用大數據創造大業績
104學習
大數據
指的是從大量且多元的資料中，透過分析工具與技術，找出有價值的資訊與趨勢，協助企業做出更精準的決策。這項技能包含資料蒐集、清理、分析及視覺化，能提升工作效率與競爭力。具備這能力的人才，能在行銷、金融、製造、科技等多個產業發揮關鍵作用，推動企業數位轉型與創新。
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
大數據與AI：人資招募智能應用實務
【大師開講】以銀行精準行銷看金融AI大數據迷思與應用
不寫程式的大數據分析師：數據分析之王-超強excel樞紐分析
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
【確認開班｜最後衝刺領６折券】第三屆－數據分析師學習營｜8/16(日)開課－3週假日線上直播課｜104獨家
AI財務力：從數字到決策的智慧應用【9/3】
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
資深經理人教你超強Excel數據力
【績效管理-入門】企業績效目標設定及評估
精選證照
考取專業證照，讓能力被市場看見
ICDL-大數據
ICDL國際認證符合現今產業趨勢，包含雲端協同作業、數位行銷、運算思維與程式設計、數據分析、專案規劃及必要之資訊安全..等能力，皆可完整學習，從而快速的應用在新技術及工作上。在全球超過100個國家的夥伴網路，以40多種語言授課認證，而財團法人電腦技能基金會(CSF)為ICDL台灣總代理。
ICDL Asia
SSE 大數據國際認證
大數據(Big Data)已成為目前全球學術單位、政府機關以及頂級企業必須認真面臨的挑戰，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，了解大數據的原理、實作、工具、應用以及未來趨勢，都將會是求學、進修、求職，深造的必須技能。在了解大數據之後，面對千變萬化的世界時，才能即時作出最適當的回應，在這科技日新月異的時代，不會輸在起跑點上。
Silicon Stone Education (SSE)
大數據與統計應用能力認證
大數據資料庫目前全世界是趨勢的發展！生活上很多事情可以用大數據資料庫來活用解決許多問題，大數據應用不僅僅統計學的範疇更多數學層面來運算。
統計學是擁有一個簡單且容易使用的計算編輯介面，讓一般使用者可以用很簡單的統計計算方式，在瀏覽器上輕鬆地完成複雜的演算撰寫。整合運算思維的統計學應用以及認證考照。
TIPCI臺灣國際專業認證學會
TQC+ Python大數據分析專業人員
為提供產業界符合新時代的專業人才，認證依照職場人才需求趨勢推動「TQC＋專業設計人才認證」，藉由嚴謹的認證職能體系架構與專業完善的考試服務，培育出符合企業職場需要的人才。
財團法人中華民國電腦技能基金會
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
商用數據應用師
「商用數據應用師」證照為企業在商用數據分析與管理應用過程所需要的人才。其扮演大數據分析、程式工具運用、商業流程理解與經營管理支援等角色。
中華企業資源規劃學會
精選貼文，掌握第一手知識
揭秘Excel 5大缺點：大數據崩潰、安全漏洞、協作困境的辦公必讀攻略
Excel作為全球廣泛使用的辦公軟體，無論是數據分析還是日常報表製作，都經常出現在工作流程中。然而，隨著數據量和協作需求的增加，Excel缺點逐漸顯現。本文將深入剖析 Excel 的五大常見缺點，包括大數據處理、協作功能、自動化能力、數據可視化選項及安全性問題，幫助你更清楚了解這些局限如何影響工作效率，並提供解決方案。
1. 大數據處理能力有限，Excel單表最多1,048,576列，大型數據集易導致系統崩潰。
例如：
分析百萬客戶數據，Excel速度緩慢甚至當機
處理年度銷售數據（超過100萬筆交易）時，公式計算變得極其緩慢
導入大型CSV文件（如氣象數據）時，Excel可能無法完全加載所有數據
2. 協作功能不足 多人同時編輯困難，版本控制複雜。
例如：
團隊共同編輯銷售報表，常發生覆蓋他人修改情況
財務部門合作製作年度預算，需要通過電子郵件來回發送文件，導致版本混亂
跨國團隊協作時，無法即時看到他人的修改，造成工作重複
3. 自動化程度低 重複性工作難以自動化，需要額外學習VBA。
例如：
每日更新庫存報表，需手動複製貼上數據
月底需要手動合併來自不同部門的報表
定期從多個數據源提取數據並整合，每次都需要手動操作
4. 數據可視化選項有限 圖表類型固定，客製化程度不高。
例如：
想製作互動式地圖圖表展示銷售分佈，Excel內建功能無法滿足
需要創建複雜的多維度圖表來分析客戶行為，Excel圖表選項不足
製作動態儀表板以實時展示公司KPI，Excel難以實現
5. 安全性問題 密碼保護脆弱，文件易被竊取或損壞。
例如：
重要財務報表僅靠Excel密碼保護，存在安全隱患
員工離職帶走包含客戶信息的Excel文件，公司無法追蹤或遠程刪除
Excel文件被病毒感染，導致關鍵數據損壞且無法恢復
✅結語：
雖然Excel缺點明顯，但認識這些局限後，你可以更明智地選擇適合的工具和方法來提升工作效率。學習如何突破這些限制，將能讓你的數據處理和協作能力更上一層樓，確保在職場上保持競爭力。現在就行動，善用替代方案，讓Excel成為助力，而非阻礙。
產業最佳人才樣貌為何？善用測評大數據，解鎖人才密碼-以半導體業為例
在現今職場，善用大數據分析，已是用人主管與人資精準選才的成功關鍵。為此，產學龍頭強強聯手！104資訊科技與工研院共同淬鍊出《半導體人才報告書》，結合產業視野與獨家薪資、測評數據，深度揭露市場行情、人才缺口與最搶手的熱門技能。本文將另以台灣半導體三大核心職類為範例，深入探討如何利用104人力銀行累積的測評大數據，讓您即使是首次招募半導體人才，也能輕鬆上手，精準選才。
文章導覽：
別讓人才變負債：「防守」不失分，「進攻」創高分
104測評工具：實現精準選才與高效流程
視覺化案例解析：半導體三大職務的人才密碼
不靠直覺，靠數據，鎖定最佳關鍵人才！
根據人力銀行統計，半導體業近一年來，下列三大職務中類的職缺佔比，已超過半導體業總職缺數的40%：「工程研發類人員佔23.4%」、「製程規劃類人員佔9.3%」、「軟體／工程類人員佔8.4%」。接下來，我們將說明AI時代下的「數據選才」新策略：運用104測評大數據，掌握關鍵性格與職能，精準預測人選的穩定性與績效潛力。下文以半導體三大核心職類為範例進行解析。
別讓人才變負債：「防守」不失分，「進攻」創高分
選才就像投資，首先要做的，是有效降低用錯人的風險，其次才是找到能超越公司期望的優秀人才。
掌控用錯人的風險：確保人才「穩穩留任」
買錯資產的損失頂多是投資歸零，但若用錯人，不僅可能付出高達6-7倍月薪的代價，更可能為團隊甚至公司帶來無窮的困擾。主管通常能判斷人選的專業能力，但真正難以掌握的風險，往往來自於成人後不易改變的人格特質。為此，企業常透過性格評量來有效管理這類風險。104人力銀行運用其獨特的測評大數據，分析並建立了各產業、各職務的「穩定任職常模」。透過104性格報表中的「關鍵性格及其符合門檻」與「性格適合度PR值」，您就能精準掌握人選能否穩定任職的兩大類風險。延伸閱讀：選錯人代價6-7倍月薪！找出對的人能穩穩留任，擺脫招募黑洞
找出表現超越標準的人選：衡量人才的「績效潛力」
找到能穩定任職的員工，僅是選才的「基本門檻」。更進一步的目標，是找到能夠達到甚至超越公司績效標準的人才。人資學者們普遍認為，「職能（Competency）」是預測績效的有效指標。職能是一個人完成工作或任務所需的知識、技能、態度及其他特質的綜合體。每個職務都有一套該領域從業者必須具備的「關鍵職能」，這也被稱為「職能模型」。這些關鍵能力對於達成特定工作任務和績效至關重要。簡單來說，如果求職者具備職務所需的關鍵職能，便能有良好的績效表現；反之，若缺乏任何一項關鍵職能，其績效表現可能不如預期。
104測評工具：實現精準選才與高效流程
為了幫助企業有效評量和培養人才職能以提升整體績效，104人資學院深耕人才評量工具與服務已超過20年。透過長期累積的測評大數據，並結合最新的AI與大數據分析技術，104已成功建立約三萬種各產業、各職務的「穩定任職常模」，並彙整出完整的「職能模型」。這些強大的數據和工具，讓企業在選才時能做到：
• 精準比對「穩定任職常模」：了解人選的「各關鍵性格是否皆達符合門檻」，確保其沒有任何關鍵性格過低而影響工作穩定性。接著，透過「性格適合度PR值」，您可以預測該人選在此職務的穩定任職程度。這個PR值代表著，在平均100個常模樣本中，該人選的適合度超越了多少人。
• 透視「職能常模」預測績效：了解人選的「各關鍵職能是否皆達符合門檻」，確保其沒有任何關鍵職能不足而妨礙其達成績效。然後，透過「職能勝任度PR值」，您可以預測該人選在此職務的績效表現。同樣地，這個PR值表示其績效潛力在平均100個常模樣本中超越了多少人。
透過詳細檢視104性格及職能測評報告，企業能清晰地看到人選在各項關鍵性格和職能上的優點與不足。不僅能幫助您分析人才潛在性格、找出績效瓶頸，更能作為新人面試、績效面談時設計面談問題的依據，做出更精準的決策。
視覺化案例解析：半導體三大職務的人才密碼
接下來，我們將透過同一個候選人，分別比對半導體產業三大職務中類常模（工程研發類人員、製程規劃類人員、軟體／工程類人員）的測評報告。以實例探究，如何依據關鍵性格、性格適合度、關鍵職能、職能勝任度等選才重點，來預測其是否適任。
案例一 ➤ 半導體業【工程研發類人員】
穩定任職評估： 該人選的「各關鍵性格皆達符合門檻」（關鍵性格總評為「合於標準」），確保他沒有任何關鍵性格過低會影響工作穩定性。其性格適合度高達PR86，預期在平均100個常模樣本中，其穩定性表現能超越86人，顯示他非常適合穩定任職於此職務。
預期績效評估： 影響工程研發類人員績效的關鍵職能包括：溝通協調、主動積極、分析思考、創新能力、品質導向、團隊合作。此人選的「各關鍵職能皆達符合門檻」（關鍵職能總評為「高於標準」），確保沒有任何關鍵職能不足而妨礙他達成績效。其職能勝任度更達PR97，預期在平均100個常模樣本中，其績效表現能超越97人，遠高於公司標準。
案例二 ➤ 半導體業【製程規劃類人員】
穩定任職評估： 該人選的「各關鍵性格皆達符合門檻」（關鍵性格總評為「高於標準」），確保他沒有任何關鍵性格過低會影響工作穩定性。其性格適合度為PR81，預期在平均100個常模樣本中能超越81人，顯示他能穩定任職此職務。
預期績效評估： 影響製程規劃類人員績效的關鍵職能包含：團隊合作、主動積極、分析思考、品質導向、創新能力、溝通協調。此人選的「各關鍵職能皆達符合門檻」（關鍵職能總評為「高於標準」），確保沒有任何關鍵職能不足而妨礙他達成績效。其職能勝任度高達PR97，預期在平均100個常模樣本中，其績效表現能超越97人，應能超越公司標準。
案例三 ➤ 半導體業【軟體／工程類人員】
穩定任職評估：該人選的「各關鍵性格皆達符合門檻」（關鍵性格總評為「高於標準」），確保他沒有任何關鍵性格過低會影響工作穩定性。其性格適合度為PR76，預期在平均100個常模樣本中能超越76人，顯示他足以穩定任職此職務。
預期績效評估：影響軟體／工程類人員績效的關鍵職能包括：溝通協調、分析思考、主動積極、創新能力、顧客服務、品質導向。此人選的「各關鍵職能皆達符合門檻」（關鍵職能總評為「高於標準」），確保沒有任何關鍵職能不足而妨礙他達成績效。其職能勝任度更達PR98，預期在平均100個常模樣本中，其績效表現能超越98人，表現卓越。
不靠直覺，靠數據，鎖定最佳關鍵人才！
透過上述案例分析，您可以清楚看見104建置的各產業與各職務常模，確實彙集了長期累積的測評大數據。這意味著，即使是剛接觸半導體產業的人資，也能輕鬆掌握評選人才的關鍵訣竅：
◎ 確保穩定任職：了解人選的「各關鍵性格是否皆達符合門檻」，確保「無任何關鍵性格過低，妨礙該員能穩定任職此工作」。接著透過「性格適合度PR值」來預測其穩定任職該職務的適合程度。
◎ 預測工作績效：了解人選的「各關鍵職能是否皆達符合門檻」，確保「無任何關鍵職能過低，妨礙該員能達到工作績效」。並藉由「職能勝任度PR值」來預測其在該職務上的績效表現。
邁入網路數位時代，懂得善用104測評工具及大數據，將能讓您更SMART（聰明、敏捷、精確）地幫助公司達成人才甄選目標！請先登入或註冊104測評中心會員，新客獨享▶免費體驗施測看報告，搶得各關鍵職位的最佳人才！
掌握趨勢風險與關鍵對策《半導體人才報告書》➤立即領取
更多實用文章推薦
選錯人代價6-7倍月薪！找出對的人能穩穩留任，擺脫招募黑洞
章魚、劍魚、海豚，你是哪一種？五大人格×海洋角色，秒懂人才性格職場力！
選人難題，不再靠直覺！104性格測評幫你找出潛力黑馬！
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']
「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＞
「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！
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']
為何HR急著學人資數據分析？看懂2024最新趨勢，一窺企業的潛在規劃｜【人資F.B.I.研究報告】
人資數據分析不僅越發受到企業重視，也成為HR的必修課！數據化具體能應用哪些範圍？企業當前與未來預計投入的程度又是多少？HR學習這些技能究竟有什麼好處？本文透過104人力銀行最新發布的【2024人資F.B.I.研究報告】帶你一次看。
文／《104職場力》
本文導覽
人資也要跟數字打交道？為什麼HR都在學人資數據分析？人資數據分析的定義與應用範圍善用數據=掌握優勢！HR可用數據分析幫企業做什麼？我的產業走在前端嗎？快來看「人資數據分析的現況與趨勢」近3年企業運用數據分析管理人力資源的趨勢揭開企業的喜好！公開「人資議題數據化管理的使用排行榜」把握成長機會！HR學習人資數據分析的4大優勢
人資也要跟數字打交道？為什麼HR都在學人資數據分析？
HR跟數據的關聯不是只有薪水！在數位轉型的路上，人力資源數據化比我們想像的更加重要，這段小編要來跟大家聊聊現今企業越來越重視的數據分析議題。
人資數據分析的定義與應用範圍
顧名思義是指「利用數位工具及技術蒐集、整理人力資源管理相關的數據，並進行分析與解讀」，讓企業可以更深入地了解內部人力資源的狀況和表現。
所有人資會接觸到的工作項目，包含「選、用、育、留」等，都是可以建立數據庫並解析的面向，例如：招募成果、選人方式、離職比例、福利薪資調查、教育訓練成效分析，以及員工工作滿意度調查等，都是常見的人資數據分析範圍。
想進一步了解更詳細的定義與操作內容，歡迎閱讀：「HR人資數據分析」從步驟、使用工具到10種分析面向一次懂
善用數據=掌握優勢！HR可用數據分析幫企業做什麼？
人資數據分析的用途包含：了解求職者與員工行為、優化內部人資作業流程、管理並掌握企業人力配置狀況，並制定出有效的發展策略，藉此達成「人力資源最佳化」的狀態，幫公司節省開支。
而讓數據說話的好處是，企業可以基於事實制定更精準、更有效的決策，而非僅憑主觀感覺或經驗規劃，可避免走不必要的冤枉路。因此許多企業紛紛鼓勵人自家HR投入人力資源數據分析，或尋覓相關人才，希望能獲取更大的競爭優勢。
至於企業投入的程度有多熱列？【2024人資F.B.I.研究報告】做了相關調查，小編整理部分數據結果，下一段將說明這幾年的使用趨勢，或你也可以點擊下面按鈕直接觀看報告內容。
下載2024人資F.B.I.研究報告
延伸閱讀：善用數據分析，讓HR決策品質更上一層樓
我的產業走在前端嗎？快來看「人資數據分析的現況與趨勢」
哪個產業走在數位化尖端？看數據就知道！都說企業積極投入，但具體已經到什麼程度？自家企業進度是超前還是落後？接著往下看，讓趨勢數字告訴你答案！
近3年企業運用數據分析管理人力資源的趨勢
▲企業整體現況V.S.未來使用意願
近年來，有運用數據分析進行人力資源管理的企業逐年成長，從2021年的39.1%開始，每年遞增，至2023年比例已經來到54.2%，顯示人資數據分析的熱度已逐漸擴散。
而未來有意願加入的企業比例也提升，2023年已來到65.0%，不難預測未來的使用率趨勢會持續增加。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲各規模企業使用現況V.S.未來使用意願
企業規模使用現況未來使用意願5～49人53.7%64.4%50～199人58.5%73.1%200～299人66.9%69.5%500人以上84.4%89.6%資料來源：104人力銀行【2024人資F.B.I.研究報告】
對照兩者數字可發現，不論是現今的使用率或未來的使用意願，企業使用數據分析的比例都與企業規模的大小成正比。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲各產業企業使用現況V.S.未來使用意願
從產業別的使用比例來看，由高而低依序為：一般服務業56.2%、電子資訊業56.0%、知識密集服務業54.5%、傳統製造業50.9%。但不論哪一個產業，投入人資數據化管理的比例都破5成，且未來使用意願皆破6成。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
揭開企業的喜好！公開「人資議題數據化管理的使用排行榜」
在選、用、育、留幾個階段中，企業數據使用率最多的議題是哪個？
▲排行榜前5名分析
從近年比例消長中可看到，「維持良好的員工關係」已連續3年登上「企業運用數據管理人資議題」之冠，顯示無論怎麼分配，企業對留才的重視程度都排第一。
另外「提升員工績效表現、訂定具競爭力的員工薪酬福利、訂定人才招募需求規格、教育訓練成效分析與提升、訂定僱用人員的選用標準」等，都是榜上常勝軍，只是每年排名與比例有些微變動而已。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲2023年使用率提升比例觀察
如果依照不同規模與產業類別來看，可以從2023年使用率提升的狀態來辨別這些企業當前還重視哪些議題，例如：
50人以上至199人的企業在「訂定具有吸引力的招募內容」上增加了6.4個百分點。
200人以上至499人的企業在「人才盤點與人才缺口預測」增加了17.6個百分點；另外在「訂定僱用人員的選用標準」上也提升10.6個百分點。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲未來使用意願排名
展望2024年，企業使用意願增加的部分多偏重在用才與留才。
電子資訊業與一般服務業會想運用數據進行「人才盤點與人才缺口預測」及「績優人才預測」。
傳統製造業與知識密集服務業則想運用在「教育訓練成效分析與提升」及「訂定具誘因的人才留任機制」。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
看完以上分析，是不是更能掌握企業的數據化投入方向了呢？了解趨勢不僅有助於企業評估資源分配比例，也讓HR們在工作規劃上有更精準的目標。
想看更詳細的趨勢分析，歡迎點擊下方按鈕下載完整報告。
下載2024人資F.B.I.研究報告
把握成長機會！HR學習人資數據分析的4大優勢
不論是待業中、想轉職，或是正在崗位上打拼的HR們，擁有數據分析技能，對個人或職涯發展都有諸多好處，例如：
持續學習和成長、提升個人競爭力：投入人資數據分析，可以促使HR不斷學習和成長，除了能跟上自家產業發展的步伐，同時能在競爭激烈的同業中保持競爭力，薪資也更容易UPUP！
提高規劃與決策的效率和準確性：透過數據分析，HR可以做出更加準確和有效的決策，幫助企業實現更好的組織管理與人才發展，因此容易受到老闆的重視與青睞。
未來職涯發展有更多選擇：懂得人資數據分析的HR可以涉足更廣泛的領域，例如人才管理、組織發展、業務策略等，為自己的職涯發展開拓更多可能性。
提升在團隊中的影響力與重要性：懂得人資數據分析的HR可以透過此技能與洞察結果，向老闆展現自己的價值和能力，進而提升自己在組織中的影響力與地位。
如果你對人資數據分析感興趣，歡迎看看前輩怎麼說：人資職場必備技能！前輩談數據分析與應用
想了解更多人資數據的應用趨勢，以及解決HR作業困境的實際建議嗎？歡迎點擊下方按鈕下載完整報告。
下載2024人資F.B.I.研究報告
2024《人資F.B.I.研究報告》大綱
2024觀點發現
企業徵才與留才成效
提升企業徵才力與留才力建議
人才培育趨勢
人才培育難題
人才培育難題建議
人資數位化趨勢
人資數據應用趨勢
Chapter 1 ─ F.B.I.歷年趨勢觀察
HR作業使用趨勢Function
HR作業預算規劃Budget
HR作業關鍵指標Indicator
Chapter 2 ─ HR作業困境與建議
HR作業困境概況
人才徵選難題
人才徵選建議
人才培育難題
人才培育建議
Chapter 3 ─ HR時事議題
HR數據需求
HR作業數位化
附錄 ─ 研究設計、產業分類定義
關於【2024人資F.B.I.】，還有更多精選觀點值得推薦：
企業留才拉警報！2024員工離職、新人流失問題與趨勢｜免費載【人資F.B.I.研究報告】
人才培育難題是什麼？育才都花多少錢？揭曉2024趨勢與重點｜免費載【人資F.B.I.研究報告】
大家都想上「脆」找人才？HR必讀的最新社群招募趨勢與方法！｜【人資F.B.I.研究報告】
RMN 3.0浪潮，統一、全家跨足新戰場！解析台灣零售業數位行銷產業地圖
疫情後台灣零售產業面臨原料及物流成本增加、毛利偏低、勞動成本提高……等經營挑戰，2023年約有6成零售業者已著手經營網路社群，同時發展會員經濟、導入精準行銷以及開發品牌APP，帶動數位行銷科技應用滲透率快速攀升。本文從3個面向解析台灣零售業「數位行銷軍火庫」產業地圖。
文／未來流通研究所
本文目錄：台灣零售業「數位行銷軍火庫」產業地圖（點擊可快速前往）
邁入行銷科技爆發期1. 生成式AI帶動新創企業快速成長、2024全球進入行銷科技爆發期2. 數據分析、AI／ML系統為台灣業者規劃導入TOP 2行銷科技工具廣告行銷及數據應用1. RMN 3.0世代到來，實體通路商跨足廣告媒體戰場2. 顧客數據平台（CDP）滲透率穩定成長社群CRM及商業整合1. 聊天訊息與社群平台具高滲透率優勢，即時溝通、CRM功能展開創新應用2. 整合管理及商業銷售解決方案推陳出新，一站式科技解方應對超高齡挑戰台灣零售業「數位行銷軍火庫」相關工作
疫情後台灣零售產業面臨原料&物流成本增加（59.1%）、毛利偏低（56.4%）、勞動成本提高（45.5%）、消費需求多變（42.8%）、人員短缺&流動率高（39.4%）等經營挑戰，驅動業者藉由積極的數位科技佈局以應對營運挑戰及建構競爭優勢。根據主管機關調查，2023年約有63.4%的零售業者已著手經營網路社群，發展會員經濟、導入精準行銷以及開發品牌APP的業者比例亦分別達46.4%、37.8%及25.9%，同步帶動廣告行銷、社群&顧客關係管理、商業銷售、數據應用等行銷科技應用滲透率快速攀升。在大量解決方案供應商的投入帶動下，疫情後台灣零售業數位行銷軍火庫快速成形，為零售產業帶來有助於創造低成本結構與高營運效益的科技解方。
除台灣市場外，全球行銷科技產業同樣展現豐沛成長力道。根據美國行銷科技研究機構Chiefmartec發布調查顯示，2024年全球行銷科技解決方案數量年增27.8%至14,106項，與2011年調查結果相較增長幅度達9304%，平均CAGR達41.8%。值得一提的是，推動2024年解決方案數高速成長的主因之一在於生成式AI帶來的巨大技術槓桿力，使行銷科技新創企業在過去一年間加速增長。Chiefmartec指出，過去12個月中新增產品數量逾3,000項、超過首度調查前5年內新增商品數量總和。軟體開發與部署成本的持續下降、加上大量解決方案的快速生成與多元化創新實踐，將全球行銷科技產業推進物種快速增加的「寒武紀大爆發」時期。
未來流通研究所以台灣零售業「數位行銷軍火庫」為主題，爬取關聯企業主要解決方案內容，同時搭配服務功能、代表性客戶與亮點案例進行說明，做為觀測台灣零售業數位行銷解決方案整體結構與發展走勢的分析基礎。
圖／未來流通研究所
邁入行銷科技爆發期
2024全球MarTech產品數量年增27.8%，數據分析及AI／ML系統為台灣業者規劃導入工具TOP 2
1. 生成式AI帶動新創企業快速成長、2024全球進入行銷科技爆發期
隨著各式解決方案在短期間內大量問世，「可組合性（Composability）」成為近年全球行銷科技領域的主流趨勢，加上無程式碼／低程式碼AI技術的出現，用戶藉由自然語言描述即可靈活整合各項系統、軟體或元件，創建出符合企業本身需求的自定義解決方案。調查結果顯示，不同於B2B企業高度仰賴客戶關係管理（CRM）系統與行銷自動化（MAP）／顧客互動平台（CEP）的「技術棧」組成，B2C零售企業MarTech技術棧結構分布相對平均，核心技術應用類別以顧客數據平台（26.9%）、資料倉儲（20.9%）、MAP／CEP（19.4%）以及客戶關係管理（17.9%）為主。進一步以導入技術類型區分可以看到，MAP與CRM系統為應用普及率最高的解決方案類別，佔比達88.1%及84.5%；AI／BI分析平台與數位體驗平台應用佔比亦均超過50%，分別達69.1%及53.6%。
2. 數據分析、AI／ML系統為台灣業者規劃導入TOP 2行銷科技工具
在大量Martech解決方案供應商的投入帶動下，疫情後台灣零售業數位行銷軍火庫快速成形，為零售產業帶來有助於創造出低成本結構、高營運效益的科技解方。根據未來商務發布2024 Martech企業應用趨勢調查報告顯示，多數企業對於未來一年內期望新增的行銷科技工具均已有明確需求方向，近40%的企業表示規劃導入數據分析工具，進一步鞏固數據分析相關解決方案的高滲透率與普及率優勢。計劃導入人工智慧與機器學習系統、顧客關係管理、客戶數據平台、跨通路自動化行銷平台、會員&忠誠度管理系統、聊天&客服機器人、搜尋引擎優化、內容&產品管理系統的業者比例亦均超過20%。
廣告行銷及數據應用
零售媒體網絡（RMN）3.0世代到來，顧客數據平台（CDP）滲透率穩定成長
1. RMN 3.0世代到來，實體通路商跨足廣告媒體戰場
零售媒體網絡（RMN）成為2023年後台灣廣告行銷科技領域中快速崛起的主力戰場。與傳統廣告工具不同的是，零售媒體網絡以第一方零售數據為基礎，因此擁有龐大數據資產與消費者全通路接觸點的大型零售通路企業成為此波RMN浪潮下最重要的新進參與者，包括統一超商、全家便利商店、新光三越、富邦媒體科技（momo購物網）、Pinkoi等大型零售與電商集團均陸續建構自有廣告事業體並推出標準化媒體購買版位，不僅將廣告轉化為零售本業外新的營收成長引擎與獲利來源外，也藉此與品牌端建立更加深度的合作與數據共享關係。
例如統一數網整合統一集團旗下7-ELEVEN、康是美、星巴克等上萬家通路據點以及高達1,800萬的OPENPOINT會員消費者數據，以全台實體通路最密集的會員消費生態圈為優勢基礎，於2024年推出PRESCO零售媒體服務。線上廣告投放應用通路第一手數據精準鎖定受眾並進行個人化推薦，線下則以數位家外媒體聯播網PRESCO DOOH為主（7-ELEVEN門市即覆蓋近2萬台螢幕），結合零售活動策展、場域租賃、包店、直播、展覽等方式觸及消費者、提升品牌曝光度。此外統一數網亦與擁有龐大數位生態圈的LINE合作，將OPEN!Data應用在LINE LAP平台進行網路廣告投放。
全家便利商店2023年推出Family Ads廣告與RMN服務，以促進店內交易以提升門店銷售額為目標，銷售橫跨實體店鋪電子看板、Line Beacon、直播平台以及社群媒體等管道的廣告版位。目前已有超過2,500家全家店鋪導入電子看板、裝設Line Beacon感應器的門市數量亦已超過1,000家，代表性客戶包括比比昂、台新銀行、加州葡萄、哈根達斯冰淇淋等。
除實體零售通路外，疫情期間滲透率快速攀升的外送&叫車平台亦積極針對旗下大量消費者日常飲食與生活動線數據進行活用。2024年Uber推出Uber RMN全渠道廣告平台服務，協助品牌商精準鎖定消費者並投放客製化廣告。例如針對曾使用毛孩優步或搭車前往寵物展的消費者推播寵物用品廣告；針對曾訂購速食餐點與宵夜的消費者投放茶飲與消化益生菌廣告；以及針對曾搭車前往酒吧、購買家用品或於週末或夜間時段訂購宵夜零食的消費者推播酒品廣告等；foodpanda同樣於2023年推出Panda ads零售媒體聯播網服務，將外送App、合作商家、外送商品袋、社群媒體、電子報以及外送機車車廂全數轉化為內容載體，應用線上線下實體及數位廣告形式針對活躍用戶、外送夥伴及合作商店進行精準行銷投放，構建出全新型態的廣告模式。此外，D2C整合解決方案提供商91APP亦結合旗下獨家AI模型jooii於2024年推出RMN 3.0服務，正式進軍數位廣告市場；禾多移動則推出來客行銷大聯盟（LRMN）服務，以去識別化ID整合多家媒體及電商第一方數據，透過標籤獲取用戶站外足跡並進行精準廣告投放；廣告科技公司OneAD則推出Webb韋伯多通路零售數據智能平台，做為RMN3.0的重要基礎。
2. 顧客數據平台（CDP）滲透率穩定成長
CDP近年持續整合AI／ML技術並支援更加廣泛的數據來源整合，能夠協助用戶自大量顧客數據中自動識別行為模式、預測需求並進行更精準的市場細分以及個性化推薦。加上無程式碼與低程式碼AI的出現，使業務部門能夠更加靈活且快速地應用CDP，帶動滲透率與使用實績穩定增長，做為零售企業行銷科技「技術棧」核心的優勢地位穩固。例如iKala推出的iKala CDP能夠提供顧客畫像、自動化標籤、智慧預測推薦及行銷自動化等功能。beBit旗下OmniSegment平台結合CRM與客戶體驗數據，提供商品會員分析、自動化結標、行銷策略優化等功能，代表性客戶包括天使娜拉、Versuni、茶籽堂、汪喵星球、六月初一等。
社群CRM及商業整合
社群媒體結合CRM展開創新應用，一站式科技解方應對超高齡挑戰
1. 聊天訊息與社群平台具高滲透率優勢，即時溝通、CRM功能展開創新應用
2023年台灣社群平台用戶總數達1,920萬，佔全台人口比例達80.2%，遠高於東亞地區74.0%的平均水準，若以18歲以上人口做為母體，佔比進一步增至85.0%。此外，聊天訊息與社群媒體平台佔民眾主要造訪網站／使用APP類型分別高達98.8%及95.9%。因此，活用聊天訊息&SNS平台做為品牌與消費者即時溝通、對話銷售以及客戶關係整合管理成為近年台灣行銷科技領域中相當重要的應用。
例如國民通訊軟體LINE推出LINE Biz-Solution，涵蓋LINE官方帳號解決方案、廣告解決方案、促銷工具解決方案以及CLOVA人工智慧解決方案等，提供橫跨分眾對話行銷、精準廣告投放、線上線下集點&促銷導購、通用性商業AI服務與熱點定位等功能。2023年LINE進一步推出以企業為中心的LINE企業管理平台，能夠跨品牌／跨平台／跨帳號累積及整合LINE行銷生態圈相關數據。截至2024年8月，LINE企業管理平台開啟帳號數量年增284%，導入企業類型橫跨零售通路、電商、電信、金融、遊戲等，代表性客戶包括The North Face、上山採藥、三星、昇恆昌、好房網等。
聚焦發展全通路對話式商務技術的Omnichat 2023年推出Social CDP顧客社群數據平台與Omni AI對話商務解決方案。其中Social CDP提供跨渠道數據整合、顧客輪廓分析至自動化個人行銷等解決方案，協助品牌方達成提高顧客終身價值的目標。2023年Omnichat與屈臣氏合作，於LINE官方帳號中推出e聊保健室服務，消費者可選擇鄰近門市的藥師與健康顧問進行一對一諮詢並即時獲得健康建議，屈臣氏則可藉由貼標功能更有效率地了解與紀錄客戶需求，並進一步推薦合適的商品與服務訊息。
2. 整合管理及商業銷售解決方案推陳出新，一站式科技解方應對超高齡挑戰
本次調查結果顯示，智慧開店平台商近年均陸續推出一站式技術解決方案，做為零售業數位行銷軍火庫的定位益發清晰。例如CYBERBIZ 2023年推出CYBERBIZ APP MARKET服務，整合超過90家行銷科技合作夥伴、提供包括直播購物、網紅行銷管理、AI廣告投放、會員經營、電商代營運等在內逾200項工具或服務。智慧開店平台SHOPLINE亦於2023年推出SHOPLINE擴充功能商店服務（SHOPLINE Apps Store），並於2024年推出一鍵訂閱夥伴擴充功能服務，持續強化開放生態圈策略。SHOPLINE Apps Store涵蓋約200項自主研發及第三方擴充功能，包括AI自動化行銷、網紅媒合、資安防護、數據管理等，擴充功能安裝滲透率超過70%。
總部位於東京的日商雙贏2019年來台營運，主要為中大型企業及定期訂購企業提供電商系統服務。日商雙贏推出的W2 Cloud 企業方案提供會員管理、商品排名&目標客群管理、一頁式購物商店、商店分析報告、品牌管理、SEO優化管理等超過1000項功能，能夠滿足各種規模企業需求並有助於縮減約60%的工作時數。代表性客戶包括SNIDEL、P.G.C.D.、b.ris、林久右衛門、七福釀造等知名日本企業。
瞄準超高齡社會下勞動力不足形成的挑戰，近年整合管理相關解決方案在行銷科技領域中的重要性與能見度顯著增長，除應對人員不足危機外，亦有助於提升整體營運效率及降低人為疏失。例如日本大創百貨採用鼎新電腦推出的智慧自動化收銀、BI商業智慧、電子表單系統、總部&店鋪營運管理、數據分析等全通路管理工具。長期深耕資訊服務領域的精誠資訊推出OneEC整合管理平台，提供全通路訂單彙整、商品控量、數據分析等功能，並與統一集團旗下iOPEN Mall及SHOPLINE合作提供電商賣家營運工具、網路開店試用方案、線上購物商城開店免年費等服務。
[joblist_plugin title='更多104【數位行銷】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=數位行銷' amount='3']
台灣零售業「數位行銷軍火庫」相關工作
※公司依本文出現順序排序
公司名稱工作機會統一數網看職缺全家便利商店看職缺Uber看職缺foodpanda看職缺91APP看職缺禾多移動看職缺OneAD看職缺iKala看職缺beBit看職缺LINE看職缺Omnichat看職缺CYBERBIZ看職缺SHOPLINE看職缺日商雙贏看職缺鼎新電腦看職缺精誠資訊看職缺
（原文標題：【產業地圖圖解】台灣零售業「數位行銷軍火庫」產業地圖 ）
產品經理 - 學習地圖(上)：技能養成篇
產品經理是一個融合創新、邏輯與溝通的角色。隨著數位化加速，產品思維逐漸成為組織決策的核心。從技術團隊、設計部門到商業營運，產品經理肩負整合多方資源、定義方向並推動產品落地的關鍵任務。
本篇產品經理學習地圖(上)：技能養成篇，將協助轉職者認識『從入門建構產品基礎思維』到中階『掌握用戶洞察與功能實作』，最終能『獨立推動策略規劃與跨部門協作』的相關職業技能，依循學習路徑，逐步成為具影響力的產品專案執行者！
文 /【104學習精靈】
本文目錄（點擊可快速前往）
產品經理是誰？為何成為熱門職業？ 產品經理工作內容 產品經理與相近職類比較表 為什麼選擇產品經理？ 誰適合轉職產品經理？ 掌握產品經理的核心能力：必備工具技能 x 學習路徑 x 軟技能 產品經理技能 × 學習階段 對照表格 產品經理學習地圖與路徑（搭配AI工具） 成為產品經理應具備的軟技能
產品經理是誰？為何成為熱門職業？
產品經理工作內容
產品經理（Product Manager）負責定義產品要解決的問題，並與設計、工程、行銷等部門協作推動產品從構想到落地。其核心職責包含：
需求探索：透過用戶訪談、行為數據、回饋收集等方式，洞察真實需求。
功能規劃：撰寫 PRD、制定功能優先順序、評估 MVP 可行性。
專案推進：主持日常開發流程，跨部門協調資源，確保開發進度與品質。
成果驗證：追蹤產品指標（如留存率、轉換率），進行 A/B 測試與功能優化。
策略規劃：參與產品路線圖規劃，制定中長期產品方向與營收目標。
產品經理既是產品成功的推動者，也是用戶價值的守門人。其價值在於將「使用者需求 × 商業機會 × 技術可行性」三者整合為具體可執行的產品方案。
產品經理與相近職類比較表
職位 關注重點 負責內容 常見產業 產品經理(Product Manager)使用者 + 商業價值 規劃產品功能與開發節奏 科技、電商、金融、SaaS 等 專案經理 (Project Manager) 進度與成本控制 控管時程、資源、人員配置 各類型專案導向型公司 UI/UX 設計師 使用者體驗 介面設計、動線、視覺規劃 軟體、行銷、遊戲、EdTech 等 資料分析師 數據洞察 分析用戶行為、產品數據、A/B 測試 金融、零售、科技、行銷
為什麼選擇產品經理？
📈 發展潛力大｜未來產業的中樞角色
不論是新創公司還是科技巨頭，產品導向已成為企業競爭的關鍵思維。
有產品就有需求，有需求就需要 PM——從 AI、SaaS、電商到 FinTech，每個行業都需要懂得「整合價值」的人。
企業不再只需要「能執行的專業者」，而是需要「能定義方向、驅動成長」的產品領導者。
🛠️能力多元｜最全面的跨域訓練場
產品經理是一個訓練全腦能力的職業：👉 左腦要有邏輯與分析能力（數據、商業）👉 右腦要能發想與感知使用者（設計、體驗）👉 兩者還要能與技術部門深度協作（開發、工程）
在角色中將學會「如何說服利害關係人」「如何觀察用戶行為」「如何評估一個功能是否值得投資」，這些都是未來每一份高階職位都會需要的綜合實力。
🚀 成長彈性高｜跨域轉換與職涯彈跳力強
PM 的角色可以橫跨不同產業與職能，時常需要與工程或設計專業職能有效通協作。是「所有關鍵決策職位的預備場」。
許多優秀的 PM 在職涯中轉職為：
創業者（Founder / Co-founder）
使用者體驗設計師（UX Designer）
數據分析師（Product Data Analyst）
成為產品主管、策略顧問，甚至進入 CPO、COO 等管理層
誰適合轉職產品經理？
🎓 1. 無產品背景但熱愛創新、解決問題者
你喜歡觀察生活問題、總是腦中浮現「這東西為什麼不能這樣改？」
從 side project 開始，就是最好的敲門磚。
無需程式背景，只要有邏輯、有使用者觀點，PM 是歡迎非典型背景者的職位。
💻 2. 工程師背景者
想脫離單純執行任務的角色，希望參與更多「要做什麼」的決策討論
PM 是讓工程師走向策略與產品領導的黃金道路。
技術理解力會讓你在 PM 角色上如虎添翼。
🎨 3. 設計師 / UX 專業者
有同理心、有用戶感知力的設計師，適合轉向更有產品話語權的角色。
讓你從 UI/UX 執行者，變成「產品體驗的主導者」。
許多產品團隊喜歡擁有設計底子的 PM，因為他們更懂體驗與細節。
📢 4. 商業 / 行銷 / 業務人員
熟悉市場與用戶痛點，對產品的商業價值有敏銳觀察
補足產品開發語言與邏輯，就能駕馭市場與產品之間的橋樑位置。
掌握產品經理的核心能力：必備工具技能 x 學習路徑 x 軟技能
產品經理技能 × 學習階段 對照表格
🧩 產品規劃與需求管理 📊 數據分析與驗證能力 🎨 戶體驗與設計思維 🤝跨部門協作與專案推進 基礎 - 撰寫 User Story、建立 Persona - 初步撰寫 PRD、功能清單 - 認識基本產品指標（DAU、MAU、CTR） - 初步理解 A/B 測試、使用 Google Analytics - 繪製使用者旅程圖、UX Flow - 使用 Figma 建立簡易原型 - 熟悉 Notion / Trello 等任務管理工具 - 學習基本會議記錄與任務追蹤方式 核心 - MVP 規劃、功能優先排序（RICE、Kano） - 撰寫完整 PRD、維護 Roadmap - 使用 Mixpanel / Amplitude 追蹤行為流 - 設計驗證機制（Cohort、Retention、轉換率分析） - 熟悉設計思考流程（Design Thinking） - 與設計師協作建立 Wireframe 與可用性測試 - 使用 Jira / Asana 進行敏捷開發任務管理 - 主持 Stand-up / Sprint Review / Retro 會議 進階 - 多模組產品整合與平台化思維 - 建立產品 KPI 指標並追蹤成效 - 設計數據導向決策邏輯 - 與資料分析師共構儀表板、做策略調整 - 優化使用者體驗，結合數據與測試結果反覆調整設計- 規劃用戶測試場景、引導焦點訪談 - 建立跨部門溝通 SOP 與產品知識共享 Wiki - 作為 PM Leader 引導 Junior PM、推進跨部門專案 認證 - CSPO（Scrum Product Owner）- Pragmatic PM 認證 - Google Analytics 證照- Mixpanel / Looker Studio 認證 - Google UX Design 認證- Nielsen Norman UX 課程 - PMP 專案管理師- CSM（Scrum Master 認證）
產品經理學習地圖與路徑（搭配AI工具）
🟢 第一階段：新手 PM 入門（0～6 個月）
✅ 目標：建立基礎產品思維與跨部門語言，從具體產出中培養使用者理解與任務邏輯。
📌 學習內容：
【產品市場機會】：初步理解產品與市場的關係（例如：Who / Why）
【找出使用者需求】：撰寫 User Story、建立 Persona、使用者旅程圖
【設計思考】：練習 Wireframe / Wireflow 製作，視覺化想法
撰寫簡易 PRD：說明做什麼與為什麼
學會製作 UAT（功能性測試 / 反向測試等）
建立會議紀錄與議題追蹤清單，強化任務邏輯與流程觀
📌 AI 工具應用：
ChatGPT / Claude：生成 User Story、用戶情境模擬
Uizard / Figma AI：快速建立原型畫面與 Wireframe
Notion AI：整理任務、產出會議紀錄與需求清單
📌 備選學習：
學習基礎專案管理（甘特圖、排程、進度跟催）
練習回報 bug 與測試報告，建立與工程團隊語言
閱讀《Inspired》、《Lean UX》理解產品角色的多重任務
[course_plugin title='產品經理入門課程' keyword='PM產品經理｜入門致勝攻略：打造最強怪物新人的實戰課｜104獨家線上課' amount=1]
🟡 第二階段：中階 PM 成長（6～18 個月）
✅ 目標：獨立負責一個產品模組，深化市場洞察與優先排序邏輯，開始建立產品成果思維。
📌 學習內容：
【產品市場機會】：進行競品研究、定位圖、SWOT 分析
【使用者需求】：進階訪談技巧、使用者回饋整理、Cohort 分析
【提出解決方案】：撰寫完整 PRD、定義功能 MVP、排定開發優先順序（RICE、Kano）
【產品企劃框架】：建立產品 Roadmap，依驗證結果動態調整
專案協調與跨部門簡報報告
主持 Scrum、Sprint Review 等會議，培養團隊推進力
📌 AI 工具應用：
Miro AI：協助需求 Mapping、建立 Feature Map
Amplitude / Mixpanel + AI plugins：用於用戶行為與留存分析
Jira AI / Linear AI：協助排程與任務追蹤自動化
ChatGPT：產出會議簡報、功能拆解與優先順序建議
📌 備選學習：
與工程師深度對話 API 邏輯與限制（建立技術思維）
學習使用 A/B 測試平台與分析資料結果
與設計師協作，規劃 Usability Test 測試流程
[course_plugin title='資料分析相關課程' keyword='用AI+Google Sheet建立自動化工具，打造你的業績成長引擎｜104獨家' amount=1]
🔴 第三階段：資深 PM 精進（18～36 個月）
✅ 目標：制定產品策略與願景、帶領多模組團隊與跨部門合作，具備從數據到決策的整體能力。
📌 學習內容：
【產品企劃框架】：建立成果導向型 Roadmap，結合營運目標與客戶反饋
【有效提案法】：提案簡報、策略 Buy-in、利益關係人對齊溝通（尤其是非 PM 部門）
【提出解決方案】：設計產品 KPI（DAU、留存、LTV、NSM）
【產品驗證與迭代】：產品指標監控 → 分析迭代邏輯 → 反饋進 Roadmap
建立跨部門合作 SOP、主持策略規劃會議
設計產品願景，指導 Junior PM 並進行 Mentor / Review
📌 AI 工具應用：
Power BI / Looker Studio + GPT Plugin：產出決策儀表板、進行策略預測模擬
Notion AI：整理策略紀錄、文件管理、產品 Wiki 協作
ChatGPT / Claude：撰寫產品願景草案、跨部門溝通稿
Suno / Gamma AI：製作產品簡報、提案影片輔助
📌 備選學習：
學習產品組合管理（Product Portfolio）
熟悉商業模型設計與利潤預測（可使用 Business Model Canvas）
進階使用 AI 作為產品功能的一環（如設計 AI Prompt 功能、智能推薦引擎）
[course_plugin title='產品經理實戰課程' keyword='第7屆產品經理學習營' amount=2]
成為產品經理應具備的軟技能
產品經理的成功關鍵往往不在工具，而在於這些關鍵軟實力的「日常實踐力」：
溝通協調能力
與設計、工程、商業部門建立共識
化繁為簡、拆解問題並說服他人
優先排序與決策力
在時間與資源有限下做出取捨
擁有面對模糊需求時的清晰邏輯
系統性思考能力
看見整體產品架構與模組邏輯
能理解「做這件事對誰有價值？」
同理心與觀察力
從用戶視角出發洞察潛在問題
不被表層需求誤導
學習力與適應力
快速吸收新工具、新領域知識（如 AI、資料分析）
面對變動保持彈性與專業判斷
繼續閱讀 【產品經理 - 學習地圖(下)：職涯精進篇】
[joblist_plugin title='更多104【產品經理】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=產品經理&mode=s&page=1' amount='3']
延伸閱讀：
PM「產品經理」和「專案經理」差在哪？盤點工作內容及PM技能樹
PM工作內容做什麼？產品企劃／產品經理薪資待遇、履歷面試總整理｜精選工作機會
PM意思有不只3種可能！為何PM工作職缺只會愈來愈多？哪種PM最熱門？
轉職PM不撞牆！從0學會提案，產品經理學習營揭3大挑戰｜商業思維學院
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
跨產業搶才大戰來了！企業如何防範關鍵員工悄悄跳槽？【企業實例】
文／104 人資學院
隨著AI人才需求激增，軟體業面臨人才爭奪戰，尤其已有工作經驗的AI人才更為珍貴。為防範員工悄悄跳槽，企業可以透過兩大策略應對：一是建立科學化的員工滿意度調查系統，及早掌握問題並採取預防措施；二是強化雇主品牌，讓員工清楚了解企業相較於競爭者的優勢。本文將分享由104人資學院資深專任顧問黃愛Lilian主講的「留住敬業好人才—員工滿意度與敬業度調查」講座中的企業實例，解析某500人員工規模的軟體業公司調查報告，並探討如何利用調查結果提出實質的建議改善計劃。
本文導覽
建立科學化的調查系統1. 有效填答率過低，報告結果有疑慮2. 診斷後紅字要列為追蹤議題3. 沒紅字不代表沒問題，每個指標都要近看細節4. 進行產業比對才知道企業真實的競爭力5. 對組織滿意員工不一定會留下來，員工敬業分數不可忽視對內強化雇主品牌104員工滿意度調查，節省50% HR時間成本
隨著半導體技術的加持，AI人才需求愈加供不應求，軟體業紛紛祭出各種招數，如校園講座、半導體學長姐職涯輔導等方式，積極搶奪關鍵AI人才。然而，對於已擁有AI技術的公司而言，經驗豐富的AI人才更是無價之寶。這使得企業在內部人員管理上，面臨更大風險：如何有效防範挖角行為，並保障關鍵人才的留任？
企業該如何防範員工悄悄跳槽呢？一、建立科學化的調查系統，透過定期調查員工滿意度掌握潛在問題並採取預防措施；二、對內強化雇主品牌，透過調查外部競業現況，讓員工清楚企業相較於其他公司的獨特優勢。
以下我們將分享某間員工數500人以上的軟體及網路相關企業的員工滿意度調查報告，與大家探討如何利用該報告預測潛在問題，制定有效的人力資源計劃。
建立科學化的調查系統
從調查結果（圖一）顯示，有效填答率為71%，整體成績PR為55（在100間企業中排名前55），價值認同PR為62，努力承諾PR為56，留職意願PR為52。當我們收到報告時，下面五點必須注意:
圖一、500人軟體及網路相關企業的員工滿意度調查報告
1. 有效填答率過低，報告結果有疑慮有效填答率過低可能使調查結果不夠全面或是存在偏差，企業應該積極提高填答覆蓋率。以下是幾個提高調查覆蓋率的常見方法：(1) 明確目的及重要性：在問卷說明中清楚闡明調查目的，讓員工理解他們的參與將影響公司福利改善及政策決策。(2) 承諾匿名填答：強調問卷的匿名性和保密性，讓員工理解調查結果不會影響績效發展等後果。(3) 主管主動示範：讓主管先進行填答成為表率，並對同仁宣達，主管過去即使對企業有不滿之處，誠實作答後仍不影響他繼續留任。(4) 回饋及行動方案：調查時即公開後續回饋時間，讓員工可以知道填答結果，以及公司後續的回應。
2.診斷後紅字要列為追蹤議題在104員工滿意度調查系統中，成績分為兩大項：組織分數與員工敬業度分數。組織分數涵蓋主管、同事、工作、發展、薪酬、企業文化、永續經營等方面，而員工敬業度則包括價值認同、努力承諾、留職意願等指標。當PR分數低於50時，該項目將被標註為紅字，這代表該領域存在明顯的管理問題，就像個人健檢中的紅字項目一樣，這些低分項目應被列為追蹤議題，並進行深入分析。
以圖一為例，我們可以看到「主管」分數被列為紅字，而在系統上也有「應該安排主管上管理課程」等建議，因此企業應該針對為什麼低分進行詳細的原因剖析，並制定具體的改善措施。詳細的原因剖析可以透過交叉比對，或是在系統中點選該項目，系統也有提供中向度的指標和員工的具體回饋來讓企業瞭解。（圖二）
圖二、員工滿意度調查報告中「主管」項指標
從圖二中可見，員工對於「主管溝通」、「主管整體」、「團隊建立」、「工作指導」等項目給予低分，表示企業需要加強主管這些領域的能力。企業應該針對這些問題制定具體的行動計劃（圖二橘色表格），例如提供相關的主管培訓課程、提高主管的溝通技巧和團隊建設能力，並定期追蹤進展，確保改善措施的有效落實。
而且104員工滿意度調查系統非常貼心地在需要補強的項目後方，提供了相應的技能訓練線上課程路徑。HR可以直接透過系統中的連結，快速引導主管進行後續的培訓和測驗，幫助他們提升管理能力。加速企業後續的採購、備課、測驗的時間，也確保課程與職能間的針對性和有效性。
3.沒紅字不代表沒問題，每個指標都要近看細節即使在104員工滿意度調查中，大項目的總體成績沒有出現紅字，也不代表該領域就完全沒有改善空間。HR和管理層仍然應該進一步深入查看細節，了解項目中的具體反饋和潛在問題。例如圖三中「工作」項的整體PR為54，雖然總體分數不低，但在細項中，「工作成就感」的PR卻為47，這明顯低於整體分數。這表示縱使員工對工作的整體滿意度較高，但在工作成就感方面仍有改善空間。
這種細節問題可能在總體分數中被掩蓋，但可能是影響員工留任和敬業度的關鍵因素。例如對於軟體工程師來說，性格中普遍包含發掘問題、解決問題以及追求技術進步等特徵。當企業內部產品已經穩定，或是在開發過程中僅重視快速交付而忽略了技術的深入打磨和成熟時，可能會對工程師的成就感產生影響。當工作缺乏挑戰性或無法帶來突破時，工程師可能會覺得工作缺乏價值和意義，進而影響他們的留任意願。
圖三、員工滿意度調查報告中「工作」項指標
4.進行產業比對才知道企業真實的競爭力在資源有限的情況下，當企業發現員工滿意度各方面均未達理想時，應如何優先著手改善？此時進行產業比對，能幫助企業清楚瞭解自身的招募競爭力，發現與同行相比存在的劣勢，以及在哪些領域有競爭優勢。
例如，如果發現企業在薪酬、發展機會或企業文化方面的分數低於同行業的標準，這意味著公司在吸引或留任關鍵人才時處於不利位置。企業應該優先改善與競爭對手相比的劣勢，例如提升薪酬福利、改善薪酬結構，或是透過其他制度上的優勢（遠端工作、彈性上下班等）增加人才吸引力和員工留任力。
本文中的企業剛好沒有低於產業平均項的危險指標需要改善。當貴公司與本文企業相同時，我們建議再參考系統提供的盲點項（圖四），加入後續改善計畫（圖四橘色表格），但如果已有危險項目應優先處理危險項。
圖四、員工滿意度調查「盲點」項指標
5.對組織滿意員工不一定會留下來，員工敬業分數不可忽視即便員工對組織的工作環境、薪酬或企業文化等方面滿意，這並不保證他們會長期留在公司。員工的敬業度（價值認同、努力承諾、留職意願）指標，對其留任具有直接影響（由於是調查員工「意願」）。若員工缺乏對企業價值觀的認同、感受不到想要努力工作的意願等，即便其他條件再好，他們的流失風險也很高。因此企業應關注這些敬業度指標，制定有針對性的改善措施、經營雇主品牌，提升員工對企業使命和願景的認同。
對內強化雇主品牌
在進行員工滿意度調查時，企業除了關注需改善的項目，往往忽略了發掘和強化自身的「優勢」。實際上，這些優勢若能有效放大，不僅能提升員工的滿意度，還能增強雇主品牌。
舉例來說，若員工對「發展」項目的滿意度較高，企業應該加大這方面的宣導力度。在內部公告欄中定期更新發展機會及成效，讓員工瞭解自己可以透過哪些管道提升專業技能，並激勵員工自主分享自己使用這些資源後的心得或成功案例。這樣不僅能鼓勵更多員工使用這些資源，提升員工技術力、加深員工敬業度中對工作努力承諾的指標，還能塑造內部分享的環境，更貼合企業積極向上、熱於分享的的企業文化。
另外透過產業比對分析（圖五）後，若發現企業在某些領域的PR分數優於競業，更該將這些優勢進行宣傳，例如將分數放在職缺頁，或是在轉職潮的月份提醒員工：「企業的工作環境表現並不差」。舉個例子，若企業在員工「發展」方面優於同行，管理層可以專門訪問該團隊或部門，請他們分享成功的經驗與做法，將這些正面的聲音與實踐素材進一步行銷，使之成為企業的雇主品牌的一部分，進而提升員工對企業的認同感與忠誠度，也有助於避免員工因為外部誘惑而產生跳槽念頭。
圖五之一、員工滿意度調查中優勢、劣勢成績
圖五之二、員工滿意度調查中優勢放在職缺頁範例
除了分數本身可以作為雇主品牌使用的武器外，組織想要進行調查的「誠意」和「決心」也很重要。如果企業在進行員工滿意度調查前，能夠承諾這不僅僅是一份「做做樣子」的問卷，而是會根據結果採取具體的改善措施，並在調查結束後對內公布成效，這樣的透明度作法和誠意能增強員工的信任感。但還是要提醒企業調查固然重要，但比起年年進行調查，員工更在意的是調查背後是否有行動。
104員工滿意度調查，節省50% HR時間成本
進行員工滿意度調查並不是一項輕鬆的任務，從設計問卷、推動填答、整理分析結果、提出改善計劃，到後續追蹤改善成效、行銷利用等，都需要HR投入大量的精力與時間。如果想要節省50%的人力即可完成滿意度調查的話，104不僅提供全面的員工滿意度調查系統，幫助企業輕鬆完成這些繁瑣的步驟，還能與專業的顧問團隊合作，根據調查結果，提供進一步分析，以及改善措施和追蹤成效之作法建議。畢竟，在面對如此多需要改善的議題時，最難的往往是如何排序、如何實踐，哪些問題會直接影響員工留任、影響組織生產力。如果您從未使用過104員工滿意度調查系統，歡迎與我們聯繫申請免費試用的機會。我們的顧問團隊將協助您深入分析調查結果，制定有效的人力資源計劃，幫助您的企業在軟體業的人才競爭中展現出企業的招募留才實力。
>> 最受軟體業青睞的員工滿意度調查系統：104員工滿意度調查系統
好的報告不能缺少這項「關鍵要素」！工作報告兩大類別重點解析
一份好的工作報告能幫助你精準傳遞資訊，但許多人卻經常忽略關鍵要素「數字」。為什麼報告一定要用數字？究竟如何讓你的報告更具說服力？本文節錄自《解決問題快10倍的數字工作法》，解析工作報告的兩大類型，並分享讓報告更具說服力的數字思維！
文／盧泫兌
週五10:00A工廠的意外狀況報告雖然是臨時提交，但有些部分好像還可以再完善。我覺得已經做得很好了。這是緊急報告，能準確傳達當前情況就已經很有價值了。而且能在短時間內整理出意外規模和受損情況的數據，真的很不簡單。不過還是有些遺憾。如果能補充對狀況的持續監控及後續處理進展，報告就會更加完善。
只要有職場經驗的人，應該都深刻體會過報告的重要性。一份出色的報告能滿足所有需求，但拙劣的報告卻可能製造原本不存在的問題，甚至讓主管不安到坐立難安。為什麼報告這麼難做呢？
根據字典定義，報告是「向他人告知事情的結果或狀況」。雖然這個定義看似有些抽象，但只要將報告簡化為「向主管傳遞所有與工作相關的資訊」就容易理解了。甚至像是因病無法上班，向公司請假也是一種報告。
然而，報告的定義中缺少了一個關鍵要素，那就是「How to」，也就是「如何傳遞這些資訊的方式」。如果將「How to」納入考量，重新定義報告，可以歸納出以下的結論。
報告的定義
我們所知悉的報告我們應該做的報告What事情的結果與狀況Who主管與同事When狀況報告－（即時、期限內）結果報告－成果報告How to-用數字來傳達或解釋報告
在將近20年的職場生涯中，我做過無數次報告，即使到了現在，仍然每天都要進行。而這些報告的核心始終如一，那就是「數字」。如果一份報告中缺少數字，或者對數字的解釋和邏輯不足，即便其他內容再怎麼完善，也難免會被要求重新確認後再次報告。請記住，報告的本質在於用數字清晰地呈現事情的結果或狀況，並能夠讓對方充分理解這些數字的意義。
為什麼報告一定要用數字？原因在於，每個人在工作中使用的語言和解讀方式都有所不同，也就是說，每個人會根據自身的思維框架去理解對方的話語。而在純粹依靠語言交流的報告中，溝通誤解的風險自然就會提高。
如果你已經透過工作經驗，充分了解主管和同事的溝通習慣，或許能準確捕捉他們的語言重點。但如果你在有限的時間內無法做到這一點，那麼使用明確、直觀的數字來進行報告，就成了不可或缺的方法。
以下舉例說明，假設報告中以「困難」、「很難」或「不可能」等模糊詞彙來描述，若改以數字表達，其內容將變得更具體明確，修改後的結果如下：
達成目標有一定難度。→目前距離目標還差30％
按照現在的情況，幾乎不可能達成目標。→距離目標營業額還差15億韓元。若要100％達標，接下來每個月至少需要達成5億韓元的營業額。
因為銷售狀況不如預期，很難達標。→距離目標銷售量還差2,500個
工作報告的兩大類別
依照目的不同，工作報告可以分為兩類：一類是「緊急通報」，另一類是「計畫報告」。
緊急通報：突發事件、事故或無法預測的狀況
緊急通報通常針對突發的事件、事故或不可預測的狀況，要求快速傳遞核心資訊。例如，假設某工廠發生火災，若因追求完美的報告內容，花時間整理起火原因、分析詳細數據或提出防範對策，工廠可能在這期間就已燒毀殆盡。在這種情況下，「迅速」才是通報的核心，最重要的是用最少的資訊快速回報當前狀況。然而，追求快速並不代表可以省略數據支撐。
即使是緊急通報，也需要包含一些關鍵數字，例如：是否有人員傷亡？火災規模有多大？火勢大約需要多久才能撲滅？這些可以立即掌握的數據，哪怕簡單，也應列入報告，以解答主管的疑問並協助決策。
計畫報告：公司內的日常報告
計畫報告則涵蓋了公司內大部分的日常報告類型，包括預測、分析、業績、應對方案等內容。這類報告的核心重點在於「準確」和「邏輯」。
在公司中，經常需要透過報告來分享進度或匯報成果。例如，假設收到指示要評估某項業務的可行性，或預測某產品的銷售與生產量，在收到指示時，通常也會被告知報告完成的期限。此時，比起快速完成，準確的數據和合理的邏輯才是計畫報告的關鍵。計畫報告需要提出精準的數據，並透過清晰的邏輯進行詳細解釋。
為了提升計畫報告的品質，建議回顧STEP1，檢視自己是否已經建立起良好的數字思考力，這將成為計畫報告成功的基礎。
節錄自：采實文化《解決問題快10倍的數字工作法：韓國三星經理教你4步驟用數據思考，從企劃、分析、決策到報告都事半功倍，獲得賞識和成就感》／盧泫兌 著
推薦閱讀：
你的KPI是什麼？工作也要像背九九乘法，2招牢記「關鍵指標」重要數字
寫工作報告，別只想當「好孩子」！掌握「2個要領」寫出主管想看的
亞馬遜開會為何禁用PPT？貝佐斯談「6頁報告」如何提升效率
有任何收穫或想分享的，都來和大家一起聊聊吧！