及評估自己適不適合遠端工作的好方法。
文／104人力銀行小編
本文目錄（點擊可快速前往）
遠端工作有哪些？什麼工作適合遠端工作？如何準備遠端面試？關鍵在於「展現遠距適應力」遠端工作適合度自我檢視表領取遠距工作懶人包
遠端工作有哪些？什麼工作適合遠端工作？
根據《104人力銀行》數據，2024年104提供上萬筆「可遠端」的職缺，顯示遠距工作已成為職場趨勢之一，產業多集中於軟體與網路產業（36.0%），這也與遠距工作的數位化需求密切相關。從職務分類來看，業務銷售人員（17.2%）、行銷人員（14.8%）以及軟體／工程類人員（13.0%）的遠距工作機會相對較高。
[joblist_plugin title='【軟體工程師 遠端工作】機會' url='https://www.104.com.tw/jobs/search/?jobcat=2007001000&keyword=%E9%81%A0%E7%AB%AF&mode=s&page=1' amount='2']
[joblist_plugin title='【行銷 遠端工作】機會' url='https://www.104.com.tw/jobs/search/?jobcat=2004001000&keyword=%E9%81%A0%E7%AB%AF&mode=s&page=1&order=15' amount='2']
如何準備遠端面試？關鍵在於「展現遠距適應力」
遠距企業在面試中最看重的不僅是專業技能，還包括是否具備「遠距工作的適應能力」。以下深入探討展現遠距適應力的方法，以及如何準備與此相關的情境問答，幫助你脫穎而出。
如何在面試中展現遠距適應力？
1. 分享過去的成功案例
強調你在專案中的角色與貢獻，例如領導專案、解決問題或與跨部門團隊協作。案例結構建議：情境（S）→ 任務（T）→ 行動（A）→ 結果（R）。
範例回答：在上一家公司，我負責一個行銷專案。為了確保進度，我制定了明確的進度表，並使用 Trello 追蹤任務進展，同時定期舉行檢討會，最終專案不僅提早 2 周完成，還成功提升了 15% 的轉換率。
2. 具體展示你的工具使用能力
提到你熟悉的遠端工具（如Trello、Google Drive、Notion）。
若無經驗，可表明你正在學習相關工具，展示學習力。
3. 情境模擬問答練習
面試官通常會以問題測試你的遠距適應力，準備以下範例問題：
Q1：當你的團隊成員在遠端工作中溝通不暢時，你會如何處理？
範例回答：我會先私下聯繫對方，詢問是否遇到困難，並表達我希望幫助解決問題的意圖。如果問題涉及團隊協作，我會建議大家一起開個會，把目標和困難攤開來討論，確保每個人都在同一條線上。
Q2：如何管理自己的時間，確保按時完成任務？
範例回答：我的方式是先把大目標拆解成幾個小步驟，並且每週檢查進度，確保不會落後。每天早上，我會花10分鐘整理當天的優先事項，重要的事情優先處理，把每個時段只專注於單一任務。
4. 「還有什麼問題要問嗎？」求職者可以問遠距企業什麼問題
貴公司主要使用哪些工具來支持遠端協作？（如Slack、Zoom、Trello等）
團隊在遠端工作時，有沒有固定的會議頻率或同步方式？
貴公司是完全遠端還是部分遠端制度？是否有固定需要進辦公室的日子？
遠端工作的員工可以如何獲得技術問題或工具培訓？
圖／104人力銀行小編自製
遠端工作適合度自我檢視表
請在以下表格中，根據自己的情況評估每項能力，分數範圍從1（需要大幅提升）到5（非常自信）。
遠端工作核心能力評估指標自評分數（1-5）自主管理能力是否能獨立完成任務並規劃工作？時間管理能力是否能高效分配時間並避免拖延？溝通協作能力是否能清晰表達並使用遠端工具進行溝通？技術與工具運用能力是否熟悉、具備遠端工作所需的軟體與技術？抗壓與自律能力是否能在壓力下保持專注並按時完成工作？
遠端工作適合度結果分析
總分：20-25分你非常適合遠端工作，並具備多方面的核心能力！
總分：15-19分你有良好的基礎，但可以加強某些能力，例如工具熟悉度或自我管理。
總分：14分以下建議進一步提升核心能力，特別是時間管理與自律能力，這將幫助你更快適應遠端工作模式。
建議行動：針對評分較低的部分，制定學習計劃，例如學習時間管理技巧、熟悉工具操作，或參加相關培訓。你將更有機會找到心儀的遠端工作！WFH再也不是夢！
領取遠距工作懶人包
[download_plugin file_name='《遠距工作懶人包》' file_url='https://blog.104.com.tw/wp-content/uploads/2024/12/09154249/%E9%81%A0%E8%B7%9D%E5%B7%A5%E4%BD%9C%E6%87%B6%E4%BA%BA%E5%8C%85.pdf']
[joblist_plugin title='更多【遠端工作】機會' url='https://www.104.com.tw/jobs/search/?page=1&jobsource=joblist_search&excludeIndustryCat=1011004000,1003003000&remoteWork=1,2&excludeJobKeyword=%E7%9B%B4%E6%92%AD&keyword=%E9%81%A0%E7%AB%AF+WFH&order=15' amount='3']
推薦閱讀：
什麼是數位游牧？邊玩邊工作是真的嗎？入門5關鍵、優缺點懶人包解析
2025 最完整免費接案平台、接案社群總整理（附設計、行銷外包接案工作機會）
數位游牧好夢幻！自媒體變現3關鍵是？Ft.理白小姐｜青春通識課Podcast
高分不等於有能力？揭開評鑑中心評分背後的真實真相
原標題：評鑑中心 (Assessment Center) 的分數，到底在測什麼？
在企業招募與人才發展中，評鑑中心（Assessment Center）常被視為評估員工能力的重要工具。然而，高分真的代表能力突出嗎？本文將引用 Ingold 等人（2026）針對近 5,000 位受評者的最新研究，揭開評鑑中心分數背後的真實結構。我們將深入解析「整體印象」與「評量情境」如何影響評分，並引導企業人資重新思考：如何正確解讀評估結果，避免落入單一分數的解讀陷阱。
文： 小婉家族研究生 王靖慈 | 工商心理實驗室
在企業招募與人才發展中，「評鑑中心(Assessment Center)」常被用來評估員工的各項能力，例如領導力、溝通能力或問題解決能力。然而，一個長期存在的疑問是：這些評分，真的能清楚反映不同能力嗎？還是其實混合了其他因素？
Ingold等人 (2026) 的研究，匯集了19個不同評鑑中心、近5,000位受評者資料，透過多個樣本分析，重新檢視評鑑中心評分背後的組成結構。
輕鬆學會用AI增加工作效率，幫助員工提升AI力 >>
—分數，可能不只來自「能力」—
Ingold等人 (2026) 指出，評鑑中心的評分，通常同時受到多種因素影響，包括：不同能力構面（如領導或分析能力）、評量情境（如小組討論或角色扮演），以及評分者對個體的整體印象。也就是說，一個高分不一定單純代表某項能力突出，而可能是多種因素共同作用的結果。
—情境與整體印象的影響不容忽視—
研究發現，在許多情況下，「整體表現」與「評量情境」對分數的影響相當顯著。換句話說，員工在特定情境中的表現，或評分者對其整體印象，可能會影響多個能力的評分，而不只是單一面向。相較之下，不同能力之間的區分，有時反而沒有想像中明確。
—不同樣本，結果也不完全一致—
進一步分析顯示，不同樣本之間，這些影響因素的比例並不完全相同。這代表評鑑中心的評分結構並非固定，而可能隨著設計方式、評分者或情境不同而有所變化。
—評分結果，該怎麼看？—
這項研究提醒，評鑑中心的分數並不是單一能力的「純粹指標」，而是多種來源交互影響的結果。對組織而言，解讀評分時，可能需要注意以下幾點：
1. 分數可能同時反映能力與整體印象2. 不同評量情境會影響表現結果3. 單一分數未必能完整代表某項能力
工商心理實驗室研究生 Diana
參考資料：
Ingold, P. V., Heimann, A. L., Waller, B., Breil, S. M., & Sackett, P. R. (2026). What do assessment center ratings reflect? Consistency and heterogeneity in variance composition across multiple samples. The Journal of applied psychology, 111(3), 324–346. https://doi.org/10.1037/apl0001318
圖片來源：ChatGPT
AI使用聲明：使用ChatGPT潤稿
看更多來自工商心理實驗室的好文 >>
追劇很廢嗎？抽離、放鬆懂「下班」隔天更有活力！
工作久坐健康風險高！科學證實「微休息」的4大好處
AI如何改變我們工作關係和對公司的信任感
擺脫星期一症候群「週一最低限度努力」成為職場新趨勢
Z世代安靜離職消失了嗎？不，它進化成「怨恨缺勤」
提升員工帶動企業的成長！最划算的 AI 教育訓練方案首選>>
訓練要留證！勞檢不過，最高可罰 300萬元>>
超過7000+的HR都報名過的104人資學程！求職成效提升至4.5倍！>>
成為人資市集Line好友獲得最新課程優惠及免費講座資訊>>
訂閱人資市集電子報獲得專家工作分享及產業新知 >>
分科測驗公布成績 依自我認識、探索資訊、落點分析三指標填志願
2025分科測驗成績公布，近4萬名考生將準備分發志願登記，怎麼填？104人力銀行職涯教育長王榮春建議從自我認識、探索資訊、落點分析三指標填志願。自我認識，可參考過去曾做過的大學學系探索量表，或是藉由104生涯興趣測驗，找到較適配的科系；探索資訊，可透過104落點分析，了解科系課程、學長姐對科系評價、畢業出路等資訊；落點分析，104人力銀行專為大學生和高中職打造的Podcast節目《青春通識課》，建議可從「保底校系」由下往上填，確保安全校系占填寫志願數一定比例，再進階到標準、挑戰、夢幻校系。
使用104落點分析
新鮮人僅3成第一份工作待滿一年 陷入透過換工作找方向困境
選擇大學就讀校系，首要評估指標為自我認識。104人力銀行數據顯示，新鮮人第一份正職工作僅3成待滿一年，可能原因在於目前社會新鮮人常透過換工作找方向，而非大學就確認方向並培養實力後再進入職場。建議準大學生可找出高中期間做過的大學學系探索量表，或是使用104生涯興趣測驗，透過情境式的互動測驗，找出個人的興趣類型，像是興趣類型為實作型，可對應到設計系、建築系等科系。
選填探索校系三大參考指標：科系課程、學長姐評價、未來出路
確認興趣所在後，可開始進行探索資訊，並針對科系課程、學長姐評價、未來出路三方面探索。104人力銀行提供104落點分析服務，除了預測錄取分數，並結合獨家即時動態落點，進一步幫助考生分析上榜率外，還提供1.大學連結科系課程介紹，幫助考生了解未來學習方向2. 學長姐評價，以過來的經驗，給予有意就讀者最實質的建議3. 畢業出路資訊，幫助了解畢業後最常從事的工作與薪資。
綜觀18學群未來出路，根據104人力銀行數據顯示，去年6至8月畢業季中，限定科系的工作機會工程學群5.5萬個最高、醫藥衛生學群則提供約2.2萬個第二、管理學群工作機會近1.8萬個第三；高薪職類如製程規劃2024年新鮮人薪資中位數4.5萬多念工程、資訊學群，營建施作4.5萬多就讀工程、建築與設計學群，醫療專業4.5萬多就讀醫藥衛生、生命科學群。
安全校系填一定比例避免落榜
100個志願該怎麼填？104人力銀行專為學生打造的Podcast節目《青春通識課》分享，可從「保底校系」落點分析安全的校系往上填，並填一定比例避免落榜，再進到標準、挑戰、夢幻校系。大學考試入學分發委員會也曾統計，去年有約2000名考生落榜，平均僅填46個志願，低於錄取生平均填寫59個志願，因此建議至少填60-70個以上的志願。免費領取輔導老師 x 台大學姐聯手整理填志願大補帖：https://tw104.pse.is/7xy3lh。
選填志願，你還會想看
「變動系青年」來了！52萬職缺招手，新鮮人薪資中位數3.6萬創新高｜畢業生找工作3對策
畢業生起薪排行榜公開！104：電金雙雄起薪中位數3.7萬，高於其他12%~15%
「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＞
科技業面試「上機考」成常態 整理5大刷題平台助攻求職者
AI工具快速普及，科技業招募工程人才的方式也正在改變。除了傳統面試，越來越多企業在招募流程中加入「線上機測」（Online Assessment），也就是俗稱的「上機考」，要求求職者在限定時間內寫程式、解題，從實際作答過程觀察技術能力。對求職者而言，上機考已成為科技業面試的重要關卡。104人力銀行整理5大熱門刷題平台，建議求職者依自身程度進行準備，並提前熟悉常見題型與測驗節奏，才能在正式應試時充分展現實力。
文／104人力銀行
本文目錄（點擊可快速前往）
寫程式只是基本功 AI時代更重視判斷與解決問題能力1. 邏輯思考：能不能把問題拆開來解2. 判斷與除錯能力：AI寫出的答案，自己看得懂嗎？3. 實戰應用能力：能不能把技術用來解決真實問題5大刷題平台一次看 先找到適合自己的練習方式完全沒接觸過演算法 → NeetCode程式基礎有缺口 → GeeksforGeeks鎖定外商軟體職缺 → LeetCode想先熟悉正式線上測驗 → Codility想練習多元技術題型 → HackerRank刷題黑話一次看懂 看到英文代碼別慌
寫程式只是基本功 AI時代更重視判斷與解決問題能力
AI讓寫程式變得更加容易，企業對工程人才的要求也逐漸改變，單純從零開始撰寫程式的重要性下降，取而代之的是系統設計與除錯調校等能力。104人力銀行產品暨價值經營總處資深協理王之璘觀察，企業透過上機考，看的不只是求職者能不能寫出正確答案，更重視以下3項能力：
1. 邏輯思考：能不能把問題拆開來解
企業不只看最後答案對不對，也會觀察求職者如何理解問題、拆解步驟，以及選擇什麼方式解題。
2. 判斷與除錯能力：AI寫出的答案，自己看得懂嗎？
AI可以協助產生程式碼，但不代表答案一定正確。工程師除了會使用AI，也必須具備判斷能力，能看懂AI產出的內容、找出可能的錯誤，並自行修改、測試與驗證。
3. 實戰應用能力：能不能把技術用來解決真實問題
上機考的題型也逐漸不再只是單純考演算法，而是加入更貼近實際工作的情境，觀察求職者能否將技術應用在真實問題上。
5大刷題平台一次看 先找到適合自己的練習方式
104人力銀行產品暨價值經營總處資深協理王之璘指出，準備上機考不一定是題目做得越多越好，重點是依照自己的程度選擇適合的工具。104人力銀行整理5大主流刷題平台，從完全沒接觸過演算法的新手，到已經收到企業線上測驗通知的求職者，都能找到相對應的練習方式。
完全沒接觸過演算法 → NeetCode
想從零開始準備演算法與技術面試，可從NeetCode入門。平台將不同難度的題目整理成學習地圖，並提供影音解說，幫助使用者理解解題思路。建議先從「Blind 75」建立學習骨架，再利用「NeetCode 150」逐步補強，若已有明確目標企業，也可進一步參考公司相關題目進行準備。
程式基礎有缺口 → GeeksforGeeks
如果已具備基本程式能力，但對作業系統、資料庫等電腦科學核心知識還不熟悉，GeeksforGeeks提供相關教學與題目，可協助補足基礎觀念。求職者可先透過「GfG 160」熟悉常見面試題型，再利用「Company Wise」依目標企業進行練習，並透過每日題目持續累積解題經驗。
鎖定外商軟體職缺 → LeetCode
LeetCode是技術面試與線上程式測驗常見的練習平台，適合已有一定程式基礎、希望進一步強化演算法與解題能力的求職者。平台提供「Study Plan」協助安排練習進度，也可透過討論區比較不同解法；完成題目後，還能查看程式效能表現，了解自己的解法是否還有優化空間。
想先熟悉正式線上測驗 → Codility
如果已收到企業的線上測驗通知，或希望提前熟悉限時作答的節奏，可利用Codility進行模擬。平台提供Demo Test，讓使用者在正式測驗前先熟悉作答介面與流程。除了答案是否正確外，系統也會測試程式的執行效率，因此求職者除了追求「答對」，也必須思考如何讓程式跑得更有效率。
想練習多元技術題型 → HackerRank
HackerRank的題庫涵蓋演算法、SQL、資料科學等不同領域，適合希望擴大練習範圍的求職者。可先透過「Practice」熟悉各類題型與作答方式，若目標職缺需要資料庫能力，也能直接針對SQL等相關題目加強練習。部分技能測驗完成後，也可取得對應的技能認證放進履歷。
刷題黑話一次看懂 看到英文代碼別慌
第一次使用線上刷題平台，看到AC、WA、TLE等英文縮寫，可能讓不少求職者一頭霧水。104人力銀行整理6個常見結果，幫助求職者快速判讀程式到底出了什麼問題。
簡寫涵義AC（Accepted）測試通過：所有測試資料都跑出正確答案WA（Wrong Answer）答案錯誤：結果不符，通常是邊界條件沒處理TLE（Time Limit Exceeded）執行超時：程式跑太慢，代表演算法效率太低MLE（Memory Limit Exceeded）記憶體超限：程式佔用的空間超過題目上限RE（Runtime Error）執行錯誤：程式中途當掉，如除以零、陣列越界CE（Compile Error）編譯錯誤：語法出現問題，程式沒跑起來
104人力銀行產品暨價值經營總處資深協理王之璘提醒，AI工具讓程式開發的門檻降低，也讓企業在招募工程人才時，更重視求職者能否理解問題、判斷解法、找出錯誤並解決實際狀況。對求職者而言，準備上機考不只是「多刷幾題」，更重要的是建立解題邏輯、培養程式除錯能力，並熟悉限時作答的節奏與各平台操作方式。建議依照自身程度選擇合適的練習平台，在正式測驗前做好準備，才能更充分展現自己的技術實力。
員工滿意度自己調查？小心掉進數據陷阱！
文/104人資學院
許多人資想透過員工滿意度調查，掌握組織健康與留才風險，但自行調查常遇到信效度不足、填答率低、數據難分析等難題，結果往往流於形式。本文深入探討HR在內部自辦調查的常見困境，並比較104員工體驗調查的專業優勢，包括專家題庫、智能化流程、產業常模比對、視覺化報告與改善建議。透過科學化、數據化的工具，企業不僅能真正聽見員工心聲，更能有效轉化為行動方案，提升敬業度、強化雇主品牌，進而推動企業營運績效成長。
本文導覽
為何內部自行調查員工滿意度如此困難？
信效度不足：問卷設計的隱藏風險
填答率低落：匿名性與員工疑慮
分析困境：缺乏外部常模與基準比較
從數據到行動：HR推動改善的斷層
104員工體驗調查的五大優勢
成效驗證：如何降低離職風險、提升績效
自行調查 vs. 104調查：比較一目了然
讓員工調查成為企業成長引擎
在少子化與人才競爭加劇的環境下，員工是否滿意工作、是否願意長期投入，已成為企業能否穩定成長的關鍵指標。許多企業人資部門都嘗試以員工滿意度調查作為診斷工具，期望從中洞察組織氛圍與改善方向。然而，當企業選擇自行執行調查時，往往發現過程比想像中複雜，從問卷設計、資料蒐集到結果分析，每一步都潛藏挑戰。
為何內部自行調查員工滿意度如此困難？
許多人資深知，員工滿意度調查是一項重要的管理工具，能協助企業了解員工心聲，並進一步改善組織氛圍。然而，當HR嘗試自行設計與執行調查時，卻往往在過程中遇到難以克服的挑戰：問卷題目不夠專業，HR需要收集很多文獻或資料，才知道調查向度是否夠廣、夠深。倘若沒有受過專業訓練，題目可能設計得模擬兩可，問不出真實狀況。或是一個題目兩個問法，讓員工不知如何回答。題目設計若不夠精準，很可能導致員工誤解或回答偏差，進而影響調查的有效性。
信效度不足：問卷設計的隱藏風險
自行設計問卷的最大問題之一是缺乏科學驗證。好的調查題目必須經過信度與效度的檢驗才能信賴。信度指的是同一構面下各題目是否反映相同的意涵，這需要專家判斷與足夠樣本，才能判定是否達標。
效度則關乎題目是否真正測到我們想要的概念，特別是與組織目標相關的關聯效度：專業調查會以組織承諾、留任率等作為效標，檢視題目與這些重要結果是否有實質關聯。沒有高信效度支撐的題庫，所得數據難以真實反映員工心聲，最終只會讓調查淪為形式，無法提供可執行的管理洞見與決策依據。
填答率低落：匿名性與員工疑慮
若HR直接以公司名義發放問卷，員工往往擔心填答內容會影響升遷或考核，導致不敢誠實作答。即便表面上回收率不低，內容也可能因顧慮而失真。缺乏第三方匿名保障，數據很難反映組織的真實狀況。
分析困境：缺乏外部常模與基準比較
許多HR坦言，從設計問卷、管理回收到自行分析，內部調查既耗時又費力，且缺乏可比的行業常模，使結果通常停留在「部門A高於部門B」這類內部差異，無法回答「我們在產業中的相對表現如何」。
在當前缺工的時代，與外部比較變得更為關鍵：例如薪資項目通常是員工滿意度中得分最低，但若沒有業界基準，唯一的解法往往只會是全面調薪；若能與同業比對，便可能發現實際差距並不大，進而避免不必要的成本支出。缺乏外部參照的調查結果容易流於表面，難以取得主管認同，也無法為高層提供具體的決策依據或可執行的改善方案。
從數據到行動：HR推動改善的斷層
另一個常見挑戰是「數據無法轉化為行動」。調查雖指出需改善的面向，但倘若負責設計調查者的人資經歷較不深厚或不夠全面，提出的方案往往片面或停留於短期修正，無法兼顧系統性與長期效益。建議與具備多年業界實務經驗的資深專家合作，協助從數據擬定可執行的改善計畫、優先順序與衡量指標，並規劃後續追蹤，才能讓調查從一份靜態報告轉為驅動組織改善的實際動力。
104員工體驗調查的五大優勢
專業題庫與高信效度由專家設計題庫，涵蓋九大構面與八大情境題組，題目經過信效度驗證，能確保數據真實反映員工想法，避免誤差與片面性。
自動化流程，降低HR負擔提供一鍵建置問卷、智能發送與填答提醒，HR 不需再花大量時間管理流程，大幅提升作業效率。
第三方匿名調查，提升真實回饋由第三方平台執行，確保調查全程匿名，讓員工放心填答，取得最真實的意見。依104執行員工滿意度顧問專案的經驗顯示，回答率通常可提高至80%。
產業與職務常模，掌握競爭定位平台擁有上千家企業、產業X職務常模779種的大數據比對資料，HR可快速比較內外部落差，找出競爭優勢與改善弱點。
視覺化報告與改善方案落地自動生成圖表化報告，提供PR值定位與關鍵改善建議，企業可依據結果進一步優化各項人資策略，幫助企業將數據轉化為行動。
成效驗證：如何降低離職風險、提升營運績效
實際導入後，許多企業明顯降低員工流失率，並在組織氛圍與敬業度上獲得提升。有研究顯示，敬業度高的企業，業績成長率與獲利率均明顯優於同業，這證明員工調查若能轉化為行動，確實能帶來長遠效益。
自行調查 vs. 104調查：比較一目了然
項目企業自行調查104員工體驗調查題庫品質自行設計，信效度未驗證專家設計，信效度經科學驗證平台功能一般問卷平台，無法即時催測，產出專業報告一鍵建置、智能發送、自動提醒、專業報告匿名性員工疑慮高，回覆失真第三方匿名，提升填答率與真實度分析深度僅能內部比較，缺乏業界資訊比對產業與職務常模，掌握相對競爭力行動落地受限於HR的專業是否資深，影響策略成效提供改善建議與資源連結，支持策略落實表：自行調查員工滿意度與104員工體驗調查的比較
讓員工體驗調查成為企業成長引擎
員工體驗調查若只停留在「做過」的層次，對企業幫助有限。透過104員工體驗調查系統及人資顧問團隊的專案解方，HR不僅能快速取得可靠數據，更能掌握外部比較基準，並將結果轉化為具體行動。這不僅可提升員工敬業度，也能強化雇主品牌與企業競爭力。對企業而言，調查不再只是例行性作業，而是推動營運績效成長與永續發展的重要引擎。
聯繫104人資學院，預約諮詢更多解方！
打造企業永續的「內部氣候預警系統」>> 104員工體驗調查
經濟環境變動，有效留才的薪酬結構如何因應>> 人資顧問諮詢
用大數據找出能力缺口，人才培訓更精準>> 104職能發展系列課程
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
一、章節導言
行為改變技術的設計與實施完成後，評估與測量效果是確保策略有效性、可持續性與改進的重要環節。本章將介紹行為改變效果的評估方法、指標設計、數據收集技術，以及結果分析與報告撰寫，幫助學生掌握行為改變專案的完整循環。
二、行為改變評估的重要性
1. 檢驗策略有效性
o 了解行為干預是否達到預期目標。
o 判斷技術或工具的適用性與可行性。
2. 改善與調整策略
o 根據數據分析結果，調整技術組合或實施流程。
o 避免資源浪費，提高干預效率。
3. 確保可持續性
o 評估行為維持狀況，確保改變不僅短期有效。
4. 提供研究與政策依據
o 為教育、健康、環境等領域提供科學依據。
三、評估指標設計
（一）行為量化指標
• 次數與頻率：每週運動次數、每日蔬果攝取量。
• 持續性：行為維持天數、連續達標週數。
• 遵循率：達到指定目標的比例。
（二）心理與認知指標
• 態度變化：對行為的態度評估問卷（Likert 量表）。
• 自我效能感：行為自信心、能力感提升。
• 動機指標：內在與外在動機改變。
（三）環境與社會互動指標
• 社會支持量：小組互動次數、社群回應率。
• 環境使用率：設備使用次數、工具或 App 活動數據。
四、數據收集方法
1. 自我報告工具
o 行為日誌、問卷、調查表
o 優點：簡單、成本低
o 缺點：可能有記憶偏差或社會期望效應
2. 觀察與紀錄
o 現場觀察、攝影紀錄、行為監測
o 優點：客觀
o 缺點：需人工或技術成本較高
3. 數位追蹤工具
o App 記錄、穿戴裝置（步數、心率）、線上學習平台數據
o 優點：持續追蹤、精準
o 缺點：需技術支持、隱私保護問題
4. 混合方法
o 結合自我報告、觀察與數位追蹤，提高資料可靠性
五、效果測量與分析方法
（一）前後測比較
• 定義：在行為干預前後測量指標變化。
• 應用：分析干預效果大小、顯著性。
（二）對照組設計
• 定義：設置未接受干預的對照組，與實驗組比較。
• 應用：消除外部因素干擾，提升結果可信度。
（三）統計分析方法
• 描述性統計：平均數、標準差、百分比
• 推論統計：t 檢定、卡方檢定、ANOVA
• 進階方法：多元迴歸、結構方程模型，用於行為決定因素分析
（四）質性分析
• 訪談、焦點團體、觀察筆記
• 用於理解行為背後原因、障礙與文化影響
六、章末重點整理
1. 評估與測量是行為改變技術成功的關鍵環節。
2. 評估指標包括行為量化、心理認知、環境與社會互動指標。
3. 數據收集方法包括自我報告、觀察、數位追蹤及混合方法。
4. 效果測量可採前後測、對照組設計，並使用統計或質性分析方法。
5. 評估結果可用於策略改進、行為維持及政策或研究支持。
七、討論題
1. 選擇一個行為改變專案，設計三個量化指標與兩個心理認知指標，並說明選擇原因。
2. 討論自我報告工具與數位追蹤工具在行為評估中的優缺點。
3. 如何在亞洲大學生群體中，確保社會文化因素被納入評估設計？
八、案例分析
案例 4-1：大學生運動干預專案效果評估
• 背景：某亞洲大學實施八週運動干預計畫。
• 評估指標：
1. 行為量化：每週運動次數、運動持續時間
2. 心理認知：自我效能感、運動態度問卷
3. 社會互動：小組互動次數、App 打卡頻率
• 數據收集方法：
o 運動日誌、自我報告問卷、運動打卡 App
o 結合前後測與對照組設計
• 分析方法：
o t 檢定比較前後平均運動次數
o 相關分析檢驗自我效能與運動頻率關聯
• 結果：
o 平均運動次數從 1 次/週提升至 3.2 次/週
o 自我效能問卷得分提升 25%
o 社群互動活躍度與運動頻率呈正相關
• 分析重點：
o 整合量化指標與心理指標，可全面評估干預效果
o 對照組設計提升了結果可信度
o 數位工具輔助可持續追蹤與調整策略
軟體工程師內推管道及注意事項？工程師社群、LinkedIn等求職網以外的找工作管道
軟體工程師「內部推薦」有哪些管道和注意事項？本文作者ExplainThis團隊，曾協助多名軟體工程師成功進入外商科技大廠、海外新創，解析除了求職網以外的找工作管道，包括內推、學徒計畫、工程師網路社群、經營LinkedIn等。
文／ExplainThis（王鵬傑、李俊廷、林品均）
本文目錄：求職網以外的找工作管道（點擊可快速前往）
一、內部推薦內推（Referral）比較容易獲得面試機會內推管道內推該注意的4個事項最好的內推是強內推二、學徒計畫三、工程師的網路社群四、經營LinkedIn
當提到找工作，多數人第一直覺想到的，可能會是求職網。以台灣來說，像是傳統的求職網104、1111，或者新興平台CakeResume與Yourator。而找海外工作，可能第一直覺會想到老牌的Indeed、Glassdoor，或者是新興的LinkedIn。
然而，除了這些求職網，事實上還有許多其他的找工作管道。我們在這個小節將會詳細談幾個不同的找工作管道，讓讀者們能透過不同的管道，增加獲得面試的機會。
一、內部推薦
在找工作上，業界公認比透過求職網站或公司官網申請更有效的方式，是透過內部推薦（referral）。當你上求職網站申請，往往需要先經過前面提到的ATS系統，跟上百位申請者一同競爭，脫穎而出後才可能被真人招募員看到你的履歷。
然而，如果能夠被內推，將有可能跳過這個環節，直接被招募員或用人主管等真人審履歷。這雖然不代表一定會通過招募員或用人主管的篩選，但最起碼能直接省去前面的系統審核。
內推（Referral）比較容易獲得面試機會
你可能會問，為什麼內推比較容易獲得面試機會？因為，通常來自公司內部員工的推薦，表示推薦者對應徵者有一定程度的認識和信任。
與此同時，內部員工對公司文化和工作環境有比較深入的了解，所以推薦的人通常會更適合公司的需求，因此，公司較傾向相信現有員工的判斷，這讓透過內推進來的申請者，比較可能在茫茫履歷海中受到青睞。
內推管道
如果你想要找人幫你內推，在台灣的軟體工程師社群中，有歹晚郎內推互助網絡（https://bit.ly/3FlItvp）與Nex Work（https://work.nexf.org/）等由海外軟體業前輩發起的內推網絡。此外，也可以在LinkedIn或是Blind（https://www.teamblind.com/）上，搜尋「#referral」的標籤，或是找有在該公司任職的人，然後禮貌地發個私訊請對方幫忙內推。
當然，很多時候可能不會立即得到回應，又或者可能對方太忙沒回應，也不要感到氣餒，可以多詢問同一家公司中不同的人幫忙內推。
（圖／博碩文化提供）
內推該注意的4個事項
在找人內推時，如果能依循某些注意事項，會比較容易讓人想幫你忙。以下我們分享幾個建議大家要遵循的原則。
1. 履歷好好寫
在各大海外公司工作的人，也知道自己公司的標準，所以不會來者不拒、盲目內推。你想提高別人內推你的意願，務必要好好寫履歷。好好寫代表著格式上要正確，以及內容描述上要讓人覺得你有達到對方公司想要找的人才水準。假如不知道怎麼寫好履歷，可以參考Chapter 2的履歷撰寫相關內容。
2. 附上想被內推的職位
在多數大公司，光是一個大組可能就幾百人，比一間新創公司還大，因此除非是專職招募的招募員或者是工程經理，不然多數人其實不知道其他組現在有什麼職位開缺。所以不要找人內推時，還說什麼「你有沒有建議我申請哪些職位」，這只會讓人覺得你沒做功課。
大家平常工作已經夠忙了，沒空幫你去看你適合申請的職位，所以務必自己附上。通常大公司的職缺都會有Job ID，可以附上你想申請的。附上你為何適合這個職位：內推的人也不會想自己在公司內的名聲臭掉，所以多半會先判斷你是不是真的適合被內推。如果你想提高別人內推你的意願，就要做到讓別人認為你適合被內推。
要做到這點，務必附上你為何適合這個你想被內推的職位。理想上也要附上為何你適合該公司（建議多做一些功課來研究該公司，進而能闡述你為何跟該公司文化契合）。花時間幫你的這件事本身就很佛心，千萬不要把別人的善意視為理所當然。
可以用的句型是在簡短自我介紹後，提及「我目前在找XX領域的工作，對這個職位很感興趣。過去我在XX領域有OO經歷，我相信我能對這個職位有所貢獻」。
3. 記得表達感謝
假如一個原本跟你不相識的人願意內推你，務必要表達感謝。因為大家平時工作很忙，可能還有家庭事務要兼顧，額外抽時間幫你，這件事本身就很佛心，千萬不要把別人的善意視為理所當然。
即使內推沒有讓你拿到面試機會，也要記得感謝對方。畢竟很多公司冷凍期半年，你之後還可以再嘗試，與對方維持良好關係，這次沒上之後要請對方幫忙也會讓對方更有意願。
最好的內推是強內推
雖然上一段有提到可以找人幫忙內推的管道，但如果要獲得比較有幫助的內推，或俗稱的「強內推」，建議平時就要建立起能幫自己內推的人脈。
所謂的強內推，是指對方在內推時，有註明是「強力內推」。一般來說，多數公司的內推系統，都會詢問「你跟被推薦者的熟悉程度」以及「你有多推薦這位被推薦人」。不同公司具體問的問題可能會不同，但大多不脫離這兩類問題。
而唯有這兩個問題都回答「很熟悉」、「強烈推薦」，並且推薦理由寫得很詳細，才會被認定為是強內推。
當然，一般內推已經比直接在公司網站或人力銀行網站申請來得好，只是如果能的話，獲得強內推會是更好。
至於如何獲得強內推？一個是平時有好的工作表現，可能你現在的同事，未來會去不同公司，如果跟他們合作時，做到對方發自內心會想推薦你，這時要獲得強內推就容易得多。
又或者假如你還是學生，在平常的小組作業中，盡可能地貢獻，在同組的同學心中留下好的印象，未來同學們進到不同的公司，你要找他們內推，也會容易獲得強內推。
另一個則是多參與不同的社群活動，例如貢獻到開源社群，或者是參與技術會議等，這些也是一個你能夠曝光、與他人協作的機會，在這些場合貢獻價值，也相對容易獲得強內推。
上面提到這些要獲得強內推的方式，都是需要時間去耕耘而非速成的。因此，如果你現在還沒辦法獲得任何強內推，建議從現在開始行動，而不是等到要求職時才發現沒有人能為你強內推。
二、學徒計畫
學徒計畫（Apprenticeship Program）是近期各大公司越來越盛行的一個專案，包括：LinkedIn、Microsoft和Google等，都曾推出類似的計畫。
這些專案旨在招募更多元的人到科技公司，其中常見符合此計畫的人條件包含以下：
自學程式
參加過程式戰鬥營（coding bootcamp）
非傳統電腦科學背景
暫時離開工作，並嘗試重回職場
學徒計畫在經歷上的審核以及面試上，技術層面比起正職的初階工程師更簡單一點。多數的學徒計畫也都有轉正職的機制。
部落客「半路出家軟體工程師在矽谷」有一篇專門彙整各大公司學徒計畫的文章（https://brianhsublog.blogspot.com/2019/08/TechApprenticeship.html），並且時常更新，非常推薦有興趣、有需求的讀者可以去看看。
（圖／博碩文化提供）
三、工程師的網路社群
除了上述提到的3點，網路社群是軟體工程師不可錯過的資源。這些社群不僅提供了工作機會，也能幫助你與同業交流、了解產業趨勢，以及許多面試經驗的分享。以下是幾個會張貼工程師工作機會的熱門或相關網路社群：
PTT Tech_Job版：https://www.ptt.cc/bbs/Tech_Job/index.html
PTT Soft_Job版：https://www.ptt.cc/bbs/Soft_Job/index.html
PTT Oversea_Job版：https://www.ptt.cc/bbs/Oversea_Job/index.html
Facebook Front-End Developers Taiwan：https://www.facebook.com/groups/ f2e.tw/
Backend台灣（Backend Tw）： https://www.facebook.com/groups/backendtw/
四、經營LinkedIn
對比傳統的求職網，目前新興的人脈社交媒體LinkedIn已經逐漸成為找工作的首選，特別是對於外商與海外求職，LinkedIn基本上比一般專注於本土市場的求職網有更多的職缺機會。比起求職網投遞履歷，經營Linkedin能夠讓獵人頭或招募員，看到你更多元、更深入的一面，以及看到你更長期的累積。現在已經有許多獵人頭與人資，會直接在LinkedIn上找人選，所以花心思經營LinkedIn將有可能讓自己獲得更多機會。
節錄自：博碩文化《軟體工程師求職策略大全／ExplainThis、王鵬傑、李俊廷、林品均 著 》
[joblist_plugin title='104【外商軟體工程師】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E8%BB%9F%E9%AB%94%E5%B7%A5%E7%A8%8B%E5%B8%AB&order=15&page=3&zone=4,5' amount='3']
[joblist_plugin title='更多104【軟體工程師】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E8%BB%9F%E9%AB%94%E5%B7%A5%E7%A8%8B%E5%B8%AB' amount='3']
推薦閱讀：
軟體工程師談薪水8重點：不掀薪資職級底牌、靠「最後一招」多談一點
軟體工程師履歷範本｜5大地雷別踩：形容詞太多、技術名詞太少
外商軟體工程 | 履歷面試精華，知名外商人資教你
有任何收穫或想分享的，都來和大家一起聊聊吧！