快速活用 MySQL，精準設計關聯式資料庫
104學習
Oracle資料庫
此技能代表具備管理大型企業級資料庫的能力，能有效設計、維護及優化資料庫系統，確保資料安全與穩定運作。熟悉相關指令與工具，能進行資料備份、還原及性能調校，提升系統效率。對於需要處理大量結構化資料的企業如金融、電信及製造業，尤為重要，能支援業務決策與資料分析需求。掌握此技能有助於提升職場競爭力，增加專業價值。
測測你現在的程度
花 5 分鐘了解自己的能力，找到最適合的學習起點
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
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
【資料整理術】Excel資料整理分析入門
人資與採購必學！ AI 流程自動化應用實戰工作坊【10/20】
Oracle APEX 入門實戰！
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
AI資料分析資料科學家必學！MySQL資料庫從零到高手：全面實作指南與應用案例
AI財務力：從數字到決策的智慧應用【9/3】
Office 整合應用：Word、Excel、PowerPoint 跨檔案資料管理
倉儲作業與庫存管制技巧
精選證照
考取專業證照，讓能力被市場看見
IBM DB2 Information Management
IBM DB2 Information Management證照驗證持有者具備使用IBM DB2資料庫管理系統進行資料庫設計、安裝、配置及維護的能力，能有效管理大型資料庫環境，確保資料安全性與完整性，並能運用SQL語言進行資料查詢與操作，提升資料庫效能與系統穩定性，適合從事資料庫管理、資料分析及系統開發相關工作。
IBM
MySQL- Professional
MySQL Professional 證照證明持有人具備熟練的MySQL資料庫管理與操作能力，能有效設計、安裝、配置及維護MySQL資料庫系統，熟悉資料庫性能優化、備份還原及安全管理，具備撰寫複雜SQL查詢與資料庫故障排除的專業技能，適合從事資料庫管理、系統開發及資料分析相關工作，提升職場競爭力。
Microsoft
IBM XML
這項技能主要指能夠運用IBM相關工具和平台來處理XML格式的資料。XML是一種結構化數據標準，廣泛用於系統間資料交換與整合。在企業應用中，熟悉這項技能代表你能有效解析、編輯及轉換XML文件，並利用IBM的軟體如WebSphere或InfoSphere來進行資料傳輸、整合及自動化流程。具備這能力，有助於提升跨系統溝通效率，強化資料管理及系統整合的能力，對於從事企業資訊系統、軟體開發或資料工程等職務非常實用。
IBM
Sybase Certified Professional -- Adaptive Server Enterprise Developer
Sybase Certified Professional -- Adaptive Server Enterprise Developer證照專為具備Sybase ASE資料庫開發技能的人士設計，涵蓋資料庫結構設計、Transact-SQL程式撰寫及效能優化等核心能力。取得此證照代表持有人能有效管理資料庫應用程式，提升系統穩定性與效率，適合從事資料庫開發與維護相關工作，增強職場競爭力。
Sybase
BI軟體績效管理師
BI軟體績效管理師證照旨在培養專業人士運用商業智慧軟體進行數據分析與績效評估的能力，涵蓋資料整合、報表設計及關鍵指標設定等技能，協助企業提升決策效率與營運績效，適合數據分析師、業務管理及資訊科技相關職務人員取得。
尚未查核發照單位
MCDBA
MCDBA
「微軟認證資料庫管理員 (MCDBA)」懂得設計、實作及管理 Microsoft SQL Server™ 資料庫。
Microsoft
精選貼文，掌握第一手知識
為什麼IBM頻繁輪調、員工技能卻能快速到位？全靠「一張Excel表」掌握技能樹
你們公司會職務輪調嗎？在台灣IBM，有人一年換3個部門、有人3年換5個職務，「內部輪調」是他們的工作日常。面對市場快速變化，工作輪調是企業應戰的必要手段，例如當使用者體驗興起時，設計部門便因應而生；當雲端與AI成為趨勢時，人員也須立刻到位。不過，企業要如何確保員工技能以便快速調度？IBM全靠一張Excel表。
文／李佳樺、劉鳳珍 由Cheers授權轉載
有「經驗」代表有「技能」嗎？僅憑過去結果判斷未來人才發展，在快速變動的市場更容易失準，IBM如何用一張Excel表，攤開員工的技能圖？
面對市場快速的變化，職務輪調已成企業保命應戰的必要管理手段。
「我曾經一年就換了3個部門。」台灣IBM諮詢合夥人暨業務轉型服務群負責人高愈惠分享自己的經歷。另一位諮詢顧問協理曾華彥則在短短3年間，轉換了5個職務。
台灣IBM的同仁，對頻繁地職務調動早習以為常。
顧問業的生意以客戶專案為核心，哪個產業有商機，組織就立刻對應調整，例如當使用者體驗興起時，設計部門便因應而生；當雲端與AI成為未來趨勢時，人員的調度也須立刻到位。
但面對客戶需求又快又急，企業要如何確保員工技能的「存量」足夠，以便能夠快速調度？
一張Excel表拆解顧問技能
IBM的做法是將每個職位所需技能，逐一定義，並發展出以技能為單位（Skills-based）的組織架構。
以顧問職務為例，上面密密麻麻列出顧問部門近百種職位（Job Role）、上千項職位專長（Specialty）與相應的技能組合（Skills set），清楚定義。此外，不同技能的含金量（Premium Type）也一清二楚。這份表單含會隨著市場、專案變化，定期更新。
以表中專案經理的職位為例子，同職位（Job Role）可以拆分出不同的專長（Specialty）。例如有人的專精是微軟系統、有人專精SAP的ERP系統。這兩位專案經理，會有共通的技能如溝通、談判等，也會有各自有別的技能強項。
在美國、歐洲、中國等員工數更多、規模更大的地區，顧問敘薪會參考專長的「成熟度分級」作為判斷指標之一，同樣職等不一定領一樣的薪水。
透過這一張定義清楚的表單，每位員工所具備的技能，無所遁形。企業一旦要調度人員、儲備人才、指派培訓，都有清楚依據，也相對可以減少員工對主管「主觀好惡」的臆測。
例如，如果A部門最近案量少，主管可以指派同仁去學習新興的產品技能；員工如果想轉調業務，則可以在了解業務需要哪些技能下，先在專案經理的職務上，參與公司培訓，取得所需的認證，不用立刻與公司分道揚鑣。
這套系統也有利於促進員工自我賦能，而不是公司開一大堆課，到頭來卻被員工覺得強迫學習。
聚焦技前瞻性，不僅憑績效表現選才
IBM會定期公布公司看重的市場稀缺技能，並透過舉辦競賽、活動，鼓勵員工學習，學習成果也與績效評估連結，每位員工一年至少要達成40小時的學習時數。高愈惠是忙碌的高階主管，2024年8月底就已經達108小時，而且像她一樣超標的同仁不在少數。
在IBM的學習平台上，透過徽章（badge）認證每一個人的學習、成長紀錄。台灣IBM諮詢金融產業顧問協理鄒淑芳曾被主管指派，一項預算規模超過她職級可以處理的專案，她為此而去上資深PM都會想拿的「Experienced PM Badge」課程，學習專案管理方法論，但並非上完課就能獲得這項獎章，還有其他嚴苛的條件。
鄒淑芳花了6年累積專案、導師經驗，最後獲得這項獎章才晉升到下一個職等，「這是我拿過最印象深刻的 Badge（獎章）。」鄒淑芳興奮的說。
IBM對技能重視的嚴謹度，從一件小事可以看出。
大部分企業多認為，只要是主管就「應該」會面試，自己去篩出適任人選，但IBM的主管必須先通過內部訓練考核，取得面試獎章後，才有資格上陣。
「這是IBM正在推動skills as currency（技能即貨幣）的概念， 」台灣IBM人資長邱纓琇說，當技能與績效、升遷串連，學習技能的價值也跟著提高，進而改變整個公司選材的思維。
邱纓琇說：「過去選人的做法，可能是印象中這個員工績效表現好就升他。在IBM，主管要思考公司未來要發展的核心技能是哪些？我如何投資擁有這些技能的人才讓他們一直留在公司？」
換言之，如果以前主管拔擢人才的標準是放在對「人」的主觀評價上，看的是他的過去，往往會疏忽了未來所需技能的重要性。尤其在人才稀缺的今天，聚焦「技能」的專業度高低、市場前瞻性，才是有機會把人才效能變大的睿智做法。
IBM也鼓勵員工攤開自己的職務「蜂巢圖」，讓員工面對下一個晉升職位，有更清晰的成長方向，同時配合課程推薦，儲備未來技能。下圖便是高愈惠和下屬分享自己的蜂巢圖。
透過技能為核心的管理模式，過往學歷、資歷的重要性也開始降低。IBM全球有20％的員工沒有大學學歷，就是憑藉技能說話。在2024年兩千大企業人資長的調查，也呼應此一趨勢 —學歷重要性下降，專業技能開始上升。
你的技能存量足夠面對未來變化嗎？你的團隊當前的技能存摺，足以面對產業變化嗎？加速發展技能，將是人才管理最重要的課題。
（原文標題：IBM全球２０％員工沒大學學歷！他們用「一張表」看出員工技能強項）
推薦閱讀：
當專業技能遇上生成式AI，你會因此變更強、還是被取代？一圖看懂你與AI的距離
2025年「數據／資料工程師」12個必備技能、推薦職缺、證照進修
【上篇】2025台灣人才技能落差總體檢：「技能」已取代缺人成企業最大痛
【下篇】2025台灣人才技能落差總體檢：逾三分之一工作人正偷偷用GAI
「商業知識百科」隆重推出：近100個商業詞庫，免費全公開使用！全台最完整Ｘ各專家審閱
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
你是否想轉職成為後端工程師，打造更穩定、具成長性的技術職涯？無論你是剛開始學習程式語言的新手，或正在尋找明確學習方向的職場工作者，這份後端學習地圖將幫助你掌握後端工程的核心技能、實戰經驗與職涯發展路徑。透過系統化的學習規劃與專案實作，你將更有信心地踏入後端領域，成為職場中真正被需要的技術人才。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職後端工程師的學習策略後端工程師薪資行情與職涯發展後端工程師的挑戰與機會
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？
🎯 後端工程師工作內容
後端工程師（Backend Engineer）主要負責伺服器端的邏輯開發，包括資料庫管理、API 設計、伺服器架構以及系統效能優化。他們確保前端應用程式能夠順利與後端系統交互，並提供穩定的數據與服務。
🎯相近職類比較：DevOps、全端、前端、後端工程師差別
職位主要負責技術負責範圍後端工程師（Backend Engineer）伺服器架構、API 設計與串接、資料庫管理、效能優化負責後端邏輯、數據清理，確保前端能夠存取正確的資料前端工程師（Frontend Engineer）HTML、CSS、JavaScript、React、Vue負責 UI/UX 設計，開發與使用者互動的前端界面全端工程師（Full Stack Engineer）前端 + 後端技術能獨立開發完整應用，涵蓋 UI、後端 API、資料庫管理DevOps 工程師（DevOps Engineer）Docker、Kubernetes、CI/CD、自動化部署負責開發與運行環境的部署、監控與維護，提升開發效率
🎯 為什麼選擇後端開發？
後端開發是資訊產業中穩定且高度需求的領域，適合對邏輯、架構、系統思維有興趣的學習者投入：
就業市場穩定成長：隨著數位化轉型普及，後端開發職缺在各行各業皆有需求，從新創到大型企業都有穩定徵才。
強調邏輯與架構設計：後端工程著重資料儲存、伺服器溝通、API 設計等，適合喜歡系統設計與架構思考的人。
職涯彈性大：從初階後端工程師到系統架構師，甚至 DevOps、SRE、資安領域都有後續延伸路徑。
遠端與自由接案機會多：後端開發技能通用性高，較容易接國際案或轉為遠距工作者。
AI 與資料應用的基礎：資料庫管理、API 串接、運算效能等能力，也可延伸應用至 AI 系統部署或資料工程等新興領域。
🎯 誰適合轉職後端工程師？
後端開發適合各類背景者，關鍵在於邏輯思維、學習動機與持續投入：
✅ 設計/前端背景：具備良好使用者體驗與前端邏輯，轉後端可成為 Full-Stack 工程師，提升職涯彈性。
✅ 商管背景：邏輯能力佳且理解商業流程，適合轉後端結合業務邏輯，強化企業系統開發應用。
✅ 理工背景（如物理、數學）：邏輯與抽象能力強，容易掌握資料結構與演算法，是進入後端的優勢群體。
✅ 非資訊領域自學者：只要有堅強動機與自律力，透過系統性訓練與專題實作亦能成功轉職。
✅ 現職 IT 工程師（如測試、維運）：已具備技術背景，轉入開發領域有明顯加速效益。
✅ 資料分析師：熟悉資料處理與 Python，轉向後端可擴展資料處理與系統部署的完整技能鏈。
掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
🧭 後端工程師技能、工具分類表
語言與工具資料處理與資料庫API 設計與架構DevOps 與部署基礎Python / JavaScript / Java / GoGit / GitHub / GitLabSQL（PostgreSQL / MySQL）資料庫基礎觀念REST APIHTTP 基礎了解部署概念核心*熟悉後端框(SpringBoot, Django, Express, Gin)*熟悉語言設計模式撰寫可讀性高的程式NoSQL（MongoDB / Redis）基本資料模型設計身分驗證（JWT / OAuth）API 文件設計（Swagger）*Docker 容器化*CI/CD 自動部署 進階*多語言協作力*程式效能優化*高效能資料庫設計*索引分片與備援策略GraphQL / gRPC微服務架構（CAP / CQRS / Event Sourcing）Kubernetes、服務網格（Service Mesh）監控與日誌系統認證*程式語言認證 (例如Python 程式設計證照PCAP）*個人作品集AWS Database SpecialtyMongoDB 認證*API 設計課程證*書專案開發經驗（如 Hackathon）*AWS Certified DevOps Engineer*CKA（Kubernetes Administrator）▲ 後端工程師應具備技能、工具能力、職涯指引表，點選不同技能會對應到相關課程。
後端工程師學習地圖與路徑（搭配AI工具）
🔰 初學者階段（0–6 個月）
✅ 目標：熟悉基礎程式語言與網路知識，能夠開發基本 API。
📌 學習內容：
選一門後端語言（Python / JavaScript / Java）：選一門主流語言打好程式基礎，進入開發世界。
Git 與版本控制（GitHub / GitLab）：讓你能有效保存、回朔與分享你的程式碼。
理解網路基礎與 HTTP 協議：理解網站如何運作與資料如何傳輸。
SQL 資料庫（PostgreSQL / MySQL）：學習資料查詢語言，管理網站背後的資料。
REST API 開發：學習建立網頁服務的後端接口。
Python 程式設計能力 - 線上免費檢測
📌 AI 工具應用：
ChatGPT 協助語法學習與除錯：快速解釋語法、找出 bug、提供程式碼建議。
GitHub Copilot 協助寫基礎 CRUD 程式碼：協助補上程式片段。
📌 備選學習：
Go 語言：效率高但語法嚴謹，對初學者略具挑戰。
Node.js（JavaScript 後端）：若未來想走全端路線可以學。
✅ 適合考取的證照：
Python 程式設計證照（PCAP）
ITS (Information Technology Specialist, IT 資訊科技專家認證
Oracle MySQL Database Developer
AWS Certified Cloud Practitioner（雲端基礎，有助於未來學 DevOps）
[course_plugin title='Python課程' keyword='Python 輕鬆上手學' amount=1]
[course_plugin title='後端工程師入門課程' keyword='成為後端工程師' amount=1]
🚀 中階階段（6–12 個月）
✅ 目標：熟悉進階 API 設計、資料庫優化，學習 DevOps 工具。
📌 學習內容：
學習後端框架 (Express、Spring Boot、Django、Gin) ：掌握常用的後端框架。
身份驗證與授權（JWT、OAuth）：幫使用者安全登入，讓資料不被偷看。
NoSQL 資料庫（MongoDB、Redis）：適合儲存彈性格式的資料或快取機制。
Docker 容器化：讓你的程式「打包好、帶著走」。
CI/CD 自動部署（GitHub Actions）：程式更新後自動上線，省時又省心。
📌 AI 工具應用：
使用 AI 幫你產生 Dockerfile 與 CI/CD 配置：不懂也能靠 AI 輔助上手。
協助設計 API 架構與資料庫 schema：加速設計與重構過程。
📌 備選學習：
GraphQL：適合複雜資料查詢，但非所有團隊使用。
gRPC：適合內部高效通訊場景，小型專案可暫不碰。
Jenkins（較舊型 CI/CD 工具）：學習成本高，可視需求使用。
HATEOAS（超媒體 API）：學術價值高，實務上較少見。
✅ 適合考取的證照：
MongoDB Developer Certification
Docker Certified Associate (DCA)
Microsoft Azure Fundamentals (AZ-900)
HashiCorp Terraform Associate（如學有餘力涉略基礎 IaC）
[course_plugin title='後端工程師中階課程' keyword='接案必學 ◆ 邁向更專業的App開發' amount=1]
🏆 進階階段（12 個月以上）
✅ 目標：學習架構設計，提升可擴展性與效能。
📌 學習內容：
微服務架構（CAP 理論、CQRS、Event Sourcing）：學會如何將大系統拆小管理，處理資料一致性問題。
Kubernetes 與服務網格（如 Istio）：讓多個服務能自動部署與協調運作。
高效能資料庫設計與分片策略：設計能承受高流量的資料系統。
系統監控與安全性實踐（如 Prometheus、Grafana）：確保系統穩定、安全運作。
📌 AI 工具應用：
AI 幫你設計 YAML 檔與架構圖：快速理解與部署分散式架構。
系統瓶頸分析助手：用 AI 分析 log 或效能資料，加快除錯與優化。
📌 備選學習：
Istio 等 Service Mesh 工具：適合大型微服務團隊，維護成本高。
Event Sourcing：較進階模式，建議有實務需求時再深入。
✅ 適合考取的證照：
Certified Kubernetes Administrator (CKA)
AWS Certified Solutions Architect – Associate
Google Cloud Professional Cloud Architect
DevOps Engineer Professional（AWS / Azure）
[course_plugin title='後端工程師進階課程' keyword='Java進階專業｜前後端整合開發與應用' amount=1]
5個後端工程師應具備的軟技能特質：
邏輯思維與問題解決能力
能夠理解業務需求並轉化為系統邏輯，並針對錯誤快速找到根本原因。
【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
溝通與跨部門協作能力
後端工程師需與前端、產品經理、DevOps 甚至業務單位協作，良好的溝通有助於準確理解需求與回報技術限制。
【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
學習與自我成長動能
後端技術（如框架、資料庫、API標準）快速演進，必須持續學習與更新知識。
細心與責任感
後端處理大量資料及邏輯，細節錯誤容易引發資安問題或系統錯誤。
時間管理與自我管理能力
在遠端工作日益普遍的環境下，自律與時程安排變得尤為重要。
轉職後端工程師的學習策略
🎯 初學者或轉職者的學習策略
轉職或初學後端工程，建議採取階段式、任務導向的學習策略，以下列點歸納：
設定明確學習階段：分為基礎語言（如 Python/JavaScript）、資料庫應用、框架學習（如 Django、Node.js）、部署維運。
專案導向學習：每學完一個階段，就進行小型專案驗證所學，例如 Todo List、部落格、會員系統等。
培養問題解決能力：鼓勵查文件、逛論壇、問 ChatGPT，建立獨立解決 bug 的習慣。
學習版本控制與團隊協作：掌握 Git、GitHub、簡單 CI/CD，增加求職競爭力。
善用 AI 工具輔助學習：例如用 ChatGPT 解釋程式碼、Copilot 寫樣板、Kaggle 或 LeetCode 練習邏輯。
參與社群與實戰活動：參加黑客松、Open Source 專案、小型 Freelancer 案，強化實務經驗與人脈。
建立個人學習履歷：記錄學習歷程、撰寫技術部落格、整理 GitHub 作品集。
🎯 不同領域的客製化學習策略對照表
學歷背景優勢可能挑戰調整建議資訊相關科系已具備基礎程式能力、學科知識缺乏實務經驗、專案規模小強化實作專案與部署經驗，參與社群或實習累積履歷非資訊理工（如數學、物理）邏輯與數學能力強，適應資料結構與演算法快缺乏開發環境熟悉度與應用場景理解著重環境建置、框架與資料庫應用，透過實作強化「業界語感」設計/前端背景了解 UI/UX 與前端邏輯，轉職成為全端潛力大對資料結構與後端語法較不熟悉從 API 串接、簡單後端框架入手，逐步學習資料庫與後端設計邏輯商管/人文背景商業邏輯與跨領域溝通力強，善於理解用戶需求技術門檻高、邏輯訓練少以高階語言（如 Python）為起點，結合專案題材（如 CRM、報表系統）學習效果更佳在職 IT 工程師（測試、維運）已熟悉技術工具與環境、具系統性思維缺乏開發流程與程式架構設計經驗透過轉任內部開發專案或小型 App 開發練習，搭配設計模式與框架學習資料分析/AI 轉職者熟悉資料邏輯與語言（如 Python）、了解資料流缺乏完整系統建構經驗補足後端架構設計與部署技巧，從資料處理串接 API、Flask、FastAPI 切入
後端工程師薪資行情與職涯發展
後端工程師薪資概況
📌台灣後端工程師薪資
初階（3年以下經驗）：月均薪約6.2萬。
中階（3- 5年經驗）：月均薪約 6.5 萬。
高階（5-10年經驗）：月均薪約7.3萬。（以上資料來源：104薪資情報）
📌影響薪資的因素
技術棧與專精程度熟悉高效能架構（如微服務、分散式系統）、熱門語言（如 Go、Rust）、或 DevOps/雲端技能者，薪資會更高。
產業領域與公司規模金融科技、AI、新創、外商薪資通常優於傳產與一般中小企業。
作品集與實戰經驗有實際上線專案、參與開源、或技術部落格者更具競爭力。
證照與專業認證（如 AWS Certified、Kubernetes、GCP）對某些企業或外商來說是加分項。
英語能力與跨國協作經驗能與國際團隊溝通的工程師更受青睞，也更容易爭取外派或海外遠端工作機會。
英文能力 - 線上免費檢測
後端工程師的職涯發展路徑
🔵 技術專精路線（Individual Contributor / IC Path）
從「後端工程師」起步，專注於技術深度與系統設計，逐步升級為具備橫向影響力的技術專家。
▶ 初階 / 中階後端工程師（Backend Engineer）
負責功能開發、資料庫操作、API串接與單元測試。
▶ 資深後端工程師（Senior Backend Engineer）
擁有跨模組開發與維護經驗，熟悉系統效能優化、API 設計規範。
✳️ 學習前端技術 → 全端工程師（Full-Stack Engineer）
技能補充： React/Vue、Node.js、前後端整合、RESTful/GraphQL。
應用情境： 適用於產品團隊需快速開發 MVP 或技術創業者。
✳️ 提升系統架構能力 → 系統架構師（Software/System Architect）
技能補充： 微服務設計、DDD、API Gateway、資料一致性、可觀測性（Observability）。
應用情境： 適用於中大型系統升級或技術重構專案。
✳️ 學習 DevOps → DevOps 工程師（DevOps Engineer）
技能補充： GitOps, Jenkins, GitHub Actions, Docker, Ansible。
應用情境：經由緊密的開發＋運營合作，使企業更高效推出高品質產品。
▶ 全端工程師（Full-Stack Engineer）
獨立開發從 UI 到 API 再到資料庫的完整功能。
▶ 系統架構師（System Architect）
負責設計全系統技術藍圖，定義模組邊界、資料流設計與技術選型。
✳️ 進階發展 → 技術總監 / Technical Director
職責： 統籌技術方向，領導技術專案與架構決策，跨部門協作。
技能補充： 領導力、溝通簡報、技術戰略思維、預算與風險管理。
▶ DevOps 工程師（DevOps Engineer）
專精於部署、CI/CD、環境自動化。
✳️ 進階發展 → 雲端工程師（Cloud Engineer）
職責： 能設計具備高可用性與彈性的雲端基礎架構。
技能補充： 深耕 AWS/GCP/Azure 架構與雲原生技術（如 K8s、Terraform）。
🟢 團隊管理路線（Team & People Management）
此路線適合有溝通、協調與人員培育熱情者，從帶小團隊到參與公司策略。
▶ 後端 Team Lead / 技術主管
同時參與開發與團隊管理，負責人力分配、專案交付與人員指導。
技能補充： Agile/Scrum、敏捷儀表板管理、1-on-1 輔導技巧。
▶ 技術經理（Engineering Manager）
管理多組技術團隊，協助產品規劃、技術優化與跨部門協作。
負責團隊招募、績效制度設計、技術資源管理。
▶ 技術總監（Technical Director）或 VP of Engineering
結合技術與策略視角，影響公司中長期技術方向。
需要具備技術深度 + 商業理解力。
🟠 技術轉職／橫向拓展路線（Cross-functional Path）
探索其他工程領域，發揮後端背景延伸價值，適合追求多元發展者。
▶ 資料工程師（Data Engineer）
優勢：
熟悉 API 設計＆模組化架構：資料平台的模組設計類似微服務設計邏輯。
熟悉系統效能：幫助處理大規模資料運算與資源調度。
熟練程式語言(如 Python、Java)：可快速上手資料工程工具
可有效打造 ETL 流程、管理資料倉儲、支援 AI/ML 任務。
技能補充：
資料處理：Spark、Kafka、Airflow、dbt
資料庫：PostgreSQL、ClickHouse、BigQuery、Snowflake
資料管線：ETL/ELT流程設計、Data Lake、Data Warehouse 架構
編程與基礎統計：Python、SQL、資料品質檢查
職涯發展路徑流程圖
🔹 總結路徑圖說明
(起點)
後端工程師
│
├── A. 學習前端 → 全端工程師
├── B. 提升架構能力 → 系統架構師
│ └── 技術決策 → 技術總監
└── C. 學習 DevOps → DevOps 工程師
└── 深入雲端架構 → 雲端工程師
哪些產業需要後端工程師？
後端工程師幾乎是「所有數位服務產業的基礎職位」，以下是常見產業範疇：
📌電商與零售：處理會員系統、購物流程、庫存管理、金流串接等核心後台邏輯。📌金融科技（FinTech）：開發支付、帳戶、交易、驗證等安全敏感的服務。📌社群與內容平台：如論壇、影音平台、交友 App，後端負責資料儲存、帳號系統與推薦演算法等。📌SaaS / B2B 企業服務：提供線上系統給其他企業使用，如 CRM、HR 系統。📌物流與運輸：如外送、倉儲、車隊派送，依賴大量 API 串接與資料即時處理。📌醫療與健康科技：處理病例、預約、穿戴裝置資料等，需高度資安與資料完整性。📌遊戲與娛樂產業：遊戲帳號、伺服器同步、排行榜、商城等核心功能皆由後端處理。📌政府與公部門資訊系統：如戶政、健保、交通資訊等數位服務。
後端工程師的挑戰與機會
🚀 6個常見的後端工程師挑戰
技術複雜度高：需同時掌握資料庫設計、系統效能、資安與架構邏輯。
看不見的貢獻：成果不如前端「有畫面」，但卻是維運的關鍵，常常被低估。
資安責任重大：系統若當機、資料異常，後端通常是第一個要排解問題的人，需確保數據安全，防止攻擊與資料洩漏。
需快速跟上技術演進：如容器化（Docker）、微服務架構、雲端部署等都不斷更新
高效能與擴展性要求：需設計能夠處理大量請求的系統，確保穩定性與效能。
跨團隊協作：需要與前端工程師、產品經理、DevOps 團隊密切合作，確保系統順利運行。
🌟 後端工程師4大機會
可轉職多種技術職：例如 DevOps、技術主管、架構師，或橫移到前端/全端。
全球需求穩定成長：任何需要「運作」的數位產品，都需要後端支撐。
遠端與海外機會多：因後端較少受地域限制，常見國際合作或海外招募。
進可攻、退可守：進可發展高階技術領域如 AI 後端、大數據平台，退可穩定就業於各類企業內部系統開發。
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
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
[joblist_plugin title='更多104【後端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E5%BE%8C%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
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
「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＞
告別Excel地獄：用Google免費AI工具，打造零失誤自動化銷售報表
每到月底，您是否也被淹沒在無盡的Excel銷售報表中，為混亂的資料格式、複雜的公式計算和無止境的複製貼上而苦惱？這些耗時且易錯的手動流程，不僅消耗寶貴工時，更隱藏著營運風險。我們將帶您告別傳統的報表地獄，深入探討如何運用強大的免費工具——Google Apps Script + Gemini，將繁瑣的數據處理流程全面自動化。從資料清理、庫存分析到自動生成叫貨單並發送郵件，我們將一步步教您打造一套智慧高效的報表系統，將數天工作壓縮至幾分鐘，徹底解放您的生產力。
文／人資市集
前言
想像一下，每個月底，你的桌面上攤開著「銷售量表」Excel檔案，裡面記錄著數百項商品的銷售情況、進貨成本和庫存狀態；旁邊還有一份「廠商資訊」Excel檔案，記載著二十多家供應商的聯絡方式；以及一份「叫貨單」Word模板，等待被複製貼上無數次...
「又要熬夜了...」你嘆了口氣，開始了月底例行公事。
數據處理的三大痛點
痛點一：混亂的資料格式
銷售表中的庫存欄位，有些寫著「2包9個」，有些寫著「3盒40條」，還有些是「停售」、「尚未進貨」。你必須手動計算實際數量，還要處理重複記錄的品項，如「微糖黑豆奶」出現在兩個不同的列，售價還不一致。
痛點二：繁複的計算工作
計算各品項的總銷量、總營收和毛利率時，你需要設置複雜的Excel公式。特別是處理不同進貨單位的成本計算（如「4袋/40入」成本40元，每個單品成本為1元），稍有不慎就會算錯。
痛點三：重複的文書作業
分析完成後，你必須為每個需要補貨的廠商製作叫貨單，不停地複製貼上廠商資訊、品項、數量、單價、總價...然後將它們一一轉為PDF並發送郵件。這些重複性工作不僅耗時，還容易出錯。
Google Apps Script + Gemini AI 自動化解決方案
透過Google Apps Script結合Gemini AI的強大能力，我們可以將這些繁瑣的工作全部自動化，從數據清理到報表生成，再到郵件發送，全部一鍵完成。以下是具體步驟：
1. 環境準備與檔案設置
將Excel和Word檔案上傳至Google雲端硬碟，轉換為Google格式，並從試算表的「擴充功能」選單開啟Apps Script編輯環境。這一步確保所有檔案都能被自動化程式存取和修改。
2. 使用Gemini AI生成程式碼
這是整個自動化流程的核心環節。無需懂得編程，只要向Gemini AI清楚描述你的需求，它就能生成對應的Apps Script程式碼。例如：
當你告訴Gemini：「請寫一個Google Apps Script程式，從資料夾中找到銷售量表檔案，並讀取'綜合銷售量表_9-5月'分頁的內容」，它會立即生成完整的程式碼：
JavaScript
function findFilesInFolder() {
var folderId = '你的資料夾ID';
var folder = DriveApp.getFolderById(folderId);
var files = folder.getFiles();
while (files.hasNext()) {
var file = files.next();
Logger.log('找到檔案: ' + file.getName());
}
}
你只需將生成的程式碼複製到Apps Script編輯器中，按下執行按鈕，程式就會自動運行。每個步驟都可以用同樣的方式，向Gemini描述需求，獲取程式碼，然後執行。
這種方式特別適合不懂程式設計的使用者，因為你不需要了解程式語法，只需要清楚描述業務需求即可。如果程式執行結果不符合預期，你可以向Gemini解釋問題，它會提供修正後的程式碼。
3. 資料清理與標準化
向Gemini描述資料清理的需求，如「請寫程式將'2包9個'這樣的庫存記錄轉換為實際數量」，它會生成相應的程式碼，自動識別並處理重複品項、統一庫存記錄格式，並將其他備註文字記錄轉換為數字0。
4. 銷售數據分析
告訴Gemini你需要計算各品項的總銷量、總營收和毛利率，它會生成程式碼自動進行這些計算，並將結果按高到低排序，幫助你快速識別關鍵營收品項和高毛利率品項。
5. 庫存分析與補貨建議
描述你的庫存分析需求，如「計算近三個月平均銷量，與目前庫存比較，找出缺貨風險品項」，Gemini會生成程式碼自動執行這些分析，並根據公式計算建議補貨量。
6. 自動生成叫貨單
告訴Gemini你需要根據廠商資訊和補貨建議自動生成叫貨單，它會生成程式碼從廠商資訊表中找出各品項對應的廠商，複製叫貨單模板並填入所有必要資訊。
7. 自動發送郵件通知
描述郵件發送的需求，如「將叫貨單轉為PDF並發送給對應廠商」，Gemini會生成程式碼自動完成這些任務，完全消除手動發送郵件的工作量。
8. 透過Google Apps Script設置自動化觸發條件
在Apps Script編輯器中，點擊「觸發條件」選項，設定時間驅動的觸發機制，如每日、每週或每月自動執行。你可以選擇特定的時間點，確保報表在每個月底自動生成，叫貨單在固定日期自動發送。這樣，即使你不在辦公室，系統也能按照預設的時間表自動完成所有工作，實現真正的全自動化流程。
看了文章還是覺得太難？104 線上課程手把手帶你學會用 AI >>
自動化帶來的改變
透過Google Apps Script結合Gemini AI的自動化流程，你將原本需要2-3天完成的工作縮短為幾分鐘。不再需要熬夜處理數據，不再擔心計算錯誤，也不再被無止境的複製貼上折磨。
更重要的是，這種自動化方式不需要你懂得編程，只需清楚描述業務需求，Gemini就能生成所需的程式碼。這大大降低了自動化的門檻，讓任何人都能輕鬆實現工作流程的自動化。
現在，每當月底來臨，你只需輕鬆點擊幾下按鈕，就能完成所有工作，然後將寶貴的時間用在更具創意和策略性的任務上。無論你是零售業者、電商經營者，還是任何需要定期處理數據和報表的專業人士，這套自動化流程都能為你的工作帶來革命性的改變。
讓科技為你解放時間和創造力，從繁瑣的數據處理中脫身，專注於真正重要的事務！立即加入「行政/營運 AI 超能力：行政流程Ｘ生管Ｘ採購自動化」這門課程學習，手把手掌握Google Apps Script結合Gemini AI的全面應用，讓你的工作效率和成果品質都能提升到一個新的高度。
企業用戶歡迎申請課程免費試閱，並選擇「104人資市集 | 企業訂閱制方案」，課程每人每年最低33元起/堂，最低$10,000起搞定全公司整年度的AI導入培訓。亦可團購或授權課程，歡迎點擊下方專人諮詢。
免費試閱
了解方案
專人諮詢
提升員工帶動企業的成長！最划算的 AI 教育訓練方案首選>>
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 >>
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
那份檔案、Email放在哪？工作總在「找東西」，5招減少工作區
每天花多少時間找檔案、Email、待辦事項？工作區太多，容易讓資訊分散、增加尋找時間。作者分享5個工作區整理技巧，從待辦工具、標籤分類到數位化管理，減少東翻西找，提高工作效率。本文節錄自《時間不夠用？先減掉八成雜事》。
文／飯田剛弘
本文目錄（點擊可快速前往）
打造一個「工作區」「丟棄」紙張、「保留」數位檔案──建立工作區的技巧1. 找到適合自己的待辦事項管理工具2. 善用標籤、關鍵字與篩選功能3. 減少工作區的數量4. 從小範圍開始5. 不確定是否該丟棄時，「丟掉」實體物品，「保留」數位檔案
打造一個「工作區」
各位是否每天為了尋找物品或資料而花費許多時間呢？像是「那封電子郵件到哪裡去了呢？」、「那張備忘錄跑去哪了？」、「那個檔案存在哪裡啊？」、「那份文件擺去哪了？」之類的情況。其實，花在尋找上的時間，比我們想像中奪走更多寶貴的時光。
因為這些動作往往在不知不覺中進行，所以不容易發現。可能在一天之內就發生好幾次在找東西的情況。
或許這樣說會有點太過直接，但這些「尋找」的時間，幾乎不會產生任何價值。
更麻煩的是，愈是在忙碌的時候，愈容易發生不清楚所需的資料或訊息在哪裡，結果反而花更多時間到處尋找。
要減少這些時間浪費的方式，就是打造一個「工作區」。
所謂的「工作區」，指的是儲存與管理必須處理的事項和工作，以及相關資訊與資料的地方。像待辦事項清單、筆記本、電子郵件、聊天訊息、桌面上，或是抽屜、書架、包包等等，都可以成為「工作區」。重點是在平日就要養成習慣，除了「工作區」之外，不要隨意擺放。
不過，如果「工作區」過多，反而會使工作無法順利進行。以下是一些常見的情況：
找不到需要的工具，花了很多時間尋找，甚至最後不得不再去購買。
找不到他人之前曾經告知的資訊，導致工作無法繼續。
瀏覽過覺得有參考價值的網站，沒有加入書籤，結果再次搜尋時，耗費許多時間與心力。
記錄過和他人約定時間的筆記，不知道擺去哪裡，令人十分困擾。
事先調查的資訊筆記不小心弄丟，只能靠自己模糊的記憶回想。
找不到付款所需的文件或帳號資訊。
忘記購買必要的物品，卻買了其他多餘的東西。
直到要出門前，才慌張地到處翻找需要的票券或文件。
雖然有事先預約，卻找不到預約號碼或確認的郵件，而感到非常焦急。
當我們覺得自己不擅長安排時程時，上述這些情況往往更常出現。要讓事物順利進行， 最好是盡量把「工作區」集中在一個地方。若是把需要的東西或資訊放在不同地方，自己也會搞不清楚究竟放在哪裡，最後只會徒增尋找的時間。
因此，若要快速且輕鬆地找到所需資訊，最理想的做法是將所有待辦事物集中在同一個地方。
即使要將所有待辦事項完全集中在一個地方並不容易，但只要能盡量減少「工作區」的數量，就能縮短尋找的時間，讓工作更順利進行。
重新檢視自己有多少個工作區？
首先，請先參考下頁的表格，也就是數一數自己目前有多少個「工作區」。
數位資料的存放地點
工作區數量電子郵件（收件匣、寄件匣、草稿等）待辦事項清單（電子郵件、筆記本、Word檔等）雲端儲存區（Google 硬碟、OneDrive 等）電腦（桌面、各檔案夾）或 3C 設備（手機、平板）通訊軟體（Slack、Teams、LINE 等）其他應用程式和軟體
非數位、實體的存放地點
工作區數量筆記本或備忘錄行程表或月曆便條紙或便利貼檔案夾或文件夾各種盒子或箱子層架或書桌周圍床上包包或錢包裡白板自己的大腦其他人（同事或秘書等）家中衣服或褲子口袋
數出來的結果有幾個呢？我自己在舉辦研討會或培訓課程時，總會請學員統計自己的工作區數量，結果因每個人的工作內容與職務類型不同而有很大差異。
例如，擔任出納會計、總務等行政職的人，有時可能多達數十個工作區。而管理階層或外勤的業務人員，也有人少於十個工作區。
關鍵在於，先掌握自己目前的工作區數量，接著思考如何縮減那些花在「東翻西找」上的時間浪費。
「丟棄」紙張、「保留」數位檔案──建立工作區的技巧
以下介紹幾個在安排工作區時的重點：
1. 找到適合自己的待辦事項管理工具
市面上的待辦事項管理工具琳瑯滿目，有的只提供簡單的製作備忘錄與清單功能，有的 則是可管理完整專案的專業系統。選擇時要符合自己的需求與個性，這點至關重要。
若一開始就挑選過於複雜、使用不易的最新款高階工具，反而容易半途而廢。當自己想 要嘗試新工具時，建議優先選擇操作簡單、能與電腦和手機同步的雲端服務為佳。
2. 善用標籤、關鍵字與篩選功能
為了能快速找到待辦事項與相關資訊，可以用資料夾、透明文件夾或標籤，依照一定規則進行分類。不過更建議在整理時，能以數位化為前提，運用容易聯想的關鍵字、標籤、標記或篩選等功能，確保資訊能快速搜尋，管理也會更加輕鬆。
3. 減少工作區的數量
要降低「漫無目的尋找」所浪費的時間，最關鍵的做法就是把工作時需要的東西全部集 中在同一個地方。前面的內容也有提到，盡量減少工作區的數量非常重要。雖然實際數量會因工作環境和職務不同而有所差異，但原則上最好控制在個位數以內，以避免混亂。
4. 從小範圍開始
如果要處理的事情太多，要整理所有事物往往非常耗時費力。建議先從當下最需要處 理、最重要的部分開始整理，再慢慢拓展到其他部分。在熟悉工作區使用環境的同時，也能專注在盡量減少「時間浪費」和「找東西」上。
5. 不確定是否該丟棄時，「丟掉」實體物品，「保留」數位檔案
在試著減少工作區的數量時，常會出現不知道該不該留下的文件或資料。這時，我個人建議可以依照資料的類型處理。基本原則是若屬紙本資料，可「先掃描儲存成數位檔案後，再丟棄」，如果屬於數位檔案，則「暫時保留」。
紙張只會愈積愈多，占據空間又降低效率，因此建議能盡量數位化，達到減少紙張的效 果。如果擔心一下子全部丟棄會有風險而感到猶豫不決時，可以先掃描或拍照存成電子檔，再逐步進行斷捨離。
再次強調，工作區的數量一旦過多，即代表相關的資料與資訊分散各處，不僅增加尋找時間，也容易在管理和保存上出現困難，進而導致錯誤和疏失。
因此，要先掌握自己目前的狀況，再逐步減少工作區的數量，才能有效提高工作效率。
節錄自：寶鼎出版《時間不夠用？先減掉八成雜事：不加班也能升職的高效工作法》／飯田剛弘 著
待辦清單要寫什麼？該用什麼方法完成？改善拖延的拆解任務法
常常面對待辦事項越寫越長，卻不知道從何開始的窘境？待辦清單是提升效率和改善拖延的好幫手，但是要用什麼方法才能順利完成待辦清單呢？本文為《箱型時間：高速時代的15分鐘深度專注力》書摘精選，作者解析如何拆解任務、專注執行，幫助你實現工作生活平衡，改善拖延、突破時間管理瓶頸！
文／馬克‧曹–桑德斯
本文目錄（點擊可快速前往）
待辦清單包含的內容？待辦清單要寫什麼？該用什麼方式完成待辦清單？
待辦清單是列出你預計要完成的任務，通常會用來幫助我們記憶該做的事項；行事曆則是用來記錄、規劃活動的工具。箱型時間將這兩者結合——把待辦清單中的適當項目排入行事曆，並確保該活動會在規劃時間內完成。待辦清單和行事曆可以說是本書的兩樣前導元素。
待辦清單包含的內容？
待辦清單是箱型時間的先決要件，所以我們必須先了解什麼是待辦清單。讓我們順著前因後果想想：待辦清單上的事項是怎麼來的？主要有五個來源：
1. 想法
你想起上星期答應別人一件事；你淋浴時閃過一個靈感；在火車上看見跟老同學長得很像的人，突然想跟同學敘敘舊；做白日夢時，你腦中飄過充滿創意、可能有用的點子。我們的大腦一直處在活動狀態，而且有很多無法預料的事。很多來自環境的外在刺激，也都無法預料。因此念頭、想法、事件、靈感，提供了行動構想。建議你在待辦清單中規劃一個待學區，寫下你有興趣，但還沒有時間去學的事物。
2. 訊息
我們每天收到超過一百封電子郵件，簡訊和社群媒體應用程式產生的訊息量更是不遑多讓。這些訊息很多是自動產生或自動發送，不僅不相關，也沒重要到必須去處理。但是某些需要思考和回應的訊息，就可以寫進待辦清單。其實，即使是只需要略做回應的小事，也會是需要處理的待辦事項。
3. 會議或與人對話
我們每天的工作有四分之一花在開會上，有調查顯示每天至少會有二十七段對話，這些即時的人際互動引來各式各樣的任務。有可能是老闆直接指派給你，有可能是因為跟年長的鄰居閒聊，所以答應幫忙修理籬笆，也有可能是在一場業務會議結束時，被指派要做什麼事。
4. 工作本身
你會在寫完銷售簡報後發現需要事先演練；你會在撰寫商業企劃時發現需要研究市場；你會在使用客戶關係管理軟體時發現有幾項內容需要補齊；你會在登入任務管理軟體後發現有一系列工作等待完成……工作就是這樣，會衍伸出更多工作。
5. 生活瑣事
我們有很多私人事務要打理，包括：洗衣、打掃、購物、付帳單、煮飯、保養汽車、修繕房屋、整理花園農圃、運動、個人健康、假期規劃、照顧家人或寵物、丟垃圾、做資源回收、打理社區事務等。在這當中，有許多固定重複的事，也有較難預料的事；有些事情跟家庭成員有關，特別是住在一起的家人。這些都是要處理的事，不管我們想不想做都得完成。
待辦清單要寫什麼？
待辦清單上的事項可以做成時間箱，寫進行事曆。當你準備花時間使用數位行事曆，在適當環境、以正確心態規劃時間箱時，你會需要製作時間箱的素材，而這些素材就來自你的待辦清單。將待辦事項寫進時間箱，完成這一天的任務後，原本的任務清單就會變成你的「達成清單」。
此外，不是每個點子都是好點子，不需要的待辦事項必須送進垃圾桶！再說，從把想法寫進待辦清單，到真正要實踐時，事情可能已有變化，讓這件事變成多餘的想法。請注意，想「把待辦清單上的事項統統完成」是個錯誤的念頭。
該用什麼方式完成待辦清單？
雖然世界上有數十億人口會寫待辦清單，但是對於待辦清單究竟該怎麼寫或完成，卻沒有個共同概念。以下內文是我讀過相關內容後，加入箱型時間元素，希望能幫助大家把這個被忽略的重要事項做得更好。
1. 拆分成可處理的單位
將任務拆解成可以處理的塊狀。某人可以處理的單位不一定適合另一個人，因此一般共識是時間不要超過半天，理想狀態是最多一、兩個小時。我也贊同這樣的時長。但是有些任務需要的時間可能很短，例如提醒自己寄追蹤郵件或回家途中買牛奶。所以採用箱型時間的時候，你可以先把下個要做的事記在心裡，再去進一步拆解或統整，不需要一次做完任務的拆分。
請記下任務的細節，以便你回頭審視清單時，可以快速想起要做的事。例如，「研究靈魂旅行」這個待辦事項，如果只寫「研究」的話，幾小時或幾天後，你就看不懂意思了。至於預估時間、重要程度、緊急程度、依存性、合作者、截止期限、最終目的、類別等，有可能是有用的額外資訊，但並不一定要寫出來。
2. 流程
請參考前面提到的資訊類別，為任務歸類，並配合最重要的生活面向，將這些類別系統化。舉例來說，全世界有十二億人使用微信、兩百萬人使用WhatsApp、五百萬人透過簡訊發送和接收訊息。你若不願意忘記履行承諾或完成任務，就需要一套系統，幫助你分辨何時要把聊天訊息變成該執行的任務。例如，標上星號或書籤的訊息表示要有後續動作，以及根據訊息需要處理的時間，來製作有可能需要循環出現的時間箱。重點在於將會形成後續任務的事項，移至待辦清單及時間箱，整套流程才不至於中斷。
其他會形成後續任務的活動，也要建立待辦清單寫入行事曆。不要相信你的記憶力，因為記憶不完全靠得住，要是發生意外，你可能會嚴重受挫。
有些人會寫好幾張待辦清單，細分成：工作、社交、財務、居家修繕、家庭活動、個人活動等。對大部分的人來說這樣做會降低生產力，因為我們必須把這些放在不同地方的清單互相比較，以辨別各項任務的重要和緊急程度。而最後，我們每一個人只會有一套自己的時間計畫。從這個角度看，一個人只要有一份涵蓋全部事項的待辦清單就足夠。這對區分寫進待辦清單的事項，尤其有幫助。
請以「動詞」為開頭，因為動詞代表你要去「做」某一件事。
依照重要性替任務分類，並維持分類——這是最重要的一點，不過在細節上卻有許多不同的意見。包括卡爾．紐波特在內的一派人士提倡把類似任務集合成一組，分批次處理，並在不同批次的任務間安插休息時間，好讓我們能在處理下一項任務前，消除先前的認知脈絡。這麼做非常合理，但缺點是，可能無法及時處理藏在一大批任務裡的緊急任務。另外一派包括我在內的人士，則是提倡要依緊急或重要程度來分類。以下提供一套非常簡單的規則，幫助你從一長串的可能任務中，挑出適合歸為一組的任務：
將任務貼到電子試算表上。
在任務名稱旁邊的欄位，使用一到十的數字，標示任務的緊急或重要程度。
依照數字大小整理欄位順序。
把焦點放在前幾項的任務（排在後面的就是比較次要的）。
原本一大串五花八門、分不清重要程度的煩人事項，已變成一張精簡的「必須完成的事項清單」，你可以鬆口氣了。
這一長串非重要事項也需要好好處理。你可以刪除，也可以另外安排時間重新審視。有些事項過段時間後，重要程度會提高。
請想想哪一種分類方式比較適合你，但不管你選用哪種方式，都需要將事項分門別類。當你缺乏一套值得信任的排序方式時，你會不斷地自我質疑、看輕待辦清單、心想是不是該把另一項任務排在前頭。井然有序的清單可以消除選擇的焦慮，這也是一次做一件事的力量。
你要有固定刪減待辦清單的習慣。刪減待辦清單也是個可以排進行事曆的任務，而且非常適合設成重複的週期性行程。將待辦清單上需要刪除的事項扔進垃圾桶，是正常且重要的工作。
提醒你，只要上網搜尋，就可以找到許多現成的待辦清單格式，也許會對你有幫助。這些清單可能會涵蓋：旅行、露營、有趣的對話、購物、居家打掃、搬家、為面試做準備、居家安全、裝修、人生願望清單等，所有別人的好點子和分享的好方法你都可以去學習使用，甚至也可以請生成式AI幫忙你製作待辦清單。
3. 做法
我最喜歡的做法是使用數位科技和把待辦清單儲存在雲端空間。那樣就可以有超連結、與他人共享、複製、貼上，備份起來也比較方便。這些也是數位行事曆使用者喜歡的優點，但不管寫在哪裡，你一定會想要快速存取待辦清單。好不容易有靈感閃過，你不會希望還來不及記下，就忘記了，我們要盡力地減少阻力。
我自己是有開Google文件隨手記錄待辦事項的習慣。如果事情太多，開始感覺手忙腳亂（像是休假完累積一堆事要做時），我會依照前面的方法，把待辦清單貼進電子試算表，依照重要性排序，進行分類、製作時間箱。
4. 勇敢作夢
待辦清單上會有許多平凡無奇的事。目前為止，本章所提的例子大多是這種類型。但是把待辦清單侷限在此，也就侷限了你的人生。你也許會覺得夢想很遙遠、難以企及，但是你跟夢想之間的距離，也許只是一條待辦清單上的事，少了幾個時間箱。不管你是想學習新語言、轉換工作跑道、宣傳你的理念，還是成為更善良的人，你都需要先踏出一小步，而待辦清單可以是你的臨時棲所。
節錄自：三采文化《箱型時間：高速時代的15分鐘深度專注力》／馬克‧曹–桑德斯 Marc Zao-Sanders 著
推薦閱讀：
如何提高工作效率？4關鍵因素解析：一心二用對生產力有負面效果
提升工作效率5大步驟！學會高效管理時間，先找到「行動力開關」
工作永遠做不完，沒時間做重要的事？想突破需要有意識的4個認知
ChatGPT分析數據資料會出錯嗎？修正盲點教學，制定策略更高效精準
運用ChatGPT分析數據和提供策略建議，分析準確嗎？實例示範運用ChatGPT解析Excel數據，從購買行為洞察、客群分群，到制定具體銷售策略，以及最關鍵的查核與修正盲點，才能真正發揮AI的輔助價值。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）
【ChatGPT數據洞察1】用戶購買行為洞察【ChatGPT數據洞察2】銷售策略【ChatGPT數據洞察3】短中長期策略與行動方案【ChatGPT數據洞察4】AI分析準確嗎？如何查核與修正？
ChatGPT不僅能根據你的指令提供數據摘要，還能根據分析結果給出實用建議！舉例來說，當你看到前一篇的折線圖，你可能會好奇：「為什麼6月的銷售額表現最好？」或者想知道：「如何改善4月和9月銷售下滑的情況？」這時候，善用ChatGPT，它能幫你深入分析數據，提供洞察與策略，讓決策更加精準！
【根據數據提問】問題示範：為什麼6月的銷售額表現最好？如何改善4月和9月銷售下滑的情況？
（圖／旗標出版提供）
（圖／旗標出版提供）
用「三個臭皮匠，勝過一個諸葛亮」來形容ChatGPT給予的協助，無疑是個最佳比喻。即便是經驗豐富的資料分析師，也可能會因為盲點而忽略關鍵資訊。但ChatGPT就像是一個全方位的數據顧問，能夠從多個角度切入，提供你可能沒想到的分析觀點，甚至具體的行動建議，幫助你從資料中挖掘出隱藏的黃金資訊。如果你能提供更完整的背景資料，它的建議將會更加貼近實際需求，甚至能針對你的分析需求量身打造具體的策略。
除了根據分析結果提供見解，你還可以直接告訴ChatGPT你的目標，請它根據目標設計行動策略。舉例來說，假設你希望以今年的用戶購買行為為基礎，制定隔年的銷售策略，ChatGPT就能根據數據表現，幫助你制定具體方案。現在，就來看看ChatGPT如何發揮數據分析的實力吧！
指令：「協助分析用戶的購買行為，並制定隔年的用戶銷售策略」
由於ChatGPT的回覆較長，以下將分為三部分介紹：
【ChatGPT數據洞察1】用戶購買行為洞察
（圖／旗標出版提供）
（圖／旗標出版提供）
ChatGPT根據我提供的Excel資料表，快速整理出用戶購買行為分析結果，包含購買次數、平均消費額、地區等關鍵資訊。接著，它透過購買次數與平均消費額的關係，將用戶分群，識別出高價值客戶和忠誠客戶，並清楚定義分類標準。最後，它還深入分析北、中、南地區的消費行為差異。這一切，只需短短幾秒鐘！
想像一下，如果要手動完成這項分析……你需要先整理資料表，再用肉眼觀察購買次數與平均消費額的關係。或許可以透過數據視覺化來加速分析，但問題來了――該選擇哪種類型的圖表？講了一堆，是不是很複雜？那麼下次不妨交給ChatGPT，讓它幫你快速整理、分析，省時又高效！
【ChatGPT數據洞察2】銷售策略
（圖／旗標出版提供）
（圖／旗標出版提供）
在完成用戶行為分析後，ChatGPT進一步推導出2024年的銷售策略，針對高價值客戶、忠誠客戶、不同區域用戶，以及不同註冊時間的客群，提供個別的行動建議。這些策略不是憑空想像，而是根據Excel資料表中的實際數據，所推論出的具體建議，讓決策更有依據，提升執行效率與成功機率！
【ChatGPT數據洞察3】短中長期策略與行動方案
（圖／旗標出版提供）
最後，ChatGPT收斂並整理出2024年的短、中、長期銷售策略，確保這份分析報告能立即轉化為可執行的行動方案。如果你希望獲得更詳細的策略細節，或需要更多具體的行動建議，只需輸入指令，ChatGPT就能提供進一步分析，讓數據真正為決策帶來價值！
【ChatGPT數據洞察4】AI分析準確嗎？如何查核與修正？
你可能會好奇～AI進行數據分析的準確度如何？會不會出錯？
其實，ChatGPT並非完美，這點從聊天室下方的提示「ChatGPT可能會發生錯誤，請查核重要資訊」便可看出。
（圖／旗標出版提供）
如果對結果有疑問，你可以直接詢問ChatGPT它的推論依據。舉例來說，在分析區域消費差異時，ChatGPT提出：「台北與高雄的用戶消費較高，而台南用戶的消費額相對較低」。若你想知道它是根據哪些數據推論的，只需請它提供數據支持，結果如下：
（圖／旗標出版提供）
ChatGPT已經整理出各地區的消費表現表格，從總消費來看，台南的消費力確實較台北和高雄弱，這證明AI並非憑空猜測，而是基於數據分析得出的結論。然而，再重申一次～AI並不完美，你是否注意到「台中」的數據被忽略了？從表格來看，台中的總消費額其實是四個地區中最低，理論上應該比台南更值得關注，但ChatGPT並未主動提及這點。
總消費額為最低（圖／旗標出版提供）
當你發現這類問題時，可以直接指正，並要求ChatGPT修正。例如：請它補充台中的數據分析，確保結果更加完整。
（圖／旗標出版提供）
（圖／旗標出版提供）
ChatGPT已經根據指令進行修正！（圖／旗標出版提供）
AI工具雖然強大，但仍有其不足。最理想的方式是將AI視為協作助手，而非完全取代人的判斷。透過人機互補，不僅能提升分析的精準度，也能確保結果更加全面。掌握這樣的心態，你將能更高效地運用AI進行數據分析，讓決策更加精準。
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
更多【AI工作術】推薦：
ChatGPT生成Excel圖表不卡關！xy軸設定、中文顯示問題輕鬆搞定
打造ChatGPT行政小助理：專屬AI助理幫你處理瑣碎行政工作
ChatGPT可以產生流程圖嗎？用Excalidraw和ChatGPT快速搞定
Excel公式讓ChatGPT幫你寫！輸入指令就能懂的Excel公式教學
AI寫Excel公式這樣最省時！ChatGPT、Copilot描述需求、生成函數、錯誤修正一次學會
不會寫Excel函數也沒關係！本文教你如何運用ChatGPT、Copilot、Gemini等AI工具，從描述需求開始，生成函數公式、修正錯誤結果，快速完成資料整理任務，超實用的新手與職場工作者必備Excel AI技巧教學！本文節錄自《超有料！職場第一高效的 Excel ✕ AI 自動化工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
請AI生成函數、公式，輔助整理資料描述需求、請AI生成函數、公式，不懂還可以繼續問！實用技巧：貼上AI生成的函數、公式後執行失敗？實用技巧：描述問題時，截圖給AI最快！
請AI生成函數、公式，輔助整理資料
使用AI：AI聊天機器人（ChatGPT、Copilot、Gemini…都可以）
Excel函數可以說是整理表格資料的利器，延續上一節的「檢查資料漏填」例子，在Excel上普遍的做法是用函數檢查每一列是否有漏填的欄位，例如本例可以用設定條件判斷的IF函數和用來計算範圍內非空值數量的COUNTA函數，組合成公式來做檢查，然後在最後的「確認結果」欄顯示檢查的結果。
但萬一您對Excel不是很熟，光知道該挑這兩個函數出來、進一步撰寫公式，可能就會花一大堆時間，來看AI如何「顛覆」以往的Excel函數學習法吧！
描述需求、請AI生成函數、公式，不懂還可以繼續問！
怎麼開始呢？您不用傷腦筋該如何提供AI方向 （例如提示它「請用函數來解決」)，都不用！只有一個重點，就是跟AI聊天機器人描述清楚我們的需求，這非常重要，包括表格的資料範圍、以及我們希望在哪個目標儲存格得到什麼樣的結果都要講清楚。想更萬無一失的話，能截圖給AI聊天機器人參考最好。
【1】我們先試著用文字來描述需求（截圖的做法最後再試，因為有些免費的AI聊天機器人會限制單日的圖片上傳用量，不是您隨時想用都可以用）。先回顧一下本例的需求。
希望確認每一格是否都有填寫，若有一項沒填就在F欄留下註記
解決問題的環境若回到Excel（而不是餵給AI自動處理），也不用擔心表單樣式會受影響了（圖／旗標出版提供）
【2】以本例來說，是使用以下的提示語（prompts）：
（圖／旗標出版提供）
檢查B3~E27欄位是否都有輸入資料。若有空白的儲存格，在F3~F27標示「有資料未填寫」
⬆儘量描述清楚欄位的位置
或者
使用Excel函數，檢查B3~E27欄位是否都有輸入資料。如有空白的儲存格，需要在F3~F27標示「有資料未填寫」
⬆若您大概知道可以用函數來解決，可以加這段，這樣AI的回答就會鎖定在函數，不會回答的很廣泛，導致一時不知該用哪個解法
【TIP】撰寫提示語時，務必清楚描述欄位範圍與條件，例如明確指出「檢查B3:E27範圍內的每個儲存格」，而非模糊的「我想判斷F欄前面的資料有沒有漏」敘述。同時，也要清楚說明判斷條件（例如要找出有空白的格子）與執行動作（例如「在對應F欄標示『有資料未填寫』」），確保AI可以正確理解並執行任務。
（圖／旗標出版提供）
上圖讀者也看到了，AI聊天機器人不只給我們答案，還貼心地提供函數和公式的說明（就是怕您不會用），完美取代了以往Excel函數書、網路上函數教學文的地位（而且不懂還可以繼續問！）
很多AI聊天機器人都會提供複製功能，找到後並點擊就可以複製公式（若沒有，手動複製網頁上的公式也很快）。
【TIP】以上圖AI生成的公式來說，因為每一列都是4格（B、C、D、E這4欄），AI的解法是判斷哪些列「有資料」的儲存格小於4個，小於4個就表示該列有空白的儲存格（資料未填）。本書的精神是優先解決Excel問題，AI給的函數、公式細節讀者可以再慢慢研究。也再次提醒讀者，AI回答的內容不是100%正確喔！AI聊天機器人最擅長的就是生成文字，但也有生成虛構、錯誤內容的可能。如果AI所生成的函數、公式失效了，有時候執行後並不會有什麼錯誤訊息（只是你要的結果沒出現），此時最快的做法就是請AI生成另一個公式給我們試試。
【3】而AI聊天機器人在提供解法時，也可能以「純文字」來做回應，但慢慢讀文字沒什麼效率，可以請AI給出函數／公式。如下圖：
但慢慢讀文字沒什麼效率，可以請AI給出函數／公式（圖／旗標出版提供）
【4】此外，由於AI聊天機器人給的公式可能跟本書示範的不一樣，甚至您每次操作時得到的答案也可能不一樣，不過只要試過能完成任務就沒差。若您問AI聊天機器人有沒有其他的函數解法，它也會提供你新的公式：
本例筆者重新發問後，ChatGPT給了其他的公式解法，所用的函數都不太一樣（圖／旗標出版提供）
老話一句，我們先不用管公式是長是短、內容為何，能解決問題就好！本例先試AI給的這個公式。把公式貼到F3儲存格，按住填滿控點「+」，往下拉到F27儲存格，瞄一下左圖的F欄，看起來公式是OK的。選擇填滿但不填入格式，以保留原儲存格的樣式，這樣就完成操作了！
（圖／旗標出版提供）
實用技巧：貼上AI生成的函數、公式後執行失敗？
上圖在AI生成函數的幫助下，缺資料的那一列最後面都做了註記。但AI提供的公式絕對有可能會出錯（特別是在範圍設定或條件判斷的細節上），當出錯時，當然可以請AI修正，或者詢問是否有其他解法。例如：
這個公式不對，請幫我檢查錯誤或提供替代公式
依經驗，單只有給AI文字提示語最容易遇到公式出錯，因為描述需求時容易有遺漏或模糊不清，此時當然可以自行檢查公式內容，有時候或許不難除錯，例如F3改成F4這樣的小問題。但自行檢查有時很花時間，這時不如回頭檢查提示語是否有清楚說明欄位範圍（例如B3:E27），以及明確列出條件與目標（例如「檢查是否有空白儲存格」並「在F欄標註」）。
實用技巧：描述問題時，截圖給AI最快！
面對Excel資料整理需求時，如果prompt描述的夠到位，其實問題就解決一半了。但關鍵就在用文字描述需求有時候很花時間，也容易描述得不夠精確、甚至寫錯…
依筆者經驗，最省時省力的方式就是直接截圖給AI，大部分AI聊天機器人的圖片辨識能力都很強（中英文都通），能快速解析圖片中的內容理解問題。比起繁瑣的文字描述，傳截圖給AI的問題分析準確性高，還能大幅節省時間。
準備好截圖給AI，重點在於，Excel上面和左邊的編號，以及和您的目標欄位（例如F欄）一定要包含在圖片內。（圖／旗標出版提供）
【TIP】針對電腦畫面該怎麼截下來，Windows上有提供Print Screen鍵抓全螢幕畫面，但這樣就得再手動截取範圍，有點麻煩。筆者通常是額外安裝FastStone、HyperSnap等專用來截圖的軟體，利用裡面的「截取區域」功能把要的範圍截下來。若您用的是Mac電腦，內建的Shift+Command+4組合鍵就可以截您指定範圍的畫面了。
截圖備妥後，拉曳到對話框就可以附給AI（這裡是以免費版ChatGPT來操作），再輸入提示語描述需求，因為有附上圖，可以描述的更簡潔（圖／旗標出版提供）
【TIP】現階段無論是ChatGPT、Copilot、Gemini...等都可以接收圖檔來做判讀，讀者要用哪個AI聊天機器人來操作都可以。不過前面提過，免費版的ChatGPT用戶雖然可以使用圖檔上傳功能，但會有用量的限制，當您對話到一半時，可能會出現無法繼續使用的訊息。若真的被限用了也沒關係，免費的AI聊天機器人多的是。不過，建議也要多熟悉文字的描述技巧，以備不時之需！
當不是請AI聊天機器人自動整理資料，而是請它「輔助」生成函數來解決Excel問題時，筆者最喜歡附上截圖方便AI理解prompt 。AI解析圖片的速度很快，幾秒鐘就可完成，依經驗，提供截圖的AI出錯機率比單用文字prompt低非常多喔！
節錄自：旗標出版《超有料！職場第一高效的 Excel ✕ AI 自動化工作術：生成公式 + 函數、做自動化，用 AI 解決所有 Excel 難題！》／施威銘研究室 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整理Excel表格超快速！用AI輕鬆搞定複雜資料
ChatGPT生成Excel圖表不卡關！xy軸設定、中文顯示問題輕鬆搞定
[course_plugin title='推薦Excel相關課程' keyword='excel' amount=2]
AI如何看穿客戶潛在需求？3招幫B2B業務找到商機
在AI時代，B2B業務真正的挑戰轉向了「資訊的處理與轉化」。作者為深耕產業超過20年的B2B業務專家，教你3招用AI判斷對方「現在為什麼需要你」。透過AI分析企業財報、法說會、徵才資訊與決策者的公開動態，業務可以從零碎訊號中找出客戶尚未明說的需求，掌握更精準的提案時機。本文節錄自《90%高級主管出身業務，B2B聖經》。
文／吳育宏
本文目錄（點擊可快速前往）
大海撈針已過去，精準打擊才是關鍵為什麼AI是B2B業務的最佳情報員？一、情報蒐集的第一步：建立客戶的「數位畫像」二、從法人說明會到財報：AI如何解讀「老闆的真心話」三、社交媒體的隱形情報：挖掘決策者的個人見解
大海撈針已過去，精準打擊才是關鍵
在B2B業務的世界裡，資訊就是力量，而「資訊不對稱」曾是業務人員獲利的來源。但在AI時代，資訊已經不再稀缺，真正的挑戰轉向了「資訊的處理與轉化」。
過去，一位資深業務可能需要花上10年，才能培養出對產業的敏銳嗅覺，但現在透過AI的輔助，即便是業務新人，也能在極短的時間內展現出專家級的洞察力。
本章將帶你深入探討如何運用AI建立一套精準的情報調查研究系統，從核心邏輯到實戰案例，全面重塑你的業務競爭力。
為什麼AI是B2B業務的最佳情報員？
在傳統的業務開發模式中，蒐集情報是一項極其耗費體力的工作。過去我們習慣「掃街」，或是在搜尋引擎輸入關鍵字，但得到的往往是成千上萬條零散的訊息。這種蒐集方式有3個致命傷：
第一，資訊破碎化，你看到的只是客戶的片段，難以拼湊出完整的商業全貌；
第二，解讀主觀化，人的大腦容易產生偏誤，只看自己想看的，忽略了潛藏的風險；
第三，時效滯後性，當你在報紙上看到客戶的新聞時，競爭對手可能早已採取行動。這種低效率的勞動，正是平庸業務與頂尖業務的分水嶺。
AI的出現，徹底翻轉了這場遊戲。首先，AI具備強大的「彙整力」，如同一具高效能的過濾器，能在短短幾秒內掃描全球的數位足跡，將繁雜的數據轉化為有意義的摘要。
其次，AI擁有強大的「邏輯解析力」，它能識別出資訊之間的隱性關聯。例如，它能從一家公司頻繁招募自動化工程師的動作中，推論出該公司即將進行大規模的數位轉型。
最後，AI具備「多維度聯想力」，它能幫你把看似無關的政策變動、技術突破與客戶需求串聯在一起。簡單來說，AI就像是一個24小時不休息、博學多聞且反應極快的「數位參謀」，它幫你完成了最枯燥的資料過濾，讓你將精力集中在最關鍵的策略判斷。
以下透過實戰案例進一步說明。
一、情報蒐集的第一步：建立客戶的「數位畫像」
在正式接觸客戶前，建立「數位畫像」是決定開發成功率的關鍵。這就像是在進行一場外科手術前的掃描影像，你必須清楚知道對方的組織結構、決策脈絡，以及目前的「健康狀況」。一個好的數位畫像應該具備三維深度：第一，財務體質，這決定了對方口袋的深度與結帳信用；第二，策略方向，這決定了你的產品是否在對方的優先清單上；第三，經營痛點，這就是你切入的缺口。
你可以利用具備強大聯網能力的AI（如ChatGPT或Perplexity），下達具備框架感提示詞：
請分析〔目標公司〕過去兩年的營運重心變化。重點關注： 1. 他們在哪些研發領域投入最多資金？ 2. 他們近期的人才招募偏好？ 3. 他們在社交媒體上最常被抱怨的點有哪些？
透過上述多維度交叉分析，AI能幫你生成一份比官網更真實的「企業性格報告」。你會發現，有些公司看似保守，實則在悄悄布局新技術；有些公司看似高調，實則面臨人才流失的危機。
【實戰案例A：傳產轉型的精準切入】
某位銷售自動化倉儲系統的業務，將一家國內老牌紡織大廠作為目標。過去他多次拜訪，對方總是回應「目前營運穩定，無更換需求」。後來，他利用AI進行深度的調查與研究，分析該紡織廠近3年的公開資訊，以及上游原料供應商的變動。結果發現一個關鍵訊號：該廠近期大幅縮減了國內倉庫的租賃面積，並頻繁與跨境電商平臺接觸。
業務員因此從中解讀出：該廠正從過去「大宗貿易模式」轉向「小量多樣的跨境直銷」，這也意味著，他們過去大面積的倉儲邏輯已不再適用，急需「高頻率、小包裝」的自動化揀貨系統。於是，他在提案時直接以此為題，精準命中對方老闆隱而未現的焦慮，在第一場會議就成功取得評估測試的機會。
二、從法人說明會到財報：AI如何解讀「老闆的真心話」
對於上市櫃公司，法人說明會（編按：又稱法說會，上市公司向機構投資人報告營運狀況、財務績效，及未來產業展望的正式會議）與財報是業務人員的「戰略地圖」。但問題在於，財報充滿了冷冰冰的會計數字，而法說會逐字稿動輒上萬字，內容充斥著官腔與專業術語。業務員往往因為看不懂或沒耐心，而錯過了最核心的銷售訊號。
事實上，老闆在法說會上對分析師說的話，往往隱藏著他們最真實的壓力來源，因為他們必須對股東負責。現在，你可以把AI當成你的「首席財務分析師」，將法說會的錄音轉成文字後，直接餵給AI，下達精準的提示詞：
請閱讀這份兩萬字的法說會紀錄，幫我回答3個問題： 1. 老闆對於明年預算撥款最謹慎的領域在哪？ 2. 哪些部門目前正面臨產能或成本的壓力？ 3. 老闆反覆強調的3個關鍵詞是什麼？
AI就能瞬間把冗長的報告濃縮成一張「商機表」。這種解讀力能讓你避開客戶的地雷區，直接針對對方的「獎金區」進行提案。
【實戰案例B：從招募資訊看穿採購需求】
一位IT系統整合商的業務員想開發一家中型製造商。他在AI的協助下，分析該公司在人力銀行的招募數據後發現，該公司過去3個月密集招募具備「雲端資訊安全」 背景的工程師，且應徵條件特別強調「混合雲架構管理」（編按：指用一套整合性的方式，去管理「同時使用公有雲＋私有雲＋本地機房」的IT系統與資源）。
業務員立刻判斷出，這家公司正處於從本地端主機遷移到雲端的過渡期，且內部非常擔心資安漏洞。他在開發信中避開了通用的軟體介紹，而是寫道：「針對製造業在遷移雲端過程中，如何確保舊有製程數據不外洩的實務分享」。這封信在發出後的兩小時內，就得到了該公司資訊長（Chief Information Officer，簡稱CIO）的親自回覆，因為這正是他當下最頭痛、最需要外部專家協助的課題。
三、社交媒體的隱形情報：挖掘決策者的個人見解
在B2B銷售中，訂單成敗往往取決於「決策圈」裡的那群人。這群人包含了使用者、影響者、採購者與最終決策者。每個人的喜好、價值觀與恐懼點都不同。以往我們只能透過碰面來觀察，但現在數位足跡讓每個人都變得「透明」。透過分析決策者在LinkedIn 或專業社群的公開言論，AI能幫你進行深度的「人物側寫」。
延伸閱讀：AI也能用來經營人脈！從零碎資訊看懂對方，找出溝通切入點
你可以請AI協助分析目標對象近期的公開互動。例如，某位技術長（Chief Technology Officer，簡稱CTO）最近頻繁轉發關於「邊緣運算」（編按：Edge Computing，將人工智慧的運算任務，從遙遠的雲端資料中心，轉移至更貼近使用者的終端裝置上執行）的文章，這代表他對於中央集權式的系統有疑慮；或者某位採購經理在專業論壇上抱怨過「供應商售後反應太慢」，這就是你突圍的機會。透過AI的情緒分析與偏好歸納，你能為每位決策者量身打造專屬的「溝通頻率」。這不是投其所好，而是真正的同理心展現，讓你的提案在對方心中產生共振。
【實戰案例C：用老闆的話，說服部屬】
某位銷售節能設備的業務，目標客戶是一家電子代工大廠。他原本的對口單位是總務部，對方總以「節電效果有限，回本太慢」為由推辭。後來，業務員改變策略，利用AI分析該集團董事長在股東會上的致詞，與年報中的ESG承諾。AI幫他抓出一個關鍵點：集團董事長已公開承諾「在兩年內達成15%的減碳目標，且此目標與各部門主管的年度績效考核掛鉤」。
業務員拿著這份資料，重新向總務部提案，標題改為：「如何協助貴部門達成董事長要求的15%減碳績效，確保部門KPI達標」。這一次，總務部主管不再推託，反而積極主動的向高層請購，因為這項提案直接關係到他的績效與升遷。
節錄自：大是文化《90%高級主管出身業務，B2B聖經：從跑客戶到利用AI問對問題，這是你薪水翻倍、卡位晉升、認識大老闆的最快成功捷徑！》／吳育宏 著
用ChatGPT Work整理名片、簽到表！建立Excel聯絡人清單，統一格式、合併重複資料
收集到的名片、手寫簽到表、舊聯絡資料超難整理？作者示範用ChatGPT Work讀取名片、手寫簽到表與舊CSV，教你擷取聯絡人資料並建立Excel清單，逐步統一公司名稱、電話與職稱格式，合併重複資料，快速完成部門共用聯絡人名單。本文節錄自《ChatGPT AI Agent 工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
名片、簽到表和舊CSV散一堆？整理成部門共用聯絡清單【步驟1】先擷取資料，不急著合併【步驟2】統一名稱與格式，並補上分類【步驟3】合併重複資料，建立共用清單3分鐘帶你一次看懂：完整動作影片教學！
名片、簽到表和舊CSV散一堆？整理成部門共用聯絡清單
活動、展會或客戶拜訪結束後，聯絡資料常常散在不同地方：有人拍了名片，有人留下手寫簽到表，資料夾裡還有一份很久以前整理過的聯絡人CSV。這些資料如果沒有統一整理，很容易出現同一家公司重複建檔、電話格式不一致、窗口資料缺漏，或找不到後續該聯絡誰的問題。
本節將透過ChatGPT讀取名片照片、簽到表照片與既有CSV，整理成一份部門共用的聯絡人清單。完成後，Excel會保留原始擷取結果、格式統一後的資料、共用聯絡清單，以及仍需人工確認的項目，方便後續查找、分類與分工。
名片、簽到表、既有聯絡人CSV資料示意圖。本文示範用ChatGPT讀取名片照片、簽到表照片與既有CSV，整理成一份部門共用的聯絡人清單。（圖／旗標科技《ChatGPT AI Agent 工作術》）
必備工具：
桌面版ChatGPT：切換至Work模式（免費版帳戶目前可以透過桌面版使用Work模式，但無法透過網頁版及手機版使用。）下載ChatGPT Windows桌面版>>
範例資料檔：此範例包含名片照片、手寫簽到表照片及既有的聯絡人CSV。
Spreadsheets外掛：用來建立Excel檔案。
Microsoft Excel：檢視外掛生成的檔案是否正確。
註：Spreadsheets外掛中包含兩種不同用途的技能：Spreadsheets與Excel Live Control。本例使用Spreadsheets技能，用來建立及整理試算表；另一項Excel Live Control則可直接操作目前桌機中開啟的Excel。
【步驟1】先擷取資料，不急著合併
面對格式不同的聯絡資料時，不建議一開始就要求ChatGPT同時清理、合併及刪除重複項目。一旦辨識錯誤，會很難判斷問題出在資料擷取還是後續整理。
首先，將名片照片、簽到表照片與舊聯絡人CSV集中放入同一個資料夾。接著在桌面版ChatGPT切換至Work模式，建立專案並選擇該資料夾作為工作資料夾，讓ChatGPT可以直接讀取其中的所有檔案。
這一步只先擷取各來源中的聯絡資訊，建立初步清單，不進行格式修改或重複資料合併。完成後，再檢查姓名、公司名稱、電話與Email是否讀取正確。
提示詞
@Spreadsheets請整理工作資料夾中的聯絡資料檔案，包含名片照片、手寫簽到表照片與舊聯絡人CSV，並先建立一份新的Excel初步清單。請先擷取以下欄位：姓名、公司名稱、職稱、電話、Email、網站、資料來源、備註。先不要合併重複資料，也不要更動資料格式。請列出你認為後續需要統一格式或人工確認的項目即可。
建立完成後，點擊Excel檔案即可直接在ChatGPT中預覽活頁簿內容；如果對特定欄位有疑問，可以選取儲存格後點擊Ask Codex，針對選定內容提問或要求修改（圖／旗標科技《ChatGPT AI Agent 工作術》）
注意！雖說可以直接在ChatGPT中檢視建立完成的Excel檔案，但因為顯示的視窗寬度有限，一旦檔案內容太多，就常會需要用到滑桿拖曳顯示被遮住的內容，建議直接使用Excel開啟檔案檢視內容。1. 右鍵點擊檔名後 2. 選擇在Default App中開啟，即可使用Excel開啟檔案。
「待確認項目」頁籤會集中列出無法辨識、格式不一致或可能需要人工判斷的內容，作為下一步整理資料的檢查清單（圖／旗標科技《ChatGPT AI Agent 工作術》）
確認初步清單沒有明顯的辨識錯誤後，就能根據這些問題統一資料格式。
【步驟2】統一名稱與格式，並補上分類
同一家公司在不同資料來源中，可能分別使用中文名稱、英文名稱或簡稱，例如華碩、ASUS與ASUSTeK Computer Inc.。電話也可能同時出現+886、區碼、分機或缺少區碼等不同寫法。
如果沒有先統一這些內容，後續篩選或合併資料時，同一家公司或聯絡人就可能被判斷成不同對象。
這一步除了整理公司名稱與電話，也會加入廠商分類、職稱中文說明及待確認欄位，讓聯絡清單更容易查找與分工。
提示詞
@Spreadsheets請根據前一步的「待確認項目」，將初步聯絡清單整理成一張新的「格式統一後清單」。請協助完成以下整理：1. 統一公司名稱，將同一家公司的不同寫法整理為一致名稱。2. 統一台灣電話格式；缺少區碼時，在備註標示「需確認區碼」；非台灣電話則保留原格式。3. 新增「廠商分類」欄位，依照公司性質分類。4. 新增「職稱中文說明」欄位，補充英文職稱的中文說明，不要覆蓋原始職稱。5. 新增「待確認」欄位，記錄無法判斷的姓名、公司名稱或電話。請保留原本的初步清單，另外建立新的工作表，不要直接覆蓋原資料。
活頁簿中會新增「格式統一後清單」，原始的初步清單仍會保留；公司名稱與電話會依規則統一，並新增廠商分類、職稱中文說明及待確認欄位（圖／旗標科技《ChatGPT AI Agent 工作術》）
格式統一後，原本寫法不同的公司、電話與職稱就有了共同的比對基準，接下來才能比較可靠地判斷重複資料。
【步驟3】合併重複資料，建立共用清單
這一步要根據公司名稱、姓名、電話與Email交叉比對。能明確判斷為同一人的資料才進行合併；資訊不足或比對結果不明確時，則保留到待確認清單，不直接刪除。
提示詞
@Spreadsheets請根據「格式統一後清單」，比對公司名稱、姓名、電話與Email，建立一份「共用聯絡清單」。能明確判斷為同一人的資料請合併，保留較完整的聯絡資訊，並記錄所有資料來源。如果無法確定是否為同一人，請移至「待確認資料」工作表，不要直接合併或刪除。
「共用聯絡清單」會合併已確認的重複資料，保留較完整的聯絡方式與所有資料來源；無法確認的相似資料會集中放在「待確認資料」，交由使用者進一步核對，不會直接刪除（圖／旗標科技《ChatGPT AI Agent 工作術》）
到這裡，散落在名片、簽到表與舊CSV中的聯絡資訊，就整理成一份可以共同維護的部門清單了！本例刻意將流程拆成「擷取資料、統一格式、合併重複資料」3個階段，讓每一步都能先確認結果，避免前面的錯誤一路帶進最終清單。
3分鐘帶你一次看懂：完整動作影片教學！
節錄自：旗標科技《ChatGPT AI Agent 工作術：87 個職場實作範例 | ChatGPT Work × Plugins × Skills》／施威銘研究室 著
有任何收穫或想分享的，都來和大家一起聊聊吧！