AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
104學習
數位鑑識
指的是運用專業技術，從電子設備或數位系統中提取、分析並保存證據的過程。這項技能能協助調查網路犯罪、資料外洩、內部不當行為等事件，確保證據完整且具法律效力。具備此能力的人才在資安、法務及調查領域非常搶手，能有效保障企業資訊安全並支援司法程序。
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財務力：從數字到決策的智慧應用【9/3】
專案矩陣分析與應用技巧
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
電腦視覺演算法之人臉辨識實戰【本課程為線上課，報名後專員會提供上課資訊】
【2026/11/9開班】國際網路資安認證課程 CompTIA Security+
【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 打造營運儀表板 l 解讀財務數據與成果分析
SSCP資安專業人員認證課程
Power BI DAX函數運用
精選證照
考取專業證照，讓能力被市場看見
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
GCFA
GCFA（GIAC Certified Forensic Analyst）證照專為資安數位鑑識領域設計，驗證持有者在數位證據收集、分析及報告撰寫的專業能力。持證者具備處理各類網路攻擊事件、惡意軟體分析及系統入侵調查的實務經驗，能有效協助企業與組織釐清安全事件真相，提升資安防護與事件應變能力。此證照適合資訊安全分析師、數位鑑識專家及資安事件調查人員，助力職涯發展與專業競爭力提升。
SANS Institute
數位人資管理師-專員級認證
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-專員級認證，代表您具備以下能力
1.了解人力資源e化系統的重要元素，可協助組織判斷最合適的人力資源e化方案
2.熟悉人力資源e化系統各面向的實務操作，成為公司導入e化的最佳執行者。
3.具備基礎數據分析能力，使HR對公司的貢獻可被量化，可被管理。更可透過數據分析發現組織人才管理的關鍵問題。
104資訊科技股份有限公司
電腦知識與計算機應用認證
一種確認個人對電腦科學基礎知識和應用能力的認可。 它提供對個人技能的客觀評估，有助於就業和職業發展。 透過取得認證，人們可以展示自己在數位時代中的技術能力和競爭力。
電腦知識與計算機應用認證是一項評估專業人士在電腦知識和計算機應用方面的能力和專業知識的資格認證。通過這項證照的專業人士通常具備深入的電腦知識和技能，能夠應用這些知識解決各種計算機應用問題。
TIPCI臺灣國際專業認證學會
企業人才診斷師-專員級
透過完整的企業人才診斷培訓課程及認證機制:
1.培養測驗及評量專業知識技能，提升人資個人專業優勢。
2.透過科學工具學習測驗及評量技術，客觀診斷企業人才概況及管理環境， 提升職場競爭力。
3.承襲104人資學院二十多年的測評、顧問輔導經驗，成為專業的人才診斷師。
4.透過數據力找問題、分析力找解法，成為企業的策略夥伴。
104資訊科技股份有限公司
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
精選貼文，掌握第一手知識
「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＞
員工滿意度自己調查？小心掉進數據陷阱！
文/104人資學院
許多人資想透過員工滿意度調查，掌握組織健康與留才風險，但自行調查常遇到信效度不足、填答率低、數據難分析等難題，結果往往流於形式。本文深入探討HR在內部自辦調查的常見困境，並比較104員工體驗調查的專業優勢，包括專家題庫、智能化流程、產業常模比對、視覺化報告與改善建議。透過科學化、數據化的工具，企業不僅能真正聽見員工心聲，更能有效轉化為行動方案，提升敬業度、強化雇主品牌，進而推動企業營運績效成長。
本文導覽
為何內部自行調查員工滿意度如此困難？
信效度不足：問卷設計的隱藏風險
填答率低落：匿名性與員工疑慮
分析困境：缺乏外部常模與基準比較
從數據到行動：HR推動改善的斷層
104員工體驗調查的五大優勢
成效驗證：如何降低離職風險、提升績效
自行調查 vs. 104調查：比較一目了然
讓員工調查成為企業成長引擎
在少子化與人才競爭加劇的環境下，員工是否滿意工作、是否願意長期投入，已成為企業能否穩定成長的關鍵指標。許多企業人資部門都嘗試以員工滿意度調查作為診斷工具，期望從中洞察組織氛圍與改善方向。然而，當企業選擇自行執行調查時，往往發現過程比想像中複雜，從問卷設計、資料蒐集到結果分析，每一步都潛藏挑戰。
為何內部自行調查員工滿意度如此困難？
許多人資深知，員工滿意度調查是一項重要的管理工具，能協助企業了解員工心聲，並進一步改善組織氛圍。然而，當HR嘗試自行設計與執行調查時，卻往往在過程中遇到難以克服的挑戰：問卷題目不夠專業，HR需要收集很多文獻或資料，才知道調查向度是否夠廣、夠深。倘若沒有受過專業訓練，題目可能設計得模擬兩可，問不出真實狀況。或是一個題目兩個問法，讓員工不知如何回答。題目設計若不夠精準，很可能導致員工誤解或回答偏差，進而影響調查的有效性。
信效度不足：問卷設計的隱藏風險
自行設計問卷的最大問題之一是缺乏科學驗證。好的調查題目必須經過信度與效度的檢驗才能信賴。信度指的是同一構面下各題目是否反映相同的意涵，這需要專家判斷與足夠樣本，才能判定是否達標。
效度則關乎題目是否真正測到我們想要的概念，特別是與組織目標相關的關聯效度：專業調查會以組織承諾、留任率等作為效標，檢視題目與這些重要結果是否有實質關聯。沒有高信效度支撐的題庫，所得數據難以真實反映員工心聲，最終只會讓調查淪為形式，無法提供可執行的管理洞見與決策依據。
填答率低落：匿名性與員工疑慮
若HR直接以公司名義發放問卷，員工往往擔心填答內容會影響升遷或考核，導致不敢誠實作答。即便表面上回收率不低，內容也可能因顧慮而失真。缺乏第三方匿名保障，數據很難反映組織的真實狀況。
分析困境：缺乏外部常模與基準比較
許多HR坦言，從設計問卷、管理回收到自行分析，內部調查既耗時又費力，且缺乏可比的行業常模，使結果通常停留在「部門A高於部門B」這類內部差異，無法回答「我們在產業中的相對表現如何」。
在當前缺工的時代，與外部比較變得更為關鍵：例如薪資項目通常是員工滿意度中得分最低，但若沒有業界基準，唯一的解法往往只會是全面調薪；若能與同業比對，便可能發現實際差距並不大，進而避免不必要的成本支出。缺乏外部參照的調查結果容易流於表面，難以取得主管認同，也無法為高層提供具體的決策依據或可執行的改善方案。
從數據到行動：HR推動改善的斷層
另一個常見挑戰是「數據無法轉化為行動」。調查雖指出需改善的面向，但倘若負責設計調查者的人資經歷較不深厚或不夠全面，提出的方案往往片面或停留於短期修正，無法兼顧系統性與長期效益。建議與具備多年業界實務經驗的資深專家合作，協助從數據擬定可執行的改善計畫、優先順序與衡量指標，並規劃後續追蹤，才能讓調查從一份靜態報告轉為驅動組織改善的實際動力。
104員工體驗調查的五大優勢
專業題庫與高信效度由專家設計題庫，涵蓋九大構面與八大情境題組，題目經過信效度驗證，能確保數據真實反映員工想法，避免誤差與片面性。
自動化流程，降低HR負擔提供一鍵建置問卷、智能發送與填答提醒，HR 不需再花大量時間管理流程，大幅提升作業效率。
第三方匿名調查，提升真實回饋由第三方平台執行，確保調查全程匿名，讓員工放心填答，取得最真實的意見。依104執行員工滿意度顧問專案的經驗顯示，回答率通常可提高至80%。
產業與職務常模，掌握競爭定位平台擁有上千家企業、產業X職務常模779種的大數據比對資料，HR可快速比較內外部落差，找出競爭優勢與改善弱點。
視覺化報告與改善方案落地自動生成圖表化報告，提供PR值定位與關鍵改善建議，企業可依據結果進一步優化各項人資策略，幫助企業將數據轉化為行動。
成效驗證：如何降低離職風險、提升營運績效
實際導入後，許多企業明顯降低員工流失率，並在組織氛圍與敬業度上獲得提升。有研究顯示，敬業度高的企業，業績成長率與獲利率均明顯優於同業，這證明員工調查若能轉化為行動，確實能帶來長遠效益。
自行調查 vs. 104調查：比較一目了然
項目企業自行調查104員工體驗調查題庫品質自行設計，信效度未驗證專家設計，信效度經科學驗證平台功能一般問卷平台，無法即時催測，產出專業報告一鍵建置、智能發送、自動提醒、專業報告匿名性員工疑慮高，回覆失真第三方匿名，提升填答率與真實度分析深度僅能內部比較，缺乏業界資訊比對產業與職務常模，掌握相對競爭力行動落地受限於HR的專業是否資深，影響策略成效提供改善建議與資源連結，支持策略落實表：自行調查員工滿意度與104員工體驗調查的比較
讓員工體驗調查成為企業成長引擎
員工體驗調查若只停留在「做過」的層次，對企業幫助有限。透過104員工體驗調查系統及人資顧問團隊的專案解方，HR不僅能快速取得可靠數據，更能掌握外部比較基準，並將結果轉化為具體行動。這不僅可提升員工敬業度，也能強化雇主品牌與企業競爭力。對企業而言，調查不再只是例行性作業，而是推動營運績效成長與永續發展的重要引擎。
聯繫104人資學院，預約諮詢更多解方！
打造企業永續的「內部氣候預警系統」>> 104員工體驗調查
經濟環境變動，有效留才的薪酬結構如何因應>> 人資顧問諮詢
用大數據找出能力缺口，人才培訓更精準>> 104職能發展系列課程
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
數位轉型卡關？專家解析企業AI人才布局，跨域及整合型人才將是搶手貨
在全球永續經營與 AI 浪潮的雙重夾擊下，企業正面臨前所未有的轉型挑戰。104人才永續長指出：員工技能不足已成為企業數位轉型最大的障礙，企業應透過「人機協作」重新定義工作模式，並透過技能檢定、認證課程和證照來提高人才專業深度，才能在激烈的跨域競爭中搶占先機，打造韌性十足的未來型組織。
文／鍾文雄（104資訊科技 人才永續長）
本文導覽
一、 AI資訊科技帶來產業競爭與工作職場的轉變1. 競爭對手的改變2. 工作內容的改變3. 工作方式的改變4. 工作型態與工作地點的改變二、VUCA常態下企業面臨員工AI技能不足與數位轉型挑戰三、AI人才的職涯發展與薪酬展望正向樂觀四、企業鍾愛未來人才的樣貌-跨域及整合型人才五、透過技能檢定、認證課程與證照，提高人才專業深度
台灣企業持續拓展全球事業版圖下，台灣正面臨人口結構老化與新生兒出生率的下降，加上地緣政治、全球經濟發展與政府公共政策的瞬息萬變，伴隨AI（Artificial Intelligence）人工智慧技術的蓬勃發展，我們的職場與工作環境正面臨前所未有的轉變，包含工作內容(Context of Work)、勞動力(Workforce )、工作職場(Workplace)與工作模式(Working Mode)的轉變。
AI科技的發展會讓傳統型態的工作會逐漸消失，也會誕生新型態的工作機會，這意味著我們必須成為一位善用AI應用工具的人才，才不會被機器人及擅用AI應用工具的人才所取代。
延伸閱讀：AI與淨零浪潮下，企業如何佈局「未來型人才」？
企業外部經營環境與未來工作型態的轉變
資料來源：亞太人力資源聯盟The Asia Pacific Federation of Human Resource Management (APFHRM)
一、 AI資訊科技帶來產業競爭與工作職場的轉變
隨著資訊科技發展的無遠弗屆，未來企業要能永續經營，所面對的競爭對手及勞動者的工作職場與環境會面臨重大變化，不管是政府機關、企業組織、學校與教育機構或是勞動者都必須朝永續發展與資訊科技轉型，才能夠因應諸多不確定性因素的考驗。
1. 競爭對手的改變
企業營運主管會隨時關注國內外同業的動態競爭態勢與消長，未來最具威脅的競爭者有可能是其他產業、跨國境的可敬對手，如來自境外的跨國網路與資訊公司，像亞馬遜公司（Amazon.com, Inc.）就從網路書局進階到電子商務，成為全球電子商務零售商巨擘，進而發展為提供全球企業雲端存取技術服務的資訊產業龍頭。
2. 工作內容的改變
要能跟上數位時代的腳步，我們必須將重複性高、大量數據與使用介面多的例行性作業，運用AI資訊化與流程化過程，局部或全面調整為自動化。另外善用AI應用工具進行數據的統計與分析，提出具備管理意涵的趨勢及洞察觀點，從解決問題的工作層次提升到尋找問題及預測問題的管理境界。
3. 工作方式的改變
近年來企業與人資管理專家均積極研究與探討，如何讓勞動者不會被機器人取代，最佳的解決方案是「不是科技可以做什麼，而是我們可以用科技做些什麼」，未來最有效率的工作方式就是「人機協作」，工作主軸會是如何訓練、管理、監督與領導AI Agent(AI代理、人工智慧代理或智慧型代理人)，善用AI工具提升整體工作效率。
“It’s not about what technology can do, but what we can do with technology”
4. 工作型態與工作地點的改變
未來職場上會有勞動者、AI Agent與零工經濟(Gig Economy)的工作模式，共享經濟的網路平台會產生新的工作型態，企業將持續採用居家、遠距、混合及跨域、跨境的上班模式，吸引與留任人才。
二、VUCA常態下企業面臨員工AI技能不足與數位轉型挑戰
全球企業在Covid-19疫情結束後，我們明顯感受到VUCA（是指組織將處於不穩定(Volatile)、不確定(Uncertain)、複雜(Complex)、和模糊(Ambiguous)狀態之中）已經成為企業永續經營的新常態，隨時影響企業營運及人才趨勢，未來企業不只是要適應外部環境與內部管理體質的變化，更需要掌握先機，提前部署人才與技能。
從國內外的調查與研究報告來看，中大型企業在近三年已經持續投入相關資源，積極研究與實驗人才與組織的數位轉型。根據天下學習的調查，企業最擔心的轉型障礙，前三名依序是員工技能不足、組織文化抗拒改變與缺乏完善的數據和科技基礎建設。
資料來源：兩千大企業AI應用與技能發展報告 天下學習2025年9月
另外根據資誠聯合會計師事務所(PWC)在2025年發布的調查報告，企業在推行數位轉型時面臨的挑戰，依序是轉型資金、組織變革、數位人才、業界案例與數位工具，因此企業要能成功數位轉型，人才是否具備AI技能與持續學習資訊應用工具的動能相當重要。
三、AI人才的職涯發展與薪酬展望正向樂觀
美國OpenAI公司在2022年底推出ChatGPT以後，AI應用在各領域的新科技推陳出新，企業除了用來精簡大量數據與重複性工作流程以外，更需要投資AI在產品開發、服務流程及商務模式的技術創新。
根據104人力銀行的調查統計，因應AI數位轉型發展需求強勁，2025年企業在AI人才招募職缺數超過3萬個，75%企業願意為具備AI開發技能的人才提供薪資加碼等誘因，平均增幅達9.5%以上。科技相關產業普遍看好自身及2026年景氣，在2026年的薪資調查報告中，軟體及網路相關業受到AI轉型與數位服務需求帶動，加上外商與新創公司競相徵才，調薪幅度7.1%居各產業之冠。
四、企業鍾愛未來人才的樣貌-跨域及整合型人才
因應資訊科技發展及企業永續經營的人才需求，跨專業領域人才（能在專業領域下能兼具AI及永續技能，以及整合型人才）能夠整合多元資訊及數據下做出適當決策，都是企業鍾愛與競逐的人才類型。
根據優樂地永續服務公司的企業調查報告，迎向未來世界的人才有十大必備能力，分別是文化的理解力、外語能力、適應彈性工作地點的能力、數位能力、跨領域學習、終身學習、情感智商、創新創造力、學習如何思考與解決問題的能力。
資料來源：優樂地永續服務公司2023年
另外104人力銀行在2024年的企業調查報告，也發現企業最愛人才需具備學習力、科技力與溝通力。從企業端的人才需求樣貌，可以讓大學院校作為高等教育人才培育政策參考，也可以是未來人才在求學階段，設定學習目標及參與社團、學校活動與研究計畫的方向。
資料來源：一零四人力銀行2024年
五、透過技能檢定、認證課程與證照，提高人才專業深度
為強化人才在資訊科技及永續發展的技能與素養，企業在人才的任用與訓練發展上，可以運用經濟部產業人才能力鑑定iPAS的淨零碳規劃管理師能力鑑定與環境部淨零綠領人才培育課程。在AI應用技能的提升上，則可以參照數位發展部《AI產業人才認定指引》的人才類別與技能架構，搭配專業發展路徑，建構企業AI人才學習地圖。另外參與iPAS的AI應用規劃師能力鑑定與外部AI工具應用與資料分析師等國際認證，都可以提高企業人才的專業深度。
從未來人才來看，可以參加學校規劃的AI應用技能學程與永續發展、循環經濟學程，搭配國外交換學生計劃或是參與學校研究計畫，持續維持學習與創新動能。透過計劃性與系統性的學習強化科技應用能力及語文能力，在課程學習與企業實習計畫中培養跨部門溝通與實作能力，參與工作輪調及專案任務培養解決問題能力。如此便可以在求學階段培養永保職場競爭力的優勢條件。
（原文標題：從數位轉型與永續經營趨勢，探索企業AI人才需求）
【作者介紹】鍾文雄● 一零四資訊科技股份有限公司人才永續長● 社團法人中華人力資源管理協會常務顧問
半導體人補了又走？大數據揭露高壓製程下「留得住」的六種性格密碼——為什麼「知足」比「聰明」更重要
文／104獵才顧問行銷企劃部
有沒有一種職缺，你感覺自己「一直在招」？
徵才廣告從沒下架過、同一個位置一年開了三四次、才送走一位新人，主管又來問「什麼時候能再補一個」——如果這個畫面很熟悉，你面對的可能不是單純的「招募問題」，而是「留任問題」偽裝成的招募問題。
半導體業尤其如此。根據 104 最新數據，三大核心職類的供需比全面下滑，操作／技術／維修類更低到 0.15，意思是每個職缺平均分不到 0.15 位求職者。在這麼難補的市場裡，如果人還補了就走，缺口只會愈補愈深。
問題來了：為什麼有些人待得住、有些人面試明明很優秀，卻撐不過試用期？
104 測評中心的大數據，給了一個出乎意料的答案。
立即下載 完整版《2026 半導體人才白皮書》
本文摘要（點擊快速前往）
那些「一直在補人」的蛛絲馬跡
加薪也留不住？真正的根源是「人職不適配」
六種性格密碼：為什麼「知足」比「聰明」更重要
六大職能：能穩定任職，還要能做出好表現
顧問觀點：科系鬆綁後，性格與職能評估更重要
深度解方：104 招募管理 Pro 讓適配度用數據說話
半導體選才面談檢核表
典型企業情境：面試很優秀，為什麼三個月就走？
那些「一直在補人」的蛛絲馬跡
先做個自我檢查。以下訊號，你的團隊中了幾個？
檯面上看得到的 同一個職缺一年開好幾次、徵才廣告幾乎沒下架過、到職三個月內離職的人變多、HR 的行事曆被面試塞滿。
數字上算得出來的 新人六個月留任率往下掉、平均在職年資縮短、招募成本佔比升高、內部推薦獎金一直在發。
體感上說不出口的 用人主管開始說「隨便找個能來上班的就好」、HR 認得那幾個「又來應徵」的熟面孔、才招到人主管又來問「什麼時候能再補一個」、老員工累於帶不完的新人。
如果三個全中，那你面對的很可能不是「找不到人」，而是「留不住人」——而這兩者的解法，完全不同。
加薪也留不住？真正的根源是「人職不適配」
多數企業面對高流動，第一個反應是加薪。但半導體業的現實是：薪資已經很有競爭力了，人還是走。
問題出在別的地方。當一個抗壓性不足的人，被放進高交期壓力的製程現場；當一個企圖心旺盛、渴望舞台的人，被安排到需要長期穩定、重複性高的維運職位——面試時他們看起來都很好，履歷漂亮、對答如流，但上工之後，環境與性格的落差會慢慢把人推走。
這就是「人職不適配」：不是人不好，也不是職缺不好，而是這個人與這個位置的性格要求對不上。
而在半導體這種「高標準品質要求、製程變動快、工作壓力大」的環境裡，性格適配的影響被放得特別大。錯聘一個抗壓性不足的人，付出的不只是重新招募的成本，還有製程中斷、良率波動、團隊帶新人的隱形消耗。
好消息是——什麼樣的性格能在這個環境裡待得住，現在有數據可以參考了。
六種性格密碼：為什麼「知足」比「聰明」更重要
104 測評中心 2026 年 7 月的大數據，歸納出能在半導體現場穩定任職者普遍具備的六種性格特質。有幾項，可能和你的直覺不太一樣。
前四項或許還在意料之中，但最後兩項——「心思單純」與「知足」——常常顛覆一般人對半導體人才的想像。
我們總以為，頂尖產業要的是最聰明、最有野心、最想往上爬的人。但數據顯示，真正能在高壓製程現場待得久、做得穩的，往往是那些心思單純、專注做好眼前工作、且對現況知足的人。
原因並不難理解：一個企圖心過強的人，容易在重複性高的維運工作中感到停滯而離開；一個心思過於複雜的人，容易被現場的人際與變動干擾而分心。在需要長期穩定運作的位置上，「安於此、專注於此」本身就是一種難得的適配。
這不代表企圖心不好——而是提醒 HR：不同位置需要不同性格，別用同一把尺去衡量所有人選。 研發前沿需要創新與野心，維運現場需要穩定與知足，兩者都是對的人，只是對的位置不同。
💬 想知道這六種性格特質，在甄試階段如何用測評工具量化評估？ 👉 留下你常招募的職務類型，由顧問說明測評如何對應
六大職能：能穩定任職，還要能做出好表現
性格決定「待不待得住」，職能決定「做不做得好」。同一份 104 測評中心數據，也歸納出半導體人才展現好表現所需的六大職能：
主動積極：後摩爾時代需要不斷研究與試誤，主動觀察、學習與提出解方有利成長
團隊合作：設計、製造與封測程序日益複雜，良好默契有助研發與良率優化
溝通協調：製程、研發、品保密切合作，溝通順暢可避免誤解與延誤、加速專案
創新能力：面對製程優化與技術挑戰，能突破既有思維提出改善方案
誠信正直：資訊透明與誠實通報是避免重大損失的基礎，此產業近乎零容忍
分析思考：能從數據與現象中找出關鍵問題，快速定位異常、提升良率
性格與職能是兩個互補的維度：性格看的是「這個人適不適合待在這裡」，職能看的是「這個人能不能把事做好」。 兩者都對得上，才是真正的高適配人選。
顧問觀點：科系鬆綁後，性格與職能評估更重要
這裡要接上一個正在發生的趨勢。
面對理工人才荒，半導體企業的招募門檻正在放寬。104 數據顯示，操作／技術／維修類要求「科系不拘」的比例已攀升至 60%，生產製造（41%）與研發相關（26%）的科系不拘比例也同步提升。
科系限制放寬，是為了擴大人才來源、增加招募彈性——這個方向是對的。但它同時帶來一個新課題：
當「科系」不再是篩選門檻，HR 要用什麼來判斷「這個人到底適不適合」？
過去，科系背景至少提供了一道客觀的初步篩選。現在門檻放寬了，履歷來源更廣、更雜，光看學歷與經歷已經不足以判斷適配度。這時候，性格適配與職能評估的重要性,反而比以前更高。
換句話說，招募彈性放寬與科學選才，是必須同時進行的兩件事。只放寬、不強化判斷，錯聘率只會更高——這也正好呼應了本文開頭那個「一直在補人」的循環。
深度解方：104 招募管理 Pro 讓適配度用數據說話
要打破「補了又走」的循環，關鍵是在甄試階段就看穿適配度，而不是等到試用期才發現不對。
104 招募管理 Pro 整合人才測評工具，把性格與職能的判斷，從「面試官的主觀感覺」升級為「有數據依據的評估」。實際運作分三個階段：
面談前：參考人才測評結果與面談順位，快速評估哪些人選值得優先深談，把時間花在對的人身上。
面談中：運用職能面談指南與結構化記錄表，針對六大職能設計情境題，讓不同面試官依相同框架評分，避免各憑感覺。
面談後：查閱性格及職能報告，對照這個職缺需要的特質（例如維運現場重視抗壓與知足、研發前沿重視創新與主動），輔助用人決策。
這套做法的價值，不是取代面試官的判斷，而是幫面試官補上一個他靠聊天看不出來的維度——性格與職能的客觀量測。面試表現好，不等於上工後待得住;測評數據正好補上這段落差。
💬 想知道測評報告實際長什麼樣、怎麼對應到不同職缺的性格要求？ 👉 留下你的職缺情境，由顧問說明測評報告的判讀方式
半導體選才面談檢核表
把六大性格轉成面試可追問的情境題，讓判斷有依據。以下檢核表可直接用於面談設計：
要評估的特質面試可追問的情境題抗壓性請描述一次在極短交期或臨時變更下完成任務的經驗，當時你怎麼調整？負責任曾經因為你的疏忽或判斷造成問題嗎？後續你怎麼處理與收尾？主見性遇到現場突發異常、又聯絡不到主管時，你會怎麼做決定？活力最近一次你主動去學一項工作上沒人要求你學的新技能是什麼？心思單純如果一份工作重複性高、變化不大，你會如何保持投入？知足對你來說，一份工作值得長期做下去的條件是什麼？
搭配測評數據交叉驗證，可大幅降低「面試印象」與「實際適配」之間的落差。
典型企業情境：面試很優秀，為什麼三個月就走？
⚠️ 以下為示意情境，由顧問依實務經驗歸納整理，並非真實個案揭露。
某半導體廠的設備維運職，過去半年連續換了兩位新人。兩位在面試時表現都很亮眼——反應快、學歷佳、對答積極，用人主管當場就拍板。但一位到職兩個月因為受不了輪班與交期壓力離職，另一位則是覺得工作太重複、缺乏成就感而請辭。
HR 檢討後發現一件事：這兩位共同的特質是「企圖心強、反應快」，這在面試時看起來很優秀，卻正好不適合一個需要長期穩定、抗壓與知足的維運位置。面試選的是「最亮眼的人」，但這個職缺需要的是「最待得住的人」。
導入 104 招募管理 Pro 的測評工具後，這個職缺的甄選加入了性格適配這道關卡：系統會在面談前提示每位人選在抗壓性、知足、心思單純等關鍵特質上的評估結果，讓主管在「面試表現」之外，多一個判斷維度。
後來錄取的人選，面試時或許不是最耀眼的，但在抗壓與穩定特質上明顯適配。到職至今穩定任職,主管也不必再每兩個月重啟一次招募。
關鍵不在於這次找得多快，而在於：這一次，補進來的人待得住了。
掌握更多趨勢與工具，大家都在看
完整版《2026 半導體業人才報告書》免費下載！四大數據預警與五大策略指引，搶才風暴中的科學突圍
完整版《2026 科技業人才白皮書》免費下載！薪資行情、AI 職能與精準招募策略全解析
招募天數少了 15 天，留任率卻掉了 4 個百分點——你的產業，卡在哪一種「找不對」？
更多服務，招募計畫讓 104 與你一同前行！
🔹 104 招募管理 Pro 延伸閱讀本文核心工具——整合人才測評，在甄試階段就以數據評估性格與職能適配度，降低錯聘與流動率。 👉 了解更多
🔹 104 獵才顧問 頂尖 IC 設計師、演算法專家等關鍵技術人才多為不主動投遞的被動求職者，由專業顧問主動挖掘冰山下的稀缺人選。 👉 了解更多
🔹 104 整合招募 半導體擴產帶來的產線與設備人才海量缺口，透過全通路曝光與客製招募網頁，一站式加速補齊現場即戰力。 👉 了解更多
「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！
運用「社會計量」實踐正向領導力，帶領團隊達成卓越績效！
文／ 八方整合社企 鄧慧文顧問
原文標題：當社會計量與正向領導力相遇
學者專家探索領導方式多年，領導非僅情感，需要解碼工具，而社會計量則是之一。社會計量由J. L. Moreno於1930年發展，科學測量人際關係，解決衝突、凝聚團隊、提升績效。常用技術如社會原子圖、光譜圖、相似圈等，引導團隊邁向正向領導目標。
追求績效是主管最重要的工作之一。多年來學者專家、企業組織嘗試以領導理論與科學驗證找到適合的領導方式，來促使團隊組織達成效能。領導不是感覺的產物，因為存有過去經驗的偏差（bias），領導像是抽象的密碼，必須透過工具解碼，而社會計量就是正向領導力的解碼工具。
何謂社會計量？
社會計量(Sociometry)是奧地利精神科醫師J. L. Moreno在1930年間發展出來的理論及技術，用以探索人際關係、人際選擇過程、與人際連結的社會測量科學，他在1946年說，社會計量是社會關係及人際關係量測的總稱。
社會計量可量測群體間所有的人際網絡與連結，也可以聚焦研究個人的網絡連結、團隊整體的人際網絡、或是不同團隊之間的網絡互動等。因此運用社會計量可以瞭解團隊中的個人、相互連結及團隊整體動力。社會計量技術已被證實在團隊中解決衝突、凝聚團隊、促進團隊績效的有效工具之一。
常用的社會計量技術
運用社會計量技術可評估團隊現況，並根據設定的介入目標，選擇適合的社會計量技術介入團隊、優化團隊動力、增進團隊工作效益，帶領團隊朝向正向領導力的目標前進。常用的社會計量技術：
(1) 社會原子圖
(2) 光譜圖
(3) 相似圈
(4) 優勢圈
(5) 區域型社會計量
(6) 地板評量
(7) 搭肩式社會計量
(8) 目標導向社會計量
以相似圈 (Circle of Similarities)為例：
相似圈又稱步入式社會計量(Step-in Sociometry)，幫助團體成員以行動方式表達選擇，確認、並經驗自己與其他成員產生連結、漸次融入團體的感覺。相似圈幫助團體成員意識到彼此間的相似性，使隱藏的連結變得顯而易見，從而提高團體整體聯繫與凝聚力。
例如主題：多元融合
1. 向前跨入一步，問大家 ”有沒有誰和我一樣是社會新鮮人? 也請你們往前站一步”
2. 向前跨入一步，問大家 ”有沒有誰和我一樣進公司前就是公司產品的鐵粉? 也請你們往前站一步”
帶領者的引導：
階段一：根據介入目標提出明確的問題
階段二：引導成員以行動表達選擇、進行分享、邀請有相似經驗/觀點者步入…
階段三：邀請成員分享選擇(what)及原因(why)
階段四：帶領者視團體動力狀況，邀請未往前步入的成員分享其不同經驗或觀點等，創造不同觀點成員間的正向連結。
台灣科技島，國家重點發展產業在高科技與生技醫療產業，主力在培育大量理工STEM人才的養成，較注重數學，事實，數據，科學與邏輯，相對於領導、管理、情緒調適、人際連結能力與互動技巧較少著墨，關鍵的領導力與軟實力是企業組織急需強化的重點。
當社會計量與正向領導力相遇：正向領導力實踐於企業組織，從內到外三大結構聚焦主管覺察自身Intra狀態，善用個人與團隊優勢觀點，盤點目前Inter與團隊關係狀態，並以社會計量技術方法與團隊產生正向連結關係，成為A TEAM適時獎勵、激勵士氣達成團隊績效。
參考資料：
八方整合正向領導力-職場社會計量專案團隊
正向領導力–職場社會計量師2023專訓班講義
了解鄧慧文老師的相關課程及內訓>>
提升員工帶動企業的成長！最划算的教育訓練方案首選>>
企業內訓、公開班及線上課程需求，104人資市集最超值 >>
訂閱市集電子報與你分享專家文章及最新活動訊息>>
成為人資市集Line好友獲得最新課程優惠及免費講座資訊>>
在趨勢科技，唯一的競爭對手是駭客：AI 時代下，資安人才與研發現場的真實變化
當生成式 AI 進入企業日常，對於專注資安產品的企業而言，不單是工具升級，更可視為是將資安的攻防節奏全面改寫。因為率先新技術放大其效能的，偏偏卻也是攻擊者。趨勢科技 TrendAI Lab 與核心技術副總經理卜鵬世，與資深人資協理柯志宜，在受訪時都不約而同提到，AI 正在重新定義企業對工程師的期待，也讓資安產品研發、核心技術研究與人才招募標準同步改變。
文／104人力銀行
本文導覽：
同樣是工程師，解決的卻不是同一種問題
當攻擊者也用 AI，資安人才的標準亦隨之改變
要能帶著 AI 解題，把工具轉化為價值
對趨勢科技（以下簡稱趨勢）而言，AI 時代下真正稀缺的，不再只侷限是會寫程式的人，而是能理解問題、拆解並知道如何運用 AI ，讓產品與防禦能力持續進化的人才，這樣的轉變，正發生在趨勢的研發與徵才現場。
同樣是工程師，解決的卻不是同一種問題
卜鵬世首先分享，他目前掌管的兩個核心部門：一是更貼近產品與客戶需求的 「端點防護」（Endpoint Security）部門，另一是負責研發共通能力的「核心技術」（TrendAI Lab）部門。前者關注的是，如何把防護能力做成客戶能快速安裝、易於操作管理的產品；後者則是專注於分析資安威脅、偵測引擎、URL 判讀等能力，提供各產品線共用的核心能力支援。
談到這兩個部門的差異，卜鵬世用了一個很鮮明的比喻：「端點產品部門的人比較像部隊，核心技術部門的人比較像製造武器的人。」 一邊更靠近戰場與使用情境，一邊則負責打造武器與核心能力，分工不同，卻必須高度協作。
若進一步用學科來理解，這兩類人才也有明顯差異。卜鵬世認為，核心技術比較像化學系、數學系，偏研究、分析與技術突破；而產品開發則更像 化工系、應用數學系，更重視如何把技術轉化為可落地、可被客戶使用的解決辦法。
面對資安威脅，前者需對新技術保持高度敏感，從龐大資訊中找出特定模式；後者更需要能理解客戶需求、使用流程與跨部門的合作。換句話說，兩邊都在拆解問題，但一邊更接近攻擊與技術本身，另一邊更接近使用者與產品體驗。
當攻擊者也用 AI，資安人才的標準亦隨之改變
AI 的普及，最先改變的是資安攻防的速度與規模。卜鵬世直言，攻擊者往往是世界上最早應用新技術的一群人，「只是他們把它拿來做壞事。」過去，若要變形攻擊，可能還需要改寫程式邏輯；現在只要下幾個語法，AI 就能快速生成大量變體。也因此，他很直接地說出這句話：「只有用 AI，才有辦法對抗 AI。」
對核心技術團隊來說，AI 已不只是輔助工具，而可能成為解決辦法的一部分；過去最核心的是程式寫成的引擎，未來最關鍵的部分甚至可能就是 LLM。對產品開發端而言，AI 則更直接影響開發流程，從知識查找、code completion，到 AI agent 協助寫 code、做測試與整理架構，正在逐步重塑工程師的工作方式。
這樣的改變，也反映在趨勢科技的徵才標準裡。受訪者提到，公司在面試時，已經會觀察候選人的 AI 使用能力，甚至有一套內部能力指標概念對照：從「有在使用」，到「能產出成果」、再到「已經融入工作流程」，更高階者甚至能藉此改變做事方式與組織協作模式。
以目前觀察來看，多數工程師已開始使用 AI，也能在部分工作中應用，但距離大規模流程與工作模式的重塑，還有一段距離。這也意味著，企業現在看的人才，不再只是「會不會寫 code」，而是「會不會用 AI 定義問題、拆解問題，並把它真正放進工作流程裡」。
趨勢科技核心技術副總經理卜鵬世
要能帶著 AI 解題，把工具轉化為價值
對趨勢科技而言，未來工程師最重要的能力，不光只是技術本身，而是包含判斷力與學習力。卜鵬世認為，當 AI 已能協助完成越來越多標準化工作，真正拉開差距的，是定義問題、做出決策、引導 AI 協作的能力。未來的新鮮人，也許一進職場，反而會更像是帶著一群 AI agents 一起工作的協作者。
從 HR 的角度，柯志宜也觀察到，企業在尋找的已不只是具本科系背景，而是能否展現對技術的熱情、學習能力，以及把工具運用到實際問題上的能力。她提到，科系當然還是辨識人才的一種立即參考，但真正重要的，仍然是候選人能否證明自己會用、敢用，而且清楚使用 AI 解決了什麼問題。對於產品開發的團隊來說，這樣的人才尤其有亮點，「因為他不是只會操作工具，而是能把工具轉化為產品價值。」
趨勢科技人資協理柯志宜
除了人才標準，趨勢科技也強調自身吸引人才的另一個關鍵，在於企業文化與研發定位。柯志宜提到，「我們唯一的競爭對手是駭客。」 這句話不只是企業精神，也反映出公司長期專注資安、持續轉型的核心方向。她認為，趨勢科技一直保有清楚的願景；對工程師而言，這裡並不是科技公司的海外分部，而是擁有研發資源與舞台的研發中心。對於想參與核心技術，與全球性產品研發的人來說，這樣的環境本身就是吸引力。
從端點防護到核心技術，從 AI 分級到徵才標準，在 AI 時代下，資安領域最需要的不只是技術執行者，而是能帶著 AI 一起解題、一起進化的人。這正是趨勢科技在人才招募與研發現場，所體驗到最真實的變化。
立即下載《2026科技業人才報告書-人才版》
[joblist_plugin title='更多104【Trend Micro_趨勢科技】工作機會' url='https://www.104.com.tw/company/apio4y0' amount='3']
別只會開ChatGPT！寫企劃、查資料、解任務該找誰？全球數據揭職場AI的「真實專長」
為什麼同一份指令，換個工具效果差這麼多？本文帶你從Similarweb最新全球數據，拆解幾個主流AI的「隱藏性格」與分工邏輯，教大家用最高效率搞定所有職場任務！
文／《104職場力》
本文導覽
數據解密：從「對話習慣」看懂AI的真實定位Claude耐得住性子、能深度思考，最適合當「資深幕僚」ChatGPT是點子多、懂職場又懂生活的「全能特助」Gemini和Copilot講求效率，是很棒的「即時情報員」別忘了還有Perplexity！它是自帶資料來源的專業市調員職場高手用AI工具都採「混合雙打」策略！
打開AI對話框，明明輸入了各種詳細指令卻還是不停碰壁？
叫AI幫忙寫一篇嚴謹的專案企劃，它卻給了一堆空泛的漂亮話？
只是想查個技術名詞或快速對答案，它卻長篇大論回了800字？
寫程式或校對文件時，改到第3輪它就開始邏輯打架、亂燒Token？
當瓶頸過不去，很多人會直接下結論：「AI好難用，根本沒傳說中那麼神！」但扣除Prompt出問題外，還有一種可能是「你一開始就用錯工具」了！
在Similarweb在最新的《2026生成式AI版圖：AI搜尋的演進》研究報告中，分析了全球使用者的對話行為，其中一項數據指出：主流AI平台早已走出各自的「專長分野」，其背後的「受眾特徵到使用習慣」差異非常大。
數據解密：從「對話習慣」看懂AI的真實定位
Similarweb交叉比對了各平台使用者的「提示詞長度（Prompt Length）」與「單次對話的提示詞數量（Prompts per Session）」，繪製出底下這張AI分工圖，打破了「只用ChatGPT就能搞定所有事」的迷思。
圖片來源：Similarweb研究報告
從使用行為來看，不同平台在使用者心目中，早已演化成完全不同的「職場同事角色」。
Claude耐得住性子、能深度思考，最適合當「資深幕僚」
從數據來看，Claude的使用者每次輸入的提示詞長度是所有平台中最長的，而且單次對話的來回次數也直接拿下第一！再看這群人的背景，他們造訪大專院校與學術研究機構的比例，是一般網路用戶的整整25倍，造訪程式開發與商務專業服務網站的頻率也是別人的3倍之多。
這代表全球很多工程師、學者和專業經理人，早就把Claude當成處理燒腦難題的智囊團。
所以如果大家的需求是「架構龐大的年度企劃、消化上萬字的訪談與會議紀錄」，或是「寫複雜程式碼、抓出邏輯漏洞」時，可以使用Claude！它讀長文章跟邏輯推理的能力非常強，就算你一口氣丟給它好幾頁密密麻麻的背景資料和限制條件，它也不容易失憶或亂回答，能陪大家一輪又一輪地精雕細琢出嚴謹的成果。
ChatGPT是點子多、懂職場又懂生活的「全能特助」
觀察ChatGPT的對話數據，會發現它走的是「無所不聊的高頻率互動」路線，在熱門對話主題中，除了科技應用，佔比最高的還有行銷廣告、內容創作與商業法規在內的「專業服務」，接著是教育、娛樂，甚至連心理諮商也榜上有名；另外，它的使用者在生活消費、美食外送與時尚美妝等網站的造訪率，都高出平均2倍以上。
這些數據顯示ChatGPT是目前最深入大眾工作與日常的靈感發想機。
因此，當大家卡在「行銷文案想不出新梗、跨部門提案寫不出吸睛標題」，或是「不知道該如何委婉又得體地回覆一封棘手的客戶抱怨信」時，找ChatGPT來回拋接點子可能最有效率！它的語言組織力與情境適應力不錯，特別適合用在創意發想、快速產出初稿或模擬職場人際溝通的應對場景中。
Gemini和Copilot講求效率，是很棒的「即時情報員」
Gemini和Copilot跟前面兩種AI工具截然不同，它們在數據圖表是落在「提示詞最短、單次對話次數最少」的區間，這表示大家用它們不是為了聊天討論，比較像是丟出某個具體問題，並追求「問完、拿到答案、立刻轉身去執行」的節奏。
細看數據會發現，Gemini的使用者在網頁設計（4.8倍）、電腦資安（3.1倍）及硬體設備（2.2倍）等網站的黏著度特別高，偏向重視效率的科技族群。
這種工具性格，正好能完美搞定辦公室裡的零碎雜事，當職場人開會到一半突然要「快速查個冷門名詞定義、比對兩套軟硬體規格優缺點」，或是需要「搭配Google和微軟工具快速摘要Email與文件重點」時，Gemini和Copilot的優勢最明顯，因為只要指令明確，它不需要冗長的背景鋪陳也能用最快速度幫大家把零碎任務清空。
圖片來源：Similarweb研究報告
別忘了還有Perplexity！它是自帶資料來源的專業市調員
除了上面3種工具，圖表中還有一個不能漏掉的狠角色Perplexity，它的對話長度剛好卡在中間，大家用它也不是為了閒聊，通常都是帶著明確的調查任務來的。
根據報告數據來看，大家用它找最新資料的比例正大幅飆升，尤其在「旅遊規劃、商品比價、金融與市場分析」這類需要最新情報的領域，Perplexity附上即時參考連結的比例最高。
所以當大家需要「做競品調研、找產業最新數據」，或是被主管要求「報告寫的內容要附上可查證的資料來源」時，找Perplexity就對了！這類工具就在回答問題時會直接給參考出處，省去自己到處Google慢慢比對查證的時間。
職場高手用AI工具都採「混合雙打」策略！
看完各家AI的專長，你現在可能在想：「所以我到底該固定用哪一個？」
報告裡給出一個很有意思的現象，其實有高達95%的ChatGPT用戶，平常依然天天狂用Google搜尋；而且在主流AI之間，同時混用好幾款的人非常多！這項數據也點出一個關鍵：職場上的AI高手，都不是只會「死忠」用單一工具的人！
真正的神人都怎樣搭配？可以舉個例子供大家參考：
先開ChatGPT發想5個企劃點子
選定方向後，把架構丟給Claude擴寫成邏輯嚴密的大綱
寫到一半遇到不確定的市場數據，順手開Perplexity抓出正確出處
統整完寄出Email前，用Gemini或Copilot快速檢查重點有沒有漏掉
現在的AI就像各有所長的同事，所以有時比下對Prompt更重要的是「知道何時該派誰上場」！下次工作卡關、覺得AI怎麼又在胡說八道的時候，先別急著生氣，試著換個工具再問一次，也許就能找到正確的神隊友！
[course_plugin api_type='course_id' title='其他AI應用推薦課程' id='b6c9c165-0c8b-4eb7-b2a0-6a105afc5e24']
從數位工具到商務實戰──義民高中資料處理科：培養跨域競爭力的數位職人
如何讓學生在 AI 崛起與網路經濟爆發的時代脫穎而出？義民高中資料處理科給出了一個清晰的答案。這門兼具「資訊技術」與「商業管理」的學科，不僅教導學生如何操作電腦、考取證照，更著重於跨領域的邏輯思維與實務整合。在這裡，學生從最基礎的文書處理出發，逐步踏入會計、經濟與商業專題製作的殿堂，在數字與程式碼之間，編織出屬於自己的未來職涯藍圖。
跨域思維的先行者：結合資訊與商務的學科優勢
「資料處理科最核心的優勢，就在於它的『跨領域』。」義民高中資料處理科陳昭君主任在訪談中一針見血地指出。面對許多國中生與家長常將「資訊科」與「資料處理科」混淆的疑問，主任給出了一個簡單而明確的判別方式：「資訊科是工業類群，面對的是機器；而資料處理科（資處科）則是商業管理群，面對的是人。網路世界的基礎是電腦，當你具備了電腦操作能力，又懂得商業運作邏輯，就能直接跨入電子商務與現代商務的領域。」
在課程設計上，資處科將複雜的電腦應用與統整商管知識相結合。高一到高三的學科內容涵蓋兩大體系：
資訊技術： 電腦軟體應用（Word、Excel、PowerPoint）、中英文輸入、計算機概論與Python 程式語言。
商業類科： 會計學、經濟學、商業概論到專題製作。
這種雙軌並進的訓練，讓資處科的學生在面對複雜的商業環境時，既擁有清晰的邏輯思維，又具備資料處理的執行力。
圖：學生透過上機實作，培養文書能力
從基本功到高階應用：以證照檢定奠定實力自信
在義民高中資處科，學習成果不只體現在課堂的聽講上，更落實在具體的證照考取與技能檢定中。學校規劃了一套循序漸進的證照地圖，協助學生在三年內建立無可替代的硬實力。
「我們透過考取證照的過程，給孩子們建立信心。」主任分享，高一時學生會先從電腦軟體應用丙級、TQC 辦公室應用軟體（Word、Excel、PowerPoint）以及中英文輸入開始扎根；到了高二、高三，則進階挑戰高難度的「電腦軟體應用乙級」檢定，以及人工記帳會計丙級等專業證照。
目前就讀資處科的林同學與戴同學，便充分展現了這項環境帶來的專業實力。林同學在三年內考取了包括電腦軟體應用乙級與丙級、商教會會計一級檢定、人工記帳會計丙級等多張高含金量證照；戴同學也順利拿下了電腦軟體應用丙級及多張 TQC 證照。這些努力，成為他們畢業時最堅實的備忘錄。
圖：高中三年努力考取多張證照，展現學以致用的實力
理論與實務的交會：專題製作打開職涯的無限可能
隨著 108 課綱的推進，「專題製作」成為資處科高三學生最重要的核心課程。專題製作要求學生必須主動整合三年所學，從無到有地完成一項縮小版的商業研究或企劃報告。
主任分享，目前科大在競賽與專題上喜好的取向，多圍繞在 ESG（環境、社會與治理）、APP 應用、產品行銷企劃與活動企劃。因此，學生的專題主題也緊扣這些時代脈動，例如有組別便以「心理舒壓」為核心研發創意點子，完成了具備高度整合性的專題成果。
在專題製作的過程中，學生必須寫出完整的企劃書，內容涵蓋室內設計構想、成本預算控制、人力資源配置、行銷宣傳策略等。主任透露：「在討論行銷推廣時，學生提出想利用 Instagram作為宣傳通路。我不直接教他們怎麼進行推廣，但我會以過去做行銷的經驗挑戰他們：『你們的推廣策略就只有這樣嗎？要怎麼寫文案？文稿跟圖片要怎麼呈現？』」這種高互動性的引導，讓學生養成思考每一步驟背後的邏輯與效益。
圖：高三專題成果，榮獲商業類技藝競賽獎項，展現跨域整合與實作能力
多元進路與特質媒合：找到屬於自己的發光舞台
「讀資處科，最大的好處就是未來的出路非常寬廣。」主任驕傲地表示。由於兼具資訊與商管背景，資處科畢業生在統測升學時擁有極大的優勢，可選擇的落點涵蓋：資訊管理系、企業管理系、財務金融系、會計系、財稅系等…甚至是跨足跨域的工業管理、資訊工程系等。
對於有志於在高中畢業後直接投入職場的「實用技能班」學生，資處科也提供了充足的就業準備。林同學與戴同學便分享，身邊選擇直接就業的同學，多數能順利進入餐飲業、零售通路（如全聯）等服務產業服務。更有實用技能班的孩子在畢業後，一邊在知名科技公司（如緯創）上班，一邊在國立大學研究所繼續深造，實現了產學無縫接軌。
究竟什麼樣的孩子適合就讀資料處理科？主任與兩位學生的分享總結出了以下幾項人格特質：
樂於與人互動、不排斥溝通： 商管群的核心在於服務與協調，具備良好的文字與言語表達能力是重要基石。
對數字與細節具備敏感度： 不需要數學成績頂尖，但必須對數字有耐心，能從簡單的數據中發現脈絡。
喜好操作電腦、不排斥邏輯思考： 面對系統與程式工具，願意動腦思考其運作邏輯。
航向數位未來的羅盤：在多變環境中發光的跨域英才
在義民高中資料處理科的三年的時光裡，學生學到的從來不只是死板的軟體操作，而是一套與現代數位世界對話的方式。從高一敲擊鍵盤的生疏，到高三能在講台上自信展示專題成果；從面對數據的迷惘，到能用多元工具梳理資料邏輯。這群資處科的學生在細節中鍛鍊判斷力，在跨領域的碰撞中摸索自我，陪伴著他們走向未，在各自的領域裡閃閃發光。
開箱資料處理科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
科技偵查專班首招生！警大今公布細節 修業制度與課程架構一次到位
2026-05-01 聯合報記者陳恩惠 由聯合新聞網授權轉載
內政部昨部務會報拋出重磅消息，中央警察大學將於今年9月的115學年度成立「科技犯罪偵查碩士在職專班」，警大今補充招生細節，首屆專班招收15名精銳、對象限執法機關推薦在職人員，課程涵蓋AI、資安與虛擬資產追蹤，並採實務報告取代論文。
延伸閱讀：台灣警察的職場眉角：該做的絕不推、不該的絕不接，對得起自己最重要！
警大指出，隨科技犯罪日益呈現跨域化與匿名化特徵，傳統偵查模式面臨挑戰，專班課程將整合資通訊技術、數位鑑識、資安防護、虛擬資產追蹤及人工智慧應用，並結合科技法制訓練，培養具備跨領域能力之科技偵查人才，強化執法機關應處新興犯罪能力。
在招生與修業制度方面，專班即將於115學年度開辦，首屆招收15名研究生，招生對象涵蓋內政部警政署、移民署、海洋委員會海巡署或與警察、檢察、調查、憲兵、廉政等執法或情報機關推薦，具有學士學位的科技偵查現任或儲備人員。
值得注意的是，碩士專班的學位論文不再拘泥於傳統學術研究形式，允許以「專業實務報告」取代，不僅符合學位授予法規定，更確保研究成果能直接應用於偵查現場，讓在職人員的進修成果能即時回饋於工作實務，縮短學用落差，展現專班強調「專業導向、實務連結」教育特色。
在資源方面，專班研究生將優先使用校內斥資建置的「加密貨幣金流追蹤監控實驗室」及「AI輔助刑案分析系統」等實驗室及平台，透過實作訓練提升科技辦案能力，縮短科技偵查的學用落差。
此外，專班修業年限訂為2年6個月至4年，讓現職執法人員能在不影響公務的前提下，逐步完成高階偵查專業認證，兼顧工作與學術深造需求；每學期學費約新台幣1萬5千元，薦派研究生均得依行政院及所屬機關學校的公務人員訓練進修實施辦法第八條鼓勵優質公務人才進修規定，向在職單位申請公費補助。
警大強調，專班將結合產業界與實務界師資，採聯合授課方式，並透過產官學合作平台推動學術與實務整合，期盼藉設立「科技犯罪偵查碩士在職專班」，為國家培養具備理論深度與實務敏銳度的高階人才，厚植面對新興犯罪挑戰的核心能量，共同守護社會安全與法治秩序。
[course_plugin api_type='course_id' title='個人資料保護與資訊安全' id='baa25c24-57c2-4f48-9e01-1d89533e7aeb']
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！