AI 零售營收洞察｜從銷售數據挖掘高獲利成長策略
104學習
數據挖掘
指從大量資料中，透過統計分析、機器學習等方法，找出有價值的模式、趨勢或關聯，幫助企業做出更精準的決策。這項技能能提升業務效率、優化行銷策略、降低風險，並創造新的商業機會，是現代數位轉型不可或缺的核心能力。擁有這項能力，能讓你在數據驅動的職場中更具競爭力。
提升你的實力，朝專業更進一步
精選課程
充實自己，讓能力持續成長
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
AI財務力：從數字到決策的智慧應用【9/3】
【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
資深經理人教你超強Excel數據力
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
專為HR設計的：Excel招募數據分析
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
AI快速完成專業簡報
成為 AI 科學家｜資料探勘速成攻略，輕鬆駕馭資料分析與實務應用
精選證照
考取專業證照，讓能力被市場看見
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
網頁資料擷取與分析 Python
在數據分析領域及資料科學中，Python榮登最受學界、業界以及開源軟體界中最受歡迎的程式語言第一名。Python強項在於語句少而簡潔，高開發效率與高生產力，幫助開發者可以專注在解決問題上，用途廣泛，使用者來自各個領域。在物聯網興起的時代，大數據資料需要經由數據分析，進而找出資料能提供的資訊。Python具有豐富強大的程式庫，能高彈性運用Python的各項套件模組，進行數據資料演算，以幫助企業降低成本、挖掘出資料庫中的各類商機，做為後續的智慧應用資料依據。
財團法人中華民國電腦技能基金會
SSE Statistical Knowledge Today國際認證
統計學是一門可以應用到各行各業的實用科學。不論是人文、教育、社會、商業、管理，工程或者醫藥等等領域，都經常需要使用到它作為決策的依據。若能夠熟練並掌握統計學的思維邏輯，必能在各行各業中有更突出的表現。Silicon Stone Education國際認證機構有鑑於此，特別推出此與生活應用相關的統計學測驗，透過淺顯易懂的方式讓你輕易掌握重點，並融會貫通有關的統計知識。
Silicon Stone Education (SSE)
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
網頁資料擷取與分析 R
R證照主要驗證持有者在統計分析與資料科學領域運用R語言的能力，涵蓋資料整理、視覺化、統計建模及報告撰寫等技能。此證照適合數據分析師、資料科學家及相關從業人員，有助提升專業競爭力與職場表現。透過考試評估考生對R語言語法及應用技巧的掌握，並強調實務操作能力，廣泛應用於金融、科技、醫療及行銷等產業，成為推動數據驅動決策的重要工具。
財團法人中華民國電腦技能基金會
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
「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！
五大核心產品管理知識，幫助你成功轉型！(下) 數據分析、商業策略模式等要知道
當你想成為產品經理時，深入掌握產品管理的核心知識至關重要，上次介紹了五個，這篇將介紹其他五個關鍵知識， 數據分析與指標設置、商業策略與商業模式、跨部門協作與溝通、技術基礎知識、產品路線圖規劃，這些可以幫助你更全面地理解並應用這些概念：
6. 數據分析與指標設置（Data Analysis & Metrics）
數據分析是產品管理中做出數據驅動決策的基礎。這包括：
𖡡 數據收集：工具：使用Google Analytics、Mixpanel、Hotjar等工具收集用戶行為數據。
𖡡 數據分析：
- 方法：應用描述性分析、診斷性分析、預測性分析來理解數據背後的趨勢和模式。
- 技能：掌握SQL、Python等數據分析語言，提升數據處理和分析能力。
𖡡 指標設置：
- 關鍵績效指標（KPIs）：如活躍用戶數（DAU/MAU）、轉化率、留存率、客戶終身價值（CLV）等。
- 目標設定：根據業務目標設置具體的指標目標，並持續監測和優化。
𖡡 數據可視化：工具：使用Tableau、Power BI等工具將數據轉化為易於理解的視覺化報告，幫助團隊快速做出決策。
【實踐建議】
- 學習資源：參加數據分析課程（如Coursera、Udacity的數據分析專業課程），提升數據處理和分析能力。
- 實踐：在現有專案中應用數據分析方法，從數據中提取洞察，支持產品決策。
7. 商業策略與商業模式（Business Strategy & Business Models）
理解商業策略和商業模式是確保產品能在市場中取得成功的關鍵。這包括：
𖡡 商業策略：
- 類型：成本領導（Cost Leadership）、差異化（Differentiation）、專注（Focus）等。
- 制定：根據市場環境和競爭態勢，制定適合的商業策略以提升產品競爭力。
𖡡 商業模式：
- 框架：如商業模式畫布（Business Model Canvas），涵蓋價值主張、客戶細分、渠道、收入來源等九大要素。
- 創新：探索和設計創新的商業模式，以滿足市場需求和提升收入。
𖡡 財務分析：
- 基礎：理解基本的財務指標，如收入、成本、利潤、現金流等。
- 預測：進行財務預測和分析，確保產品的商業可行性和財務健康。
【實踐建議】
- 工具：使用商業模式畫布（Business Model Canvas）來規劃和分析商業模式。
- 方法論：學習戰略管理理論（如SWOT分析、PEST分析、波特五力分析），提升商業策略制定能力。
8. 跨部門協作與溝通（Cross-functional Collaboration & Communication）
產品經理需要與不同部門和團隊緊密合作，確保產品開發和推廣的順利進行。這包括：
𖡡 跨部門協作：
- 研發團隊：協調技術開發，確保產品功能和技術實現符合需求。
- 設計團隊：合作進行用戶體驗設計，確保產品界面和交互符合用戶需求。
- 市場團隊：制定和執行市場推廣策略，提升產品知名度和市場佔有率。
- 銷售團隊：支持銷售活動，提供產品培訓和銷售資料，幫助銷售團隊達成目標。
𖡡 溝通技巧：
- 清晰表達：能夠清晰地傳達產品願景、需求和優先級，確保所有相關方對產品方向有一致的理解。
- 傾聽與反饋：積極傾聽各部門的意見和反饋，及時調整產品策略和計劃。
- 衝突管理：有效處理跨部門合作中的衝突和分歧，促進團隊協作。
𖡡 工具：
- 使用協作工具（如Slack、Microsoft Teams）來促進即時溝通。
- 使用項目管理工具（如Jira、Trello）來協調和追蹤跨部門項目進展。
【實踐建議】
- 培養情商：提升情商（EQ），增強與不同背景和職能團隊合作的能力。
- 定期會議：舉辦定期的跨部門會議，保持信息透明和協作順暢。
9. 技術基礎知識（Technical Knowledge）
產品經理不需要成為技術專家，但具備基本的技術知識有助於更有效地與技術團隊合作。這包括：
𖡡 理解技術架構：
- 基本概念：了解前端、後端、數據庫、API等技術基本概念。
- 技術棧：熟悉公司產品所使用的技術棧，理解其優勢和限制。
𖡡 開發流程：
- 版本控制：了解Git等版本控制系統的基本操作。
- 持續集成/持續部署（CI/CD）：理解CI/CD的基本原則和流程，提升與開發團隊的協作效率。
𖡡 技術溝通：
- 術語理解：掌握基本的技術術語，能夠有效地與開發人員交流需求和問題。
- 問題解決：能夠理解技術限制和挑戰，協助制定可行的產品解決方案。
【實踐建議】
- 自學資源：利用在線資源（如Codecademy、Coursera的技術基礎課程）學習基本的編程和技術知識。
- 實踐經驗：參與技術項目或與開發團隊合作，獲取實際的技術經驗。
10. 產品路線圖規劃（Product Roadmapping）
產品路線圖是產品未來發展的戰略藍圖，幫助團隊和相關方了解產品的發展方向和計劃。這包括：
𖡡 路線圖構建：
- 短期與長期目標：平衡短期的功能需求和長期的戰略目標，確保產品發展的可持續性。
- 優先級設定：根據需求的重要性和資源限制，合理安排功能和改進的優先級。
𖡡 路線圖類型：
- 目標導向路線圖（Goal-oriented roadmap）：圍繞具體的業務目標和成果來構建。
- 功能導向路線圖（Feature-oriented roadmap）：以具體的功能和特性為核心進行規劃。
𖡡 溝通與分享：
- 內部共享：與團隊和相關部門分享路線圖，確保所有人對產品發展方向有一致的理解。
- 外部溝通：根據需要向投資人、客戶等外部相關方展示產品路線圖，提升透明度和信任度。
𖡡 路線圖管理：
- 靈活調整：根據市場變化和用戶反饋，定期更新和調整產品路線圖。
- 工具使用：利用產品路線圖工具（如Aha!、ProductPlan、Roadmunk）來設計和管理路線圖。
【實踐建議】
- 定期回顧：定期回顧和更新產品路線圖，根據實際情況調整計劃。
- 協作制定：與跨部門團隊共同制定路線圖，確保各方需求和資源的平衡。
- 視覺化呈現：使用視覺化工具將路線圖呈現得清晰易懂，方便各方理解和跟進。
【總結】
每個領域都有其獨特的重要性，綜合運用這些知識能夠提升你的產品管理能力，幫助你在職業生涯中取得更大的成功。以下是一些進一步的建議：
- 持續學習：產品管理是一個不斷演變的領域，保持學習的熱情，持續更新知識。
- 實踐應用：將學到的知識應用到實際工作中，通過實踐不斷提升技能。
- 尋求反饋：積極尋求同事和上司的反饋，了解自己的不足並加以改進。
- 建立網絡：參加產品管理社群、研討會和活動，與其他產品經理交流經驗和心得。
產品經理(PM)學習數據分析的好處！強化決策依據、提早發現問題等，提升你的產品市場競爭力
當產品經理 (PM) 掌握了數據分析能力後，可以更全面、深入地應用數據來推動產品成功，數據分析技能讓 PM 不僅能回答「發生了什麼」，還能進一步探索「為什麼會發生」和「我們應該怎麼做」，大幅增強了在產品開發中的核心價值。以下是數據分析對 PM 的詳細好處說明：
1. 強化決策依據
- 客觀數據支撐決策：傳統的決策過程可能依賴經驗或直覺，但數據分析可以提供具體的數字和趨勢，幫助 PM 以更客觀的角度看待問題。例如，針對某功能是否受歡迎，分析其使用數據和留存率就能提供比用戶反饋更有力的證據。
- 快速響應市場變化：透過分析市場數據（如用戶需求變化、競爭對手行動），PM 可以在市場出現變動時更快調整產品策略，搶占先機。
2. 識別問題並發現機會
- 找出用戶痛點：PM 可以通過數據分析識別用戶的困難，例如在某些功能流程中，發現有較多用戶流失，可能意味著該功能體驗需要優化。
- 發現新功能需求：從用戶行為數據中挖掘未來的潛在需求，例如發現用戶在特定情況下會頻繁使用某些功能，可能是新功能的開發方向。
- 市場細分：數據分析能幫助 PM 更清晰地識別目標客群，並了解各類用戶群的不同需求。例如，透過行為分析找出不同用戶群對產品功能的偏好，有利於制定更具針對性的產品策略。
3. 追蹤產品成效
- KPI 和指標監控：PM 可以透過分析各種關鍵績效指標 (KPI) 來判斷產品是否達到目標，如用戶留存率、活躍度和轉化率等。這有助於 PM 對產品發展進行定期檢查，確保方向符合目標。
- 衡量改版效果：每次產品的改版或新功能上線後，PM 可以透過數據分析追蹤改變的影響，如通過 A/B 測試來確定改動是否帶來正面結果，並從數據中了解具體影響程度。
- 數據驅動迭代：透過數據得出的 insights，PM 可以不斷優化和迭代產品，提升用戶體驗。例如，針對某些低互動率的功能，PM 可以根據分析結果找到改進方法。
4. 增強與數據團隊的合作
- 更好地表達需求：當 PM 具備基礎數據分析技能後，可以更精確地描述所需的數據指標和報告形式，避免因溝通不清而浪費數據團隊的時間。
- 提升分析報告的理解力：PM 可以更輕鬆地理解數據團隊提供的分析結果，快速從數據中提取重點，將結果轉化為行動方案，而不是依賴數據專家進行翻譯。
- 減少依賴並增加自主性：具備基本的數據技能後，PM 可以自己完成簡單的數據查詢與分析，減少對數據團隊的依賴，加速產品迭代過程。
5. 提升市場競爭力
- 更全面的市場理解：數據分析不僅幫助 PM 解讀自家產品的表現，也能分析市場動向、競爭對手的策略等。例如，透過第三方數據平台（如 Similarweb 或 App Annie）獲得競品流量來源、用戶行為偏好等。
- 前瞻性預測：在掌握了用戶行為、需求變化的數據趨勢後，PM 可以做出更前瞻的產品策略規劃。例如，預測某種新興需求的增長，並搶先推出對應功能
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
如何在有限的時間內完成更多高價值的任務？專家強調，關鍵在於處理對的事情、時間箱效益最大化、以一心專用取代一心二用、從看似無止境的任務獲取價值，生產力將能大幅提高。本文為《箱型時間：高速時代的15分鐘深度專注力》書摘精選，以實證數據揭示提高效率的秘訣。
文／馬克‧曹–桑德斯
本文目錄（點擊可快速前往）
想完成更多任務，要先做對的選擇什麼是「帕金森定律」？懂運用就能多產出「箱型時間」幫你判斷能否在時限內完成「一心二用」對生產力有負面效果有意識地使用你的「零碎時間」接受「無底洞」知識工作沒有明確的盡頭
現在不流行講生產力了。近來，這個概念已被染上負面色彩，令人聯想到過度干涉的管理方式、沒完沒了的工作、對工作生活平衡和心理健康的忽視。但我仍然能夠很有把握地提出，「提高績效」依舊是重要、值得推崇的工作和生活態度，而箱型時間幫助我們辦到這點。
想完成更多任務，要先做對的選擇
如杜拉克（Drucker）所說，想要完成更多的事情，最重要的是把注意力放在對的事情上。想要把注意力放在對的事情上，就要取捨和培養這麼做的心態，不覺得疲憊、不分心，也不覺得那是苦差事。這樣一來，我們將更專注在想要和需要完成的事。如果缺乏計畫，漫不經心地過日子，我們的注意力就會被很多不重要的事給分散。
箱型時間能幫助我們完成大多數的任務，我們可以利用時間箱輕鬆辨識出哪些是需要優先處理的緊急任務。至於非緊急任務，例如學習，也可以利用時間箱指定適合的時段，這樣才不會一延再延。我們也比較有可能在尚有精力處理的時候，正面迎戰經常被有意無意避開的困難任務。至於那些看起來小到不必規劃的單一任務，則可以集合起來，等待一個時間一起處理。最後，那些沒有用處、適得其反的任務，由於不會出現在行事曆上，我們看不到，自然沒有理由去做。
我們試著來量化那些好處。若一個任務的價值可以分成1到10分；假設，當你只是見招拆招，任務平均價值為6分；再假設，當你事先訂出該做的事，任務平均價值為8分，那樣價值就提高了33%。要是我們假設80/20法則適用於知識工作，那麼提升的幅度更大。少數關鍵任務就能貢獻大部分的生產力。
什麼是「帕金森定律」？懂運用就能多產出
有句老話只要顛倒過來，就能提高生產力。雖然很多人愛拿帕金森定律開玩笑，但這條廣受認可的定律告訴我們「工作會不斷膨脹，直到填滿可用的完工時間」。如果你有30分鐘可以整理房間，你就會花30分鐘整理房間；但是如果你有60分鐘，你就會花60分鐘。帕金森定律所說的時間損失，其實和拖延有極大的關係。而箱型時間就是把握這句話的相反面：把工作壓縮到符合排定的完工時間，用比較小的時間箱，來完成相同的工作，聽起來是否很划算。
這個概念有科學研究的支持。在一項研究中，參加實驗的大學生被要求判讀4組照片。其中一隊大學生在實驗開始前被告知第4組照片取消了，但是他們使用的時間，與維持看4組照片的其他隊沒兩樣。判讀3組照片的學生依舊用完可用的時間：「只要預期下一項任務被取消或臨時多出時間，可以在手邊工作東摸摸、西摸摸，會使人大幅降低效率，付出高昂的代價。」許多研究都觀察到相同的結果。
在另外一項實驗中，受試者隨機分配到5或15分鐘，用來完成一模一樣的任務。分配到15分鐘的人，依舊以長出許多的時間完成任務。第3項研究指出，影響期末考分數的因素，有超過1/3歸咎於拖延。
「帕金森定律」運用起來當然也有限度，你是可以規定自己要在1小時內，從零開始寫出1萬字的報告，但不可能辦到。箱型時間沒那麼神奇，前面所提的研究大多是說，你可以節省1/4到一半時間。但也有研究指出，時間減少導致品質下降。2014年，有一項比較近期的研究證實了這點：「有時間壓力的學生，比沒有時間壓力的學生，平均分數低了3分。」
不管是把截止時間定遠一點以減少壓力，還是只要做到一定程度就好，聽起來都很有道理。如果單是懂得運用帕金森定律，就能多擠出1/3的產出，何樂而不為？
「箱型時間」幫你判斷能否在時限內完成
箱型時間可以把大型任務拆成方便估算和管理的小型任務，也就是說這套方法能夠幫助你看清楚龐大計畫裡的各種要素。這類大計畫包括：搬家、推出新產品、籌辦生日派對等。
它可幫助你判斷能否在可用時間內完成，還是你需要另做安排。它也幫助你確認，在時間充裕的情形下，被拆解的小任務是否都能在時限內完成。
「一心二用」對生產力有負面效果
我們在第4章提過一心二用會引起某些負面情緒，然而一心二用也對生產力造成負面效果。
其實，不太會有人真的一面寫報告、一面聊天、一面查閱消費支出、一面簡報，現代人的一心二用，多半發生在分心回應訊息通知，有了通訊軟體（如微軟Teams、Slack、電子郵件）和硬體設備（如筆電、平板電腦、智慧型手機、智慧型手錶），每天都有數不清的通知，導致我們老想查看誰傳來什麼訊息，影響到工作。
一心專用通常能幫我們完成更多事，一心二用或情境切換則會使效率降低：有一份2001年的論文指出，一心二用和情境切換會耗損40%的商業生產時間。一心二用在某些情境非常危險，像是一面開車一面傳簡訊。在美國，每年有超過3千件死亡車禍，原因就是開車不專心。而且有一些認知負荷很高（例如教孩子代數或審閱法律文件）和恢復速度遲緩的事，特別不能被干擾或是一心二用。確實有極少數的任務可以同時進行，後續會在第18章討論。但是就絕大多數的情況而言，箱型時間完全排除一心二用的可能，完整呈現一次做一件事的強大力量。
有意識地使用你的「零碎時間」
我們每天都有許多的零碎時間，像是等候公車、通勤時間、在咖啡廳等人以及會議提早結束或被取消時。大部分的人會把這些時間拿來直接滑手機，是的，看手機已是現代人最直覺化的行為，每天會花超過兩小時的時間，在手機上瀏覽社群媒體。
我們不停滑著手機，很多時候甚至未從中感受到快樂，那不是娛樂，而是上癮。零碎時間被吃掉，享受好處的不是我們，而是大型科技公司。我們失去的每一分鐘，累積成一個又一個小時，甚至更多時間。試想，假如我們能運用零碎時間去做更有價值的事，該有多好。採用箱型時間，並且有意識地使用這些零碎時間，你的一天也許能多一小時有生產力的活動時間。
接受「無底洞」知識工作沒有明確的盡頭
知識工作沒有明確的盡頭。有生產力專家建議，針對這個狀況，最好的做法是接受它和不要在意它。最常見的例子就是電子郵件：當你收到很多電子郵件，一一回覆後，就會收到更多的回信……永無止境。
這麼說並不完全正確。雖然，真的不會有最後一封電子郵件（從這角度看真的沒有止境），但是電子郵件的確替我們傳遞許多有用的資訊。雖然寄出郵件之後，收件匣的信件會變多，但是在那一陣子的電子郵件往來，到了某個時間，你的計劃終將完成，也許是生意談好了，也許是團隊成員比之前更有參與感。你當然需要管理自己的收件匣，不能讓它影響你的情緒或妨礙其他該完成的事，後續將在第11章說明如何防範。
如果能夠考量到所有相關聯的因素，包括處理對的事情、時間箱效益最大化、以一心專用取代一心二用、從看似無止境的任務獲取價值，生產力將能大幅提高。有個有趣現象，就是一個正在節食，懂得計算和控制熱量攝取的人，會比沒有在計算的人多減掉一倍的體重。用數字估算效益或許過於單純，但是如我在2018年發表的文章所說，箱型時間若運用得當，至少能提高一倍的生產力。
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：
新年目標怎麼訂？如何規劃並執行個人年度目標？ChatGPT指令快速搞定
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
拿出數據報告，老闆還是不買單？專家：讓數字有「說服力」需2大元素
雖然提交了精準的數據報告來說服老闆，但最終老闆仍選擇保留態度，這樣的報告究竟缺少了什麼呢？作者指出，要讓數字真正具有說服力，必須同時具備兩個要素：「邏輯」和「合理」，本文節錄自《解決問題快10倍的數字工作法》，傳授增加說服力的數字溝通法！
文／盧泫兌
這個月我們又達成銷售目標了！次長，按照這個成長趨勢，用不了多久，全韓國國民都會成為我們新產品的用戶了吧！你是不是想得太樂觀了？從數據來看，目前累計銷售量已經突破2,000萬件，每月平均銷量達200萬件，這樣推算的話，1年3個月後，應該就能達到這個數字了吧？雖然按這個算法是沒錯，但最近銷售成長率已經開始趨緩了。要達到5,200萬，也就是和韓國總人口數相等的銷量，還很難說。而且考慮到未來可能會有更換需求，要讓全韓國國民都使用我們的產品，應該沒那麼容易吧？
在職場上，要說服他人接受自己的觀點往往是件不易的事。這是因為在涉及利害關係時，每個人的想法、觀點和價值取向都可能不同。因此，我們需要運用數字來整理和說明複雜的情況。然而，只靠數字並不能解決所有問題。
以A麵包店為例，該店擁有2台烤箱，每台烤箱每小時能烤5個麵包。在正常情況下，烤箱每天運行10小時，能製作並銷售100個麵包。某天，原本穩定的訂單量突然增加到500個，老闆只能通知顧客麵包已經提早賣完。但這種情況並未結束，第二天、第三天的訂單量仍維持在500個左右。
起初以為這只是暫時現象，但一個月後發現，雖然訂單量有些許波動，平均仍穩定在500個左右。為了應對這樣的成長需求，店長決定說服老闆增購烤箱。那麼，應該增購幾台烤箱才合適呢？店長熟練運用數字，整理出以下分析並向老闆匯報，為決策提供依據。
烤箱增購提案●隨著訂單增加，生產量也會增加1. 每台烤箱生產量：50個（每小時生產量運作時間=5個x10小時）2. 麵包生產量現況：100個（每台烤箱生產量機器2台）3. 麵包需求量現況：500個4. 需要增加的生產量：400個請酌參前述內容後，增購烤箱。
如果要額外製作400個麵包，需要增購8台烤箱。從計算的角度來看，這個結論是正確的，因為每台烤箱每天可以製作50個麵包。然而，老闆依然猶豫不決，遲遲無法做決策。
如果訂單量減少了怎麼辦？
延長現有烤箱的運作時間，會不會更有效率呢？
延長運作時間的話，可能還需要增聘人力……
採購費用該怎麼辦？
如果是貸款，還得考慮利息問題，就算貸款，一次增購8台烤箱真的合適嗎？
即使烤箱增購到位，其他原料的供應就能完全跟得上嗎？
店長雖然提交了精準的數據報告來說服老闆，但最終老闆仍選擇保留態度。那麼，店長的報告究竟缺少了什麼呢？
要讓數字真正具有說服力，必須同時具備兩個要素：「邏輯」和「合理」，數字背後的依據是否合乎邏輯，以及檢視這些數字在現實中是否具有可行性。店長的提案雖然具備邏輯，但缺乏合理性，這正是無法說服老闆的關鍵。
即便在報告中已經善用數字來表達，卻仍無法說服對方時，就需要檢視這些數字是否缺乏邏輯或合理。接下來，我們深入探討這兩個要素的具體含義。
增加說服力的數字溝通法
邏輯烤箱一天運作10小時可以生產50個麵包，但若要增加400個麵包產量，就需要增購8台烤箱。合理就現實狀況而言，增購8台烤箱真的是最佳方案嗎？
邏輯：數字運算的依據
邏輯的核心在於「數字產出的基礎」。例如，為了製作額外的400個麵包，需要增購8台烤箱。如果主張需要9台或10台烤箱，那麼這樣的計算顯然就不符合邏輯。
邏輯建立在以下3個要素之上：
依據：如每台烤箱每小時可生產50個麵包。
推論：設備需求=需求量 ÷ 單台設備生產量。
正確的運算：計算過程無誤。
只要上述任何一項出現問題，數字就會缺乏邏輯，因此需要仔細檢查。
合理：是否符合現實
即使數字的邏輯無懈可擊，若不合理，仍然難以說服他人。合理指的是「數字是否適合用於現實情境，並具有可行性」。A麵包店的店長之所以無法說服老闆，正是因為他無法解答「增購8台烤箱是否是最現實可行的解決方案」這個疑問。
有邏輯，但不合理
B分店認為，因為今年人手不足，導致銷售表現不佳，最終未能達成目標。假設每名員工的年均銷售貢獻為5,000萬韓元，理論上只要新增10名員工，營業額便能增加5億韓元；新增20名員工，營業額則可增加10億韓元。然而，實際情況並非如此，因為產出的結果不會隨著新增的無限增加而無限提升。
人們常誤以為，邏輯正確的計算結果必然可信，進而認為這些數字能有效說服他人。然而，邏輯正確並不意味著數字就合理。如果數字不合理，往往會引來各種質疑；若無法妥善回答，還可能被認為準備不足，甚至導致負面評價。
檢查數字是否合理的最佳方法是，向自己不斷提問，先說服自己。在實際使用這些數字之前，應確認數字的計算依據，並評估其是否能在現實中實現。即便是推測數字，也應從最壞情境出發，檢視其是否華而不實，或是否可能帶來損失。這樣一來，當主管針對數字提出質疑時，就能自信從容地應對。
建議在使用數字之前，參考下表進行自我檢查。
數字自我審查表
Q1怎麼算出這個數字的？Q2這個數字是最佳解答嗎？Q3這個數字是現實中可以達成的數字嗎？Q4這個數字會不會太過浮誇呢？Q5這個數字比預期還小，這樣真的夠嗎？Q6這個數字與之前討論過的有何差別呢？
在使用數字之前，找到同時符合邏輯且合理的數字，對於說服他人至關重要。接下來，回到前文的案例，假如我是A麵包店的店長，我可能會這樣撰寫提案：
老闆，目前增加的麵包需求量只要增購8台烤箱就可以應付，但這個方案還是有幾點需要討論。首先，安裝烤箱的空間不足，即便進行空間拓展，最多也只能容納5台烤箱。此外，以現有的人力，是否能承擔增產的麵包數量也是一個問題，因此可能需要增聘人員。既然每日麵包訂單已穩定達到500個，是否可以考慮先增購3台烤箱，以5台烤箱的規模嘗試每日生產250個麵包？如果能穩定生產250個，希望您也能同步考慮是否進一步擴展製作空間，或者在附近開設分店等追加增產方案。
如果你是老闆，會因為我的建議而決定添購烤箱嗎？請試著站在店長的立場，運用邏輯與合理性，想像自己該如何說服老闆。透過這樣的練習，相信在下一次報告時，會看到更進步的自己。
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：
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
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
「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＞
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
報告有重點、有數據、有結論，為何主管就是不買單？3個誤區可能忽略了
明明資料齊全、說明完整，報告卻總是無法說服人？問題往往出在解讀方式。作者曾任貝恩顧問公司策略顧問，解析報告最常見的3個誤區：只從自身立場解讀、見樹不見林、以及硬套理論脫離現實，並整理出克服問題的3種能力，幫助從大量訊息中找出核心重點。本文節錄自《薪水翻倍的報告撰寫法》。
文／金玲瓏
本文目錄（點擊可快速前往）
報告的常見3大誤區陷阱1：侷限觀點的解讀陷阱2：見樹不見林陷阱3：脫離現實框架用錯，不如不要用避開失真陷阱，需要的3種能力
報告的常見3大誤區
到目前為止，我們已探討報告的3個要素。邏輯思維、「所以重點是什麼」與「為什麼會得出這個結論」，都是強化結構的有力工具。接下來，就讓我們一起看看，該如何巧妙運用這些工具吧。
有時，即使報告已包含所有必要要素，內容仍可能偏離主題。儘管清楚說明了該做什麼、為什麼這麼做，也加入各種數據，羅列得非常清晰，最後得出的結論卻難以引起共鳴，也缺乏說服力。這時，必須重新檢查以下3點：
侷限觀點的解讀。
見樹不見林。
脫離現實。
只要能避開以上3個陷阱，就能保證報告不會偏離主題。現在就來一同檢視這3個問題，以及該如何避開它們。
陷阱1：侷限觀點的解讀
第一個陷阱是：侷限觀點的解讀。舉例來說，A項目是公司的新事業，公司正在評估是否應持續投入資金於該事業，以及目前的經營成績。此時，負責人拿著整理好的報告說：「近期銷售增加50％，顯示已逐漸培養出忠實顧客，應該繼續經營這項事業。」
這段陳述乍聽之下相當合理，看似符合報告該有的邏輯結構。「所以重點是什麼」（繼續經營這項事業）與「為什麼會得出這個結論」（近期銷售增加50％，顯示已逐漸培養出忠實顧客）兩者均無遺漏。但這樣就能確保負責人說的正確無誤？
據了解，A項目多年來持續占用公司超過一成的資金，但銷售占比卻始終不足公司整體的1％。此外，在市場中的競爭力也不明確，最近銷售之所以成長，只是受到大型促銷活動帶動。這項事業投入的成本很多，獲利卻趨近於無，某種程度上甚至可以視為虧損。即使擁有部分忠實顧客，人數也相當有限，而且長期以來幾乎沒有新顧客。
在這樣的情況下，負責人卻表示：「A項目最近銷售表現不錯，所以應該繼續經營。」這樣的判斷，真的正確嗎？
當然，A項目負責人的發言並非毫無根據。銷售成長與擁有忠實顧客，的確是不爭的事實。只是，若從公司整體角度來看，A項目更像是花了很多錢，卻沒什麼水花的「雞肋事業」。而從負責人的立場來看，由於這是自己長期投入心力的事業，自然會希望保住它，同時也能避免因經營成果不佳而遭到批評。
越是在這樣的情況下，越需要以客觀角度看待問題。站在公司的立場，比起費心包裝A項目的業績，更希望負責人能主動指出問題，並提供替代方案。例如停止該項目，將相關資源重新投入其他核心業務，或嘗試轉向更具成長潛力的新項目。
即便是具邏輯依據的發言，也不代表一定是正確的訊息。同樣一個現象，也會因觀察角度、評斷標準與解讀方式不同，而產生截然不同的結論。隨著邏輯結構的差異，最終呈現出的訊息，可能偏向個人立場，也可能真正符合整體利益。
陷阱2：見樹不見林
偏離主題的第二個原因就是見樹不見林。有一天，負責線上服務的主管發現一項異常數據──使用B服務的人數突然下降20％，他立刻慌張的向上回報：「B服務的使用人數下滑20％，必須立刻改善該服務。」
這項提案中，「所以重點是什麼」（立即改善B服務）與「為什麼會得出這個結論」（B服務的使用人數下滑20％）看似都交代清楚了。但問題是，只要改善B服務就夠了嗎？
在急著下結論之前，不妨先檢視整體狀況。仔細查閱後會發現，不只是B服務，連帶C服務與D服務的使用人數，也都下降20％。
換句話說，最近使用整體服務的人數下降20％，因此各項服務的使用人數也因此受到影響。既然如此，難道能說問題出在B服務嗎？眼下最該做的，真的是改善B功能嗎？
在改善B服務之前，應該先釐清為何整體使用人數銳減，並確認是否能採取措施，挽回這些使用者。
工作中很常出現類似情況──忽略整體脈絡，僅憑一、兩項數據就急著判斷並下結論。即使是再聰明的人，也可能掉入這種陷阱。因此，為了避免這種錯誤，應該在解讀問題與分析情況時，不斷反問自己：「我是否忽略了整體？」、「是否有遺漏的地方？」
除此之外，我們再來看看行銷組長C的案例。某天，C突然發現這個月訪客人數暴跌了30％。驚慌之下，他立刻提出以下提案：「這個月的訪客人數暴跌了30％，必須盡快增加行銷預算。」
這個提案看起來也十分合理。增加行銷預算，的確可能帶動使用者成長。「所以重點是什麼」（立即增加行銷預算）與「為什麼會得出這個結論」（訪客人數暴跌30％），這兩個部分，也都交代清楚。
倘若此時擴大範圍檢視數據，又會發現什麼？真正該做的應該是在急著追加行銷預算前，先回頭檢視過去兩年的整體趨勢，而非只盯著最近這兩個月的數據。只要仔細查看就能發現，這個公司因為事業屬性的關係，某些季節使用者會增加，反之則會下降。由此可知，現在的數據變化，只是反映了季節波動。
由於季節因素影響，這項服務的當月訪客人數，原本就會比上個月減少約30％。若不與前一個月相比，而改與去年同期比較，會發現人數其實上升20％。既然如此，「訪客人數比上個月暴跌30％」，算是嚴重問題嗎？
雖說對企業而言，若能每月持續成長是再好不過，但像這樣季節性明顯的事業，在判斷數據時，更需要以宏觀的角度來看待。
觀察某種現象並從中獲取訊息時，必須兼顧整體與局部，以及長期趨勢與短期變化。若只關注局部現象或短期數據，可能會忽略更重要的細節，甚至導致判斷失真。
陷阱3：脫離現實
最後一個陷阱，則是脫離現實。以下是一個與多家企業合作的案例，這些合作公司原本各自經營自家工廠。然而，總部企劃負責人D卻認為：「各自運營不僅無法發揮規模經濟，也缺乏效率。」因此，他強烈主張，即使要耗費巨額資金，也應整合成一座大型綜合工廠，並表示：「蓋了大工廠後，合作公司的訂單就能統一透過總部管理，合作方也能因規模經濟獲得更大利益。」
在D看來，只要將工廠合而為一，不但能發揮規模經濟、降低成本並提高效率，也能省去經營工廠的繁瑣雜事，這份提案看起來的確不錯。關於「所以重點是什麼」（蓋一座大型綜合工廠）與「為什麼會得出這個結論」（透過規模經濟讓雙方獲利）的邏輯結構，也相當完整。
不過，這項計畫勢必要投入大額投資，總讓人覺得哪裡不太對勁。因此，團隊決定深入檢視，而後在過程中發現幾個關鍵問題。在確認合作工廠的生產流程後，發現這些製程都難以自動化。也就是說，合作工廠的產量與投入的人力成正比，並不是蓋一座大型綜合工廠就能解決的事。
另一個問題是，合作方各自負責生產的內容本就不同。只有在製程相近的情況下，才能產生協同效應，但由於產品與生產流程皆不相同，即使強行合併，也無法形成更快速、更有效率的運作模式。
此外，光是讓合作方關閉目前營運中的工廠，並將既有設備與貨物轉移至綜合工廠，就需要付出龐大成本，這本身便是一大阻礙。更何況，每個合作方早已經在工廠用地、設備等方面投入大量資金，也為了維持運營招聘不少職員，因此要讓工廠停運並不容易。
透過規模經濟改善效率、提高利潤率，是管理學常見的策略之一。但現實往往比教科書更複雜，有時甚至會與理論完全相反。不論接觸任何書籍或理論，都要時刻警惕過度套用，或認為它能適用於任何情況。若對現實缺乏足夠理解，只是一味強調理論和技巧，那麼提出的訊息表面看似合理，實際上卻可能早已偏離重點。
框架用錯，不如不要用
套用特定框架也是如此。隨着管理學發展和顧問產業興起，各種思維框架接連誕生。從大家熟悉的「SWOT分析」、「○○矩陣」，到「○○飛輪」等，在經營學書籍、教科書，以及各種部落格都隨處可見。然而，如果對現況缺乏正確理解，就貿然套用這些模板，有時可能會產生「不如不要用」的念頭。
目前許多廣為人知的框架，大多出自顧問公司。即使是曾開發過優秀框架的經營顧問，在實際工作時，也不會只依賴單一框架就想推動所有專案。因為每個產業、每家公司面臨的問題和情況都截然不同，無法用同一套模板帶入所有案例。
正因如此，比起使用既有框架，能否根據專案當下的情況，重新建立思考框架才是更理想的做法。
不同情況適用的框架各不相同，與其了解各種框架、鑽研特定框架，擁有能針對情境處理的能力更重要。所以，簡報不該只停留在形式，應以能真正影響業務和成果的訊息為主。
避開失真陷阱，需要的3種能力
到目前為止，相信你已經了解即使具備完整的邏輯結構，訊息仍可能失真的3種典型情況，分別是「侷限觀點的解讀」、「見樹不見林」及「脫離現實」。想避免落入這些陷阱，就必須具備以下能力：
客觀解讀：比起從主觀角度解釋現象，更應站在客觀立場提出合理觀點。
綜觀全盤的思考能力：從整體與長期角度得出合理結果，而非沉溺於細枝末節和短期目標。
現實感：跳脫表面包裝或固有理論，聚焦本質、傳遞具有實際意義的訊息。
前面提到的邏輯思維，以及能展現思考能力的「所以重點是什麼」與「為什麼會得出這個結論」，再加上「客觀解讀」、「綜觀全盤的思考能力」及「現實感」，等於已經具備從大量訊息中找出核心重點的能力。
節錄自：大是文化《薪水翻倍的報告撰寫法：我在全球三大顧問之一，貝恩策略公司學到的祕訣。》／金玲瓏 著
超強資料分析工具：DAT AI 自動化資料收集平台，讓商業與股票分析變得更高效簡單｜功能優勢、應用場景
在當今數據主導的時代，如何快速、合法地收集並結構化大量數據，對商業決策與市場分析至關重要。DAT AI 是一款針對開發者與數據專家設計的自動化資料收集工具，能幫助用戶從網路中提取有用的資訊，無論是商業分析、股票數據還是產品價格，皆能快速整理，顯著提高數據工作效率。本篇文章將深入探討 DAT AI 的功能與應用，幫助你掌握如何用 AI 技術提升資料分析效能，解決繁瑣的數據收集問題。
▍什麼是 DAT AI？
DAT AI 是一個強大的自動化資料收集平台，專門為需要大量數據進行商業或技術分析的開發者及數據專家所設計。該平台的主要特點是能夠自動從多種來源提取結構化數據，並將這些數據轉換成可供進一步處理與分析的格式。無論你需要的是最新的市場趨勢、企業的股票表現，還是電商網站上產品的價格變動，DAT AI 都能提供高效、快速的解決方案。
DAT AI 不僅適合需要即時更新的數據需求者，如股票分析師、商業分析師，甚至適用於學術研究者或政府機構需要從開放數據中進行深度研究的情境。這個工具能夠有效簡化繁複的數據提取過程，讓用戶專注於資料分析本身，而非花費大量時間在數據蒐集上。
▍DAT AI 的核心功能
DAT AI 擁有多樣化的功能，讓資料收集變得更加自動化與智能化。以下是其核心功能介紹：
● 自動化網路爬蟲技術：DAT AI 利用先進的網路爬蟲技術，能從各類合法的網站上自動收集所需數據，並將這些數據快速轉換成結構化格式，方便後續的分析與使用。
● 多樣數據來源整合：該平台能夠處理來自不同來源的數據，如電商平台、新聞網站、企業報告以及股票市場數據，並將其彙整到一個易於管理的介面中。
● 即時更新與通知系統：對於需要頻繁數據更新的用戶，DAT AI 內建的即時通知功能能自動推送新數據，確保你不會錯過任何市場或行業變化。
● 高效的數據清理功能：該平台不僅能蒐集數據，還能進行基礎的數據清理與過濾，去除冗餘資訊，確保數據質量與可靠性，適合用於更精細的分析工作。
▍DAT AI 在商業與股票分析的應用
在現代商業與金融環境中，資料是決策的關鍵。商業分析師可以利用 DAT AI 從市場中蒐集龐大的資訊，無論是競爭對手的價格變動、市場需求趨勢，還是供應鏈的數據，這些都可以幫助企業制定更準確的策略。對於股票分析師來說，股票市場的即時數據尤為重要，DAT AI 能自動更新股票價格、企業財報數據等，讓投資者能在第一時間做出決策，從而獲取投資的先機。
此外，對於需要進行長期研究的專業人士，如經濟學者或市場研究員，DAT AI 提供的數據不僅限於當前時點，還可對歷史數據進行追蹤與分析，幫助用戶更全面了解市場變化與趨勢。
▍DAT AI 如何解決痛點？
許多數據專家面臨的最大挑戰之一，就是如何有效率地從龐大的網絡中獲取精準且有效的資料。而手動數據收集不僅耗時，還容易出錯。DAT AI 正是為了解決這一痛點而誕生，它能大幅簡化資料收集流程，並減少數據處理中的人為錯誤。這對於依賴即時數據進行決策的團隊來說，能夠極大提高工作效率，讓他們專注於更具價值的數據分析上。
此外，DAT AI 的資料清理功能也解決了數據質量不穩定的問題。許多從網路蒐集來的資料常常包含大量的雜訊或不相關的資訊，DAT AI 的自動過濾功能能確保資料的準確性與完整性，讓用戶不再需要花費時間手動篩選。
DAT AI 是一個革命性的平台，它的自動化資料收集功能，特別適合需要大規模數據的商業分析與股票投資者。不僅能夠幫助企業迅速蒐集市場資訊，還能支援股票市場的即時數據追蹤，讓用戶不再錯失關鍵決策時機。透過其高效的資料提取與結構化數據功能，DAT AI 幫助用戶突破傳統的數據蒐集限制，將更多精力放在資料分析與決策上，提升工作效率並做出更精準的判斷。
➤ 立即試用：https://dat.ai/
➤ 歡迎在104學習精靈關注【AI趨勢報－科技愛好者的產地】獲得更多科技新知！
AI生成數據分析簡報3招搞定！ChatGPT、MassiveMark、Gamma打造最強組合技
還在為數據分析報告與簡報抓狂嗎？只要善用ChatGPT、MassiveMark、Gamma等3大神器，就能搞定數據分析＋簡報設計，從Excel到PPT一條龍完成，馬上開啟你的高效職場模式！本文節錄自《三秒鐘的出其不意！Excel × AI 幫你工作超省力》。
文／Excel 廣播電台｜張予
本文目錄（點擊可快速前往）
【1】ChatGPT分析Excel檔案數據【2】複製ChatGPT分析結果，生成Word報告【3】生成Gamma / PPT簡報
在現今的職場環境中，數據分析已成為決策的重要基礎。但面對龐大的資料集，如何高效整合AI技術，打造「職場組合技」，來提升分析效率與決策精準度，成為提升競爭力的關鍵。
想像一下，你是一家連鎖零售企業的數據分析師，公司希望透過數據來驅動決策，優化銷售策略、提升客戶體驗，並最大化營收。來看看如何透過AI + Excel的組合技，達成這些目標？讓我們一步步拆解應用方式！
【1】ChatGPT分析Excel檔案數據
使用工具：ChatGPT
網址：https://chatgpt.com/
輸入以下指令給ChatGPT：
「協助分析Excel檔案的數據，生成摘要和視覺化圖表，並使用我提供的字型來呈現圖表內容。然後，制定隔年的用戶銷售策略，最後整理成一份Markdown格式的銷售分析報告。」
以下為它整理的結果：
（圖／旗標出版提供）
【2】複製ChatGPT分析結果，生成Word報告
使用工具：MassiveMark
網址：https://www.bibcit.com/en/massivemark
接下來是關鍵的一步，如果你直接複製內容並貼到Word，你僅會得到一個只有「內文」樣式的報告。
全文皆為內文樣式（圖／旗標出版提供）
但如果你希望保留報告的標題層級（標題1、標題2、標題3…，如下圖）。首先，你必須透過點擊複製按鈕取得報告內容，此時複製到的文字是「Markdown格式」的資料。
【什麼是Markdown格式？】Markdown是一種輕量級標記語言（lightweight markup language），也就是簡單、結構化的格式，能讓報告結構更清晰。
使用標題樣式可於左側看到大綱（圖／旗標出版提供）
一般對話中的複製按鈕和畫布中的複製按鈕（圖／旗標出版提供）
接著，透過一個免費的線上轉換工具──MassiveMark，自動產生有大綱層級的Word文件，減少手動編輯的時間。
免費的線上轉換工具──MassiveMark（圖／旗標出版提供）
（圖／旗標出版提供）
最後，再將之前生成的圖表，下載成圖檔、添加到Word文件，一份銷售分析報告就完成啦！
【AI生成Word報告的優勢】‧ 一鍵輸出完整分析，包含數據摘要、趨勢分析、視覺化圖表‧ 提供具體的商業策略，協助決策者擬定行動方案‧ 快速下載報告，減少手動整理時間
【3】生成Gamma / PPT簡報
使用工具：Gamma
網址：https://gamma.app/
「除了Word報告外，AI也能生成簡報嗎？」只要準備好報告後，可以將報告內容直接丟給AI簡報生成神器──Gamma。不到幾秒鐘的時間，簡報就完成了，而且還非常有設計感！要再進一步編輯也沒問題。來看看如何操作吧！
點擊「新建AI」免費註冊完Gamma後，從首頁開始建立AI簡報。點擊「匯入檔案或網址」( 也可點擊「貼上文字」) ，並上傳剛剛建立的Word檔案（圖／旗標出版提供）
選擇 「簡報內容」，免費版一次最多可生成10張卡片，挑選喜歡的主題後點擊「產生」（圖／旗標出版提供）
一份銷售分析簡報就完成啦！（圖／旗標出版提供）
一起來看看生成的結果如何吧！
【Before】條列式的數據摘要
【After】自動改以卡片式呈現
（圖／旗標出版提供）
【Before】表格式的產品分析
【After】自動轉成圖表形式，而且還是互動式圖表！游標移上去可看到詳細數據
（圖／旗標出版提供）
【Before】表格式的產品分析
【After】美化過的表格樣式。也可能維持原有表格形式（AI生成，每次結果都可能不同！）
（圖／旗標出版提供）
版面配置十分豐富，還有AI自動生成的圖片，讓畫面不呆版！
（圖／旗標出版提供）
若想展示簡報，點擊右上角的「展示」按鈕即可。
點擊「展示」（圖／旗標出版提供）
進入簡報模式（圖／旗標出版提供）
Gamma簡報也能下載成PowerPoint檔案，十分方便！
點擊「分享」、「匯出」、「匯出至PowerPoint」、「完成」 （圖／旗標出版提供）
（圖／旗標出版提供）
Gamma是一款免費註冊即可使用的線上簡報工具，並且提供中文介面，讓使用者能輕鬆上手。使用AI生成簡報時會消耗點數，但新用戶註冊後可獲得免費試用點數，讓你能直接體驗AI簡報的強大功能。免費版限制每次生成最多10張簡報卡片，但仍可手動新增與編輯內容。若對AI生成的內容或設計不滿意，可自由調整版面配置、圖片、圖表等。如果你還沒試過Gamma，強烈推薦你體驗看看！這麼方便的AI簡報工具，真的不能只有我知道啊！
AI讓數據分析更高效、更精準，現在就開始應用，提升你的職場競爭力吧！
節錄自：旗標出版《三秒鐘的出其不意！Excel × AI 幫你工作超省力》／Excel 廣播電台｜張予 著
推薦閱讀：
Excel公式讓ChatGPT幫你寫！輸入指令就能懂的Excel公式教學
ChatGPT生成Excel圖表不卡關！xy軸設定、中文顯示問題輕鬆搞定
【Graphy AI教學】AI自動生成圖表、數據分析4技巧！連報告都能一鍵生成的靈感救星
PM 如何開始學習數據分析？由淺至深的學習步驟分享
學習數據分析對產品經理（PM）來說非常有幫助，透過掌握數據分析技能 PM 可以更深入理解用戶行為、產品績效以及市場趨勢，進而支持產品策略制定、優化功能、並做出更準確的決策。下面是更詳細的學習步驟和重點：
1. 學習基礎概念
- 統計基礎：了解平均值、標準差、變異數等統計學概念，這些基礎知識有助於理解數據的分佈和趨勢。例如，標準差可以幫助 PM 判斷數據是否集中，而變異數可以用於評估不同用戶群之間的行為差異。
- 概率和分佈：學習常見的數據分佈 (如常態分佈、正態分佈) 有助於理解 A/B 測試中的數據變異。了解基本的概率知識可以幫助 PM 理解樣本數據代表性，以便在小樣本測試中做出更可靠的決策。
2. 掌握數據處理工具
- Excel 或 Google Sheets：這些表格工具是初學者最容易上手的，且功能豐富。PM 可以學會如何使用公式進行數據篩選、樞紐分析 (Pivot Table)、VLOOKUP、篩選和排序。這些技能有助於簡單的數據清理和匯總，能快速得到初步結論。
- SQL：學會 SQL 是 PM 提升數據處理能力的有效方式。SQL 可用於直接從數據庫中提取和分析數據，如 MySQL、PostgreSQL 等。推薦練習查詢語句 (SELECT)、篩選條件 (WHERE)、分組和聚合 (GROUP BY) 等基礎語法，這些技能讓 PM 能夠有效地自助式查詢數據。
- 數據庫基礎：了解數據庫結構和基本概念（如表、字段、主鍵和外鍵）有助於 PM 更好地與數據團隊合作，並理解數據架構如何支持產品的數據需求。
3. 學習數據可視化
- 可視化工具：學會使用 Tableau、Google Data Studio 等工具來創建數據圖表，這可以幫助 PM 把複雜的數據結果以圖表呈現，更直觀地向團隊和利益相關者展示關鍵數據。
- Python 視覺化：若 PM 希望進一步加強數據分析能力，可以學習 Python 基礎語法，並使用 Matplotlib 和 Seaborn 等視覺化庫來生成高度自定義的圖表。透過這些工具，可以創建用戶行為趨勢圖、產品使用頻率圖等可視化報告。
- 了解圖表選擇：學會選擇合適的圖表來呈現數據，比如用折線圖來展示趨勢，用長條圖來比較類別數據，或用散點圖來查看兩個變量的關係。這樣 PM 可以根據數據特性選擇最佳圖表，有效呈現洞見。
4. 進階分析技能
- A/B 測試：A/B 測試是一種經常用於產品決策的方法。學習如何設計和解讀 A/B 測試結果有助於 PM 在產品改動中做出更科學的選擇，例如測試新功能的影響或不同設計版本的效果。了解統計顯著性和樣本量計算是 A/B 測試中重要的概念。
- 假設檢定：掌握 t 檢定、卡方檢定等基本統計檢定，這可以幫助 PM 驗證假設，判斷某項改變是否具有顯著性影響，從而更科學地進行功能優化。
- 回歸分析：學習簡單的線性回歸分析，這能幫助 PM 找出不同變量之間的關係，例如評估用戶行為（如登入次數）對留存率的影響，這有助於預測產品某些改動對用戶的影響。
5. 練習解讀結果
- 分析數據報告：PM 可以從定期數據報告中開始練習，學會辨別和解讀指標變化、趨勢走向，並根據數據中的異常找出原因。例如，使用者活躍度異常降低可能與某次功能改版相關。
- 數據駕駛儀 Dashboard：學會設計和使用數據駕駛儀 (Dashboard) 有助於追蹤產品的關鍵指標，PM 可以根據需要定期檢查主要數據，快速掌握產品現況，並及時反應問題。
- 形成洞見並提出建議：除了查看數據變動，PM 應練習從數據中發掘潛在洞見並提出改進建議。例如，若數據顯示用戶在某些步驟的流失率較高，可以考慮簡化操作流程，提升轉化率。
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
一、章節導言
行為改變技術的設計與實施完成後，評估與測量效果是確保策略有效性、可持續性與改進的重要環節。本章將介紹行為改變效果的評估方法、指標設計、數據收集技術，以及結果分析與報告撰寫，幫助學生掌握行為改變專案的完整循環。
二、行為改變評估的重要性
1. 檢驗策略有效性
o 了解行為干預是否達到預期目標。
o 判斷技術或工具的適用性與可行性。
2. 改善與調整策略
o 根據數據分析結果，調整技術組合或實施流程。
o 避免資源浪費，提高干預效率。
3. 確保可持續性
o 評估行為維持狀況，確保改變不僅短期有效。
4. 提供研究與政策依據
o 為教育、健康、環境等領域提供科學依據。
三、評估指標設計
（一）行為量化指標
• 次數與頻率：每週運動次數、每日蔬果攝取量。
• 持續性：行為維持天數、連續達標週數。
• 遵循率：達到指定目標的比例。
（二）心理與認知指標
• 態度變化：對行為的態度評估問卷（Likert 量表）。
• 自我效能感：行為自信心、能力感提升。
• 動機指標：內在與外在動機改變。
（三）環境與社會互動指標
• 社會支持量：小組互動次數、社群回應率。
• 環境使用率：設備使用次數、工具或 App 活動數據。
四、數據收集方法
1. 自我報告工具
o 行為日誌、問卷、調查表
o 優點：簡單、成本低
o 缺點：可能有記憶偏差或社會期望效應
2. 觀察與紀錄
o 現場觀察、攝影紀錄、行為監測
o 優點：客觀
o 缺點：需人工或技術成本較高
3. 數位追蹤工具
o App 記錄、穿戴裝置（步數、心率）、線上學習平台數據
o 優點：持續追蹤、精準
o 缺點：需技術支持、隱私保護問題
4. 混合方法
o 結合自我報告、觀察與數位追蹤，提高資料可靠性
五、效果測量與分析方法
（一）前後測比較
• 定義：在行為干預前後測量指標變化。
• 應用：分析干預效果大小、顯著性。
（二）對照組設計
• 定義：設置未接受干預的對照組，與實驗組比較。
• 應用：消除外部因素干擾，提升結果可信度。
（三）統計分析方法
• 描述性統計：平均數、標準差、百分比
• 推論統計：t 檢定、卡方檢定、ANOVA
• 進階方法：多元迴歸、結構方程模型，用於行為決定因素分析
（四）質性分析
• 訪談、焦點團體、觀察筆記
• 用於理解行為背後原因、障礙與文化影響
六、章末重點整理
1. 評估與測量是行為改變技術成功的關鍵環節。
2. 評估指標包括行為量化、心理認知、環境與社會互動指標。
3. 數據收集方法包括自我報告、觀察、數位追蹤及混合方法。
4. 效果測量可採前後測、對照組設計，並使用統計或質性分析方法。
5. 評估結果可用於策略改進、行為維持及政策或研究支持。
七、討論題
1. 選擇一個行為改變專案，設計三個量化指標與兩個心理認知指標，並說明選擇原因。
2. 討論自我報告工具與數位追蹤工具在行為評估中的優缺點。
3. 如何在亞洲大學生群體中，確保社會文化因素被納入評估設計？
八、案例分析
案例 4-1：大學生運動干預專案效果評估
• 背景：某亞洲大學實施八週運動干預計畫。
• 評估指標：
1. 行為量化：每週運動次數、運動持續時間
2. 心理認知：自我效能感、運動態度問卷
3. 社會互動：小組互動次數、App 打卡頻率
• 數據收集方法：
o 運動日誌、自我報告問卷、運動打卡 App
o 結合前後測與對照組設計
• 分析方法：
o t 檢定比較前後平均運動次數
o 相關分析檢驗自我效能與運動頻率關聯
• 結果：
o 平均運動次數從 1 次/週提升至 3.2 次/週
o 自我效能問卷得分提升 25%
o 社群互動活躍度與運動頻率呈正相關
• 分析重點：
o 整合量化指標與心理指標，可全面評估干預效果
o 對照組設計提升了結果可信度
o 數位工具輔助可持續追蹤與調整策略
有任何收穫或想分享的，都來和大家一起聊聊吧！