Excel職場必學統計分析
104學習
統計
能幫助理解數據背後的趨勢與關聯，提升決策的準確度與效率。透過數據分析，能找出問題根源、預測未來走向，並優化流程或策略。無論行銷、財務、產品開發或人力資源，都能用來支持業務目標，降低風險並提高競爭力。具備此技能，能讓工作更具科學依據，增強說服力與專業度。
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
用Excel也能玩轉統計分析
AI協助你完成Excel資料統計
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
成為 AI 科學家｜打造數學基礎與統計地基，輕鬆開拓機器學習應用之城
【績效管理-入門】企業績效目標設定及評估
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】
卓越績效管理與提升
精選證照
考取專業證照，讓能力被市場看見
SPSS統計分析與資料探勘
SPSS統計分析與資料探勘是一項專注於統計分析和資料挖掘的證照，旨在培養專業人士在各種領域中運用SPSS軟體進行數據分析和洞察。這項證照涵蓋了SPSS軟體的各個方面，包括資料輸入、清理、分析和視覺化。持有此證照的人能夠利用SPSS來進行複雜的統計分析，從而發現數據中的模式、趨勢和關聯性，並提出具有洞察力的解釋和建議。
TIPCI臺灣國際專業認證學會
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
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
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
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)
精選貼文，掌握第一手知識
LinkedIn 推出留言曝光次數統計功能
LinkedIn 新增「留言曝光次數」統計，讓用戶可以了解自己的留言影響力，進一步提升互動與內容策略。
1️⃣ 用戶可查看留言被瀏覽的總次數，評估自身影響力與觸及範圍
2️⃣ 更透明的數據可鼓勵用戶多留言，增加個人檔案曝光機會，提升在 LinkedIn 上的影響力
3️⃣ 公司專頁管理員可查看企業帳號留言的曝光數據，但該數據僅顯示於個別留言，不會出現在儀表板統計中
————————————————————
想看更多數位社群專業文章與服務
歡迎搜尋：Steven 數位社群行銷研究室
🤝 各單位邀課或行銷需求：歡迎私訊聯絡！
或洽 smallballmj@gmail.com
精選 推薦 : 豈止證照而已！跨域知識大串聯，打造屬於自己的能力系統
這段Podcast 是專訪Nabi iPAS 證照講師 陳正健（CCChen）如何透過經濟部 iPAS 產業人才能力鑑定，成功建立跨領域的專業系統。他至今已累積取得涵蓋 AI 應用、淨零碳規劃、智慧生產、食品保穫及品牌企劃等五大領域共 14 張證照。
CCChen強調，證照不應僅是孤立的紙本證明，而是應將所學知識與工作實務及數位工具深度結合，以提升解決複雜問題的職場競爭力。他分享了運用 AI 工具輔助學習與時間管理的策略，並以此帶動家人參與，展現出自主學習的正面能量。
他鼓勵專業人士打破學科框架，藉由跨域考證建構個人能力地圖，從而因應智慧化與永續轉型的產業趨勢。這些內容不僅記錄了他的轉型歷程，也為求職者與企業提供了關於人才培育及職涯成長的實務參考。
歡迎收聽▼
https://youtu.be/bUZXvx9eZk0?si=6a4q234WUnAABWiQ
CCChen 老師課程 :
【直播課程＋限時回放】iPAS AI應用規劃師（初級）- 第三梯考前衝刺班｜8/5（三）20:00–21:30 線上直播講座｜104獨家iPAS AI考證衝刺 https://nabi.104.com.tw/course/104nabi/4f6e498b-dee3-4fab-935d-64c781840c9c
【2026年－考試筆記(V1版本)】iPAS AI應用規劃師初級｜全科攻略ｘ考點精華ｘ擬真題庫｜104學習
https://nabi.104.com.tw/course/104nabi/07779700-a980-43d2-8b34-bae808edea61
iPAS AI應用規劃師【中級】衝刺班｜命題精析 × 實戰解題 × AI刷題｜104獨家iPAS AI考證衝刺
https://nabi.104.com.tw/course/104nabi/3987ebea-3686-4f67-a292-c46c3cc2128e
勞動部統計常見勞資爭議類型
根據勞動部1月3日發布數據顯示，全國勞資爭議案件數近5年約維持在2萬5千至2萬7千件間，爭議類型最多的案件為「積欠工資（包含加班費）」，其次為「未給付資遣費」、「積欠職業災害補償」與「契約爭議」。
112年案件數計2萬5,731件，其中積欠工資計1萬815件占42%，其次為給付資遣費6,238件（24%）、職業災害補償1,814件（7%）及契約爭議1,808件（7%），上述4大爭議類型合計已達該年度整體案件比例8成，而113年截至9月為止，整體爭議類型件數比例亦相同。
4大爭議類型比例最大的是積欠工資爭議（包括「積欠加班費」），常見企業在工資或加班費的計算上未遵守法令規定；在契約爭議上，包含勞工對雇主片面終止勞動契約未符合勞動基準法規定的法定事由，而主張「恢復僱傭關係」的爭議，探求爭議發生的原因，常見企業終止勞動契約未遵守「解僱最後手段性原則」或是忽略履行與勞工所約定的契約內容，因此產生爭議。
新聞來源：https://www.mol.gov.tw/1607/1632/1633/77731/post
高流動率不是巧合，是管理失敗的統計結果
高流動率不是巧合，是管理失敗的統計結果
當一家公司一年內新人汰換數輪，當三個月成為多數人離職的臨界點，這不是世代問題，而是管理問題。
企業習慣把離職歸因於「抗壓性不足」、「年輕人不穩定」、「現在的人不好帶」。但若離開的人一批接一批，留下的卻始終在抱怨過勞，那麼問題顯然不在個人，而在制度。
數據不需要公開財報才能看見。只要檢視幾個指標，就能知道企業內部是否正在失血：
• 新人三個月內離職比例是否偏高？
• 同一職缺是否反覆招募？
• 資深員工是否長期超時工作？
• 工作說明是否與實際內容落差極大？
如果答案多數為「是」，那麼企業其實早已知道問題，只是不願承認。
教育訓練不足，是最常見卻最被忽視的漏洞
許多企業的「培訓」只停留在口頭交代。
流程沒有文件、標準沒有統一、錯誤沒有檢討機制。
結果是什麼？
新人用試錯補足制度缺口，錯誤成本由個人承擔，情緒壓力由自己消化，當出現問題時，第一時間被檢討的是人，而不是流程。
企業口中說重視人才，實際上卻沒有為人才設計成長系統，這不是節省成本，而是把成本隱藏起來。
「能者多勞」其實是一種風險訊號
當員工能力提升後，工作量同步增加，表面上看似效率提高；但若增加幅度沒有邊界，且未同步調整人力與回饋，那其實是一種組織失衡。
管理學有個殘酷現象：
高績效者離職，往往發生在長期超負荷之後，而不是表現不佳時。
換句話說，企業最先流失的，常常是最有產值的人。
而留下來的，不一定是最優秀，而是最能忍耐。
當組織以「撐得住」作為篩選條件，最終建立的不是競爭力，而是高壓文化。
高流動率的真實代價
每一次人員更替，都伴隨：
• 招募與訓練時間成本
• 團隊效率下滑
• 客戶服務品質波動
• 內部信任感下降
這些損失通常不會立即反映在財務報表上，但會逐步侵蝕企業體質。
更嚴重的是，當企業在市場上形成「留不住人」的名聲，未來的招募成本將成倍上升。
真正的問題：企業是否願意面對數據？
企業若真想知道問題，不必做複雜分析，只需誠實回答：
• 為什麼同一職缺反覆徵才？
• 為什麼員工寧可降薪也選擇離開？
• 為什麼加班成為常態卻未增補人力？
若這些問題長期存在，卻仍歸咎於個人適應力，那不是誤判，而是逃避。
制度不改，流失不止
在缺工時代，企業若仍以壓縮人力換取短期效率，最終只會面臨更高的流失成本，離職從來不是單一事件，而是一種組織訊號。
當員工說「不是我做不到，而是制度讓人無力」時，那是一份現場觀察報告，而不是情緒發言。
高流動率不是偶發，而是管理的統計結果。
企業若不願修正制度，數字只會持續說話。
而市場，終究會給出答案。企業算計師892
LINE 隱藏功能大公開！團購族不能不知道的「快速統計」小撇步，2大心法整理
在團購、點餐或活動報名時，最麻煩的就是「統計訂單數量」。每次都要一筆筆整理，甚至還得開 Excel 計算，實在太費時了！
其實，LINE 內建的「回應」與「標註回應」功能，能幫助你快速收集並統計大家的訂購資訊，不需要額外使用 Google 表單或 Excel，就能輕鬆管理訂單數量。以下教你兩個超實用的小技巧！
🔹 方法 1：使用「回應」功能快速統計
這個方法適合 統計數量 的情境，例如：團購、點餐、活動報名等。
操作步驟：
1️⃣ 建立一則統計訊息（例如：「🍕 訂午餐，請回應想要的品項！」）
2️⃣ 成員直接對該訊息點「回應」（按住訊息 → 選擇「回應」）
3️⃣ 輸入訂購內容（如：「2 份雞排」或「小王：珍奶 1 杯」）
4️⃣ 長按訊息，點擊「查看回應」，就能快速看到所有人的回應內容！
✅ 這樣做的好處：
✔️ 所有回應集中管理，不會散亂在群組內
✔️ 一鍵展開統計，快速查看所有人的點單資訊
✔️ 適合團購、點餐、名單收集等場合
🔹 方法 2：使用「標註回應」來分類統計
如果你的團購內容比較複雜，例如「A 餐 10 份、B 餐 5 份、C 餐 3 份」，可以使用這個方法來整理。
操作步驟：
1️⃣ 發送統計訊息（如：「請訂購 A/B/C 餐，直接回應」）
2️⃣ 成員對特定品項的訊息標註回應（如：「@小明 A 餐 2 份」）
3️⃣ 開啟聊天記錄，點擊該則訊息，就能看到所有標註的內容
✅ 這樣做的好處：
✔️ 方便分類整理，不同品項的訂單能清楚歸類
✔️ 適用於多種場合，例如活動報名、收集名單、工作分配等
🔹 哪些場合適合用這兩個方法？
✨ 團購訂單統計（點餐、飲料、零食等）
✨ 活動報名（登記參加人數、座位分配等）
✨ 意見收集（快速統計大家的建議或想法）
✨ 內部溝通（登記工作事項、任務分配等）
這兩個 LINE 隱藏功能 不僅能讓統計變得更簡單，還能減少人工整理的時間，讓團購變得更高效！
下次開團時，快試試這些技巧吧！💡 你還有其他好用的 LINE 技巧嗎？歡迎留言交流！😆
WTW獎酬統計報告》預估2025金融業調薪最少，「這行業」薪資漲幅達4.5%
以往台灣薪資結構常見「低底高獎」，即低固定薪＋高變動獎金，變動獎金的比重是亞太區就業市場之冠。但現在畢業生選擇多，不見得會相信老闆畫的大餅，也不一定想待到年終，此薪資結構反而不利於搶才。WTW公佈2024年台灣獎酬趨勢報告指出，台商基層員工加薪8%，與外商差距再縮小，明年企業將持續針對基層與中層加薪，以達到留才徵才目的。
文／蘇欣儀 由Cheers授權轉載
美商韋萊韜悅（Willis Towers Watson, WTW）近日發表2024年台灣獎酬趨勢報告，三大亮點值得關注：
1. 台商基層員工加薪8%，與外商差距再縮小
2024年，台商針對基層員工的固定薪資加薪幅度達8％、台商與外商的全薪差距再拉進，小於5%。這現象主要有兩個原因，第一，為了競爭新鮮人，台商拉高固定薪資。第二，台商受益於AI供應鏈、半導體，整體財務表現好。
過往台灣市場常見的薪資結構「低底高獎」（低固定薪＋高變動獎金），變動獎金的比重是亞太地區所有市場之冠，但此薪資結構現在反而不利於搶才。
「過去台灣企業常見的說法是，你要相信我，我之後賺錢就會分紅給你。」WTW台灣區人才與獎酬諮詢副總經理李儀欣指出，「問題是，現在畢業生選擇多，不見得會相信你畫的大餅，也不一定會想待到年終。」尤其是前幾個月校園徵才博覽會的旺季，多數企業起薪都明碼標價。很現實的是，學生更傾向選擇高底薪的外商公司。
提高新鮮人起薪後，下一步要面對的就是整體薪資結構調整。舉例來說，帶新鮮人的學長姐可能會心生怨懟：「你剛進來薪水還超過我，我還要帶你，合理嗎？」
因此可以觀察到，2024年台商的專業人員、資深專業人員、初階主管、中階主管之固定薪資，分別都調升了8%、5％、5%、3%。
2. 營建業漲最兇，金融業調最少
展望2025年，WTW預估台商整體加薪幅度為3.3%，外商為4%，與今年的3.7%和4%相比，變動幅度不大。值得關注的是，明年企業將持續針對基層與中層加薪，以達到留才、競爭新鮮人的目的。
另外，「不動產及營建服務業」調薪幅度預估將達4.5%，是20年來首次超過4%。
李儀欣說明：「他們整體薪資平均少了台灣兩成。在少子化影響下，經營層明顯感受到找不到人的壓力，近期被迫開始調整薪資。」
由於金融業是最早啟動對標外商的產業，因此2025年的薪資調幅低於全產業平均值，漲幅僅3％。
3. 開搶數位人才，台灣薪酬僅贏過印度
數位人才不僅是科技業的中流砥柱，也在其他產業扮演要角。例如，國泰金控近日公開了生成式AI框架GAIA，遠東百貨則導入了AI客服系統。
除了國內人才競爭，還有鄰近的數位大國虎視眈眈。從薪酬競爭力看，台灣僅贏過印度，整體低於新加坡約55%，同樣是初階專業人員，低於美國73％。職涯發展速度上，台灣相較於亞太數位大國，如中國、新加坡、印度，更為講求年資，職涯發展速度較為緩慢，成為潛在弱點。
WTW從問卷中發現，企業在招募數位人才遇到的困難包含「沒有數位人才的職涯發展機制」、「沒有足夠的獎酬」、「相關技能很難找人」，WTW建議分別從3大面向著力：
1.「賦能」：透過技能重疊度的分析，提供跨專業的培訓，如「資料科學與商業智能工程師」與「AI應用工程師」所需技能重疊度達到50%，因此可以透過額外培訓機制，協助數位人才開啟多元的職涯路徑。
2.「薪酬」：根據不同職位定位市場價值，並提供額外津貼與長短期激勵。如根據市場，系統架構人員薪資成長率需要提高到32%、資料庫管理提高13%，才具有競爭力。
3.「技能」：梳理每個職位規格、盤點組織既有的人才，有目標地進行技能升級與轉型。任何一個世代與角色，都透過技能培育成為數位人才。
2025年台灣超過45歲以上的國人占比將過半，面對超高齡化社會，搶才、留才、育才缺一不可。
（原文標題：２０２４獎酬統計出爐：台商基層員工加薪８％，明年金融業估調最少）
推薦閱讀：
2025年企業預期調薪3.2% 半數企業願調薪比例10年新高
最低工資、勞保費率明年上調 企業負擔「雙漲」牽動物價
「比起缺工，台灣更缺技能」２０２５台灣人才白皮書發布：９成企業憂員工技能跟不上
2025台灣人才技能落差總體檢：「技能」已取代缺人成企業最大痛點
「商業知識百科」隆重推出：近100個商業詞庫，免費全公開使用！全台最完整Ｘ各專家審閱
青年勞工72%曾加薪、平均月領3.4萬！113年「就業狀況調查統計」結果出爐！
青年勞工目前的就業現況、求職歷程如何？對自己的職涯發展，以及對政府措施又有什麼期望？勞動部於民國113年進行的「15-29歲青年勞工就業狀況調查」報告將深入探討青年勞工在當前經濟環境中的挑戰與機遇。
文／《104職場力》
本文導覽
一、青年勞工就業現況二、青年勞工求職歷程三、青年勞工職涯發展四、青年勞工對政府措施的了解與期望
為了解青年勞工的就業狀況，勞動部於113年10至11月期間，以「參加勞工保險、就業保險及職業災害保險」之15-29歲本國籍受僱青年勞工為調查對象，辦理「15-29歲青年勞工就業狀況調查」，計回收有效樣本4,091份，調查統計結果摘述如下：
一、青年勞工就業現況
（一）青年勞工現職工作的計薪方式
青年勞工現職工作的計薪方式以佔比76.1%的月薪制為主，其次是占11.8%的時薪制，底薪加業績獎金占8.2%，其餘給薪方式比率皆不及4%。
月薪計日薪制時薪制按件計酬底薪加業績獎金無底薪績效制76.1%3.3%11.8%0.5%8.2%0.1%
（二）青年勞工現職曾獲加薪的比例及加薪原因
調查指出，青年勞工曾於現職工作獲得加薪的比率達72%，其獲加薪的10項原因中，以「公司全面調薪」占 29.8%最高，「個人在原職務表現良好」占 26.5%次之；另外「個人職務晉升」、「個人服務年資增加」、「配合基本工資調整」等都有20%以上的比率。
◆ 青年勞工現職工作曾獲加薪的10大理由
公司全面調薪29.8%個人在原職務表現良好26.5%個人職務晉升25.8%個人服務年資增加24.8%配合基本工資調整23.5%試用期滿調薪17.1%公司獲利增加6.2%個人完成新訓練課程或取得新證照5.9%業務增加4.8%公司擔心我會離職2.0%
（三）青年勞工求職時是否提出「薪資期望」
青年勞工於應徵現職工作時有提出薪資期望者占41%，未提出占59%，提出者仍未過半。
◆ 41%青年勞工提出薪資期望的原因（複選題）
提出者的原因以「已經設定理想的薪資水準」、「已知道一般薪資行情」的比率較高，分別占48.9%、42.4%。
已經設定理想的薪資水準48.9%已知道一般薪資行情42.4%因面試者詢問37.0%做為談判的基礎11.0%
◆ 59%青年勞工未提出薪資期望的原因（複選題）
未提出之原因以「雇主給的薪資福利已符合自己的期待」占44%最高，「認為薪資不是重點，想先累積經驗」占29.5%次之。
雇主給的薪資福利已符合自己的期待44.0%認為薪資不是重點，想先累積經驗29.5%覺得自己學經歷等尚不足，不敢要求20.7%只想趕快找到工作，對薪資沒有要求17.8%擔心影響應徵結果11.9%自認為爭取也沒用10.9%其他7.4%
（四）青年勞工現職每週工作時數與加班情形
青年勞工「沒有或很少加班」的比率佔65.6%較高，「有時或經常加班」者佔34.4%；平均每週工作時數為38.7小時。
◆ 青年勞工現職的每週工作時數
從每週工時來看，青年勞工以「40小時～未滿41小時」占 73.2%最高；「未滿40小時」占 14.5%居次；再來提升至「44小時以上」，佔11%。
未滿40小時40小時～未滿41小時41小時～未滿42小時42小時～未滿44小時44小時以上平均每週工作時數／小時14.5%73.2%0.2%1.2%11.0%38.7%
◆ 「有時或經常加班」的男女青年勞工加班轉換情形
男性中有時或經常加班者占35.1%，女性占33.7%，有時或經常加班之男性平均每月加班15.6小時，女性11.4小時。
有時或經常加班比率加班有領取加班費或轉換補休加班無領取加班費或轉換補休平均每月加班時數／小時平均每月領取加班費或轉換補休時數／小時男35.1%31.8%3.3%15.613.9女33.7%29.1%4.7%11.49.3
（五）青年勞工經常性薪資的平均數及中位數
依據行政院主計總處最新統計結果，工業及服務業受僱青年員工之112年總薪資平均數為51.5萬元，總薪資中位數為45萬元，分別年增2.8%及3.6%，其中未滿25歲者各為39.7萬元及37.6萬元，25～29歲則各為58.4萬元及50萬元。
每人每月經常性薪資平均數及中位數部分，113年各為3.4萬元及3.1萬元，分別年增2.8%及2.3%，其中未滿25歲者各為2.7萬元及2.8萬元（可能與部分工時者占比較高有關），25～29 歲則各為3.9萬元及3.4萬元。
二、青年勞工求職歷程
（一）青年勞工初次就業年齡及年齡
非學生青年勞工初次就業年齡平均為21.8歲。平均求職時間為2.1個月，求職時間以「1個月以內」占63.8%為最高，其次「逾1個月～3個月」占21.3%，兩者合計占85.1%。
1個月以內逾1個月～3個月逾3個月～6個月逾6個月平均尋職時間／月平均年齡／歲63.8%21.3%7.3%7.6%2.121.8
（二）青年勞工初次就業時的考慮因素及困難原因
非學生青年勞工初次求職未遭遇困難的比率為53.6%，有遭遇困難者為46.4%。
◆ 青年勞工就業時會考慮的因素（複選題）
非學生青年勞工初次就業考慮的11項因素中，以「工作穩定性」及「薪資及福利」為主，分別占51.6%及46.7%，其餘「通勤方便」、「能學以致用」、「能學習到知識技能」占比亦均約30%。
工作穩定性51.6%薪資及福利46.7%通勤方便33.3%能學以致用31.7%能學習到知識技能29.2%符合自己興趣23.8%有發展前景20.8%工作負擔較輕6.2%有挑戰性5.2%有升遷機會3.6%其他0.8%
◆ 青年勞工初次求職遭遇困難的原因
遭遇困難者有9項原因，其中以「不知道自己適合做哪方面工作」占53.3%最高，其次是「經歷不足」占46%。
不知道自己適合做哪方面工作53.3%經歷不足46.0%求職面試技巧不足或不會寫履歷36.0%技能不足31.0%工作內容要求不了解18.3%適合的職缺少14.4%學歷不足8.8%求職管道不足8.1%其他1.1%
（三）青年勞工認為有助於就業的資訊項目
非學生青年勞工認為，就業資訊有助於初次求職的比率為85.4%，認為沒幫助的則佔14.6%。
◆ 青年勞工挑選「有幫助的就業資訊」排行（複選題）
認為有幫助之資訊以「面試或求職技巧」占70%最高，「就業市場與情勢分析」占56.3%次之，「熱門行職業介紹」占30.1%居第三。
面試或求職技巧70.0%就業市場與情勢分析56.3%熱門行職業介紹30.1%職業訓練訊息29.6%撰寫中英文履歷技巧25.6%創業資訊11.6%其他0.0%
（四）青年勞工的工作轉換經歷
非學生青年勞工踏入職場後平均做過2.2個工作，其中有41.1%不曾換過工作，換過5個以上工作則占3.2%；現職工作年資平均為2.5年，比每一工作平均時間（工作總年資／工作個數）1.8年多0.7年，顯示青年勞工踏入職場，歷經就業市場磨合期後，工作穩定度隨之提升。
不曾換過工作換過1個換過2個換過3個換過4個5個以上平均做過幾個工作／個平均工作總年資／年平均現職工作年資／年41.1%30.3%14.3%7.1%4.0%3.2%2.24.02.5
三、青年勞工職涯發展
（一）青年勞工的續任現職意願
青年勞工想續任現職者占66.1%（男性佔67.2%、女性佔65.2%），想轉換工作者占33.9%（男性佔32.8%、女性佔34.8%）。
沒打算換工作有打算換工作總計66.1%33.9%男67.2%32.8%女65.2%34.8%
◆ 男女青年勞工打算轉換工作的原因及比率
想轉換工作的原因以「薪資及福利不符期望」占53.4%最高，其次為「工作無發展前景」占 35.2%，「想更換工作地」占27.6%再次之。按性別觀察，結果也是如此。
薪資及福利不符期望工作無發展前景想更換工作地點工作太累、壓力大興趣不合個人技能無法有效發揮總計53.4%35.2%27.6%19.5%12.8%11.6%男54.9%35.7%24.7%18.3%15.4%12.4%女52.3%34.9%29.9%20.5%10.9%11.0%
PS.表格上打算轉換工作的原因僅列出比率較高的項目。
（二）青年勞工參與教育訓練的情形
青年勞工近一年有參加教育訓練者占50.8%，未參加者占49.2%。
◆ 青年勞工參加教育訓練的項目（複選題）
有參加教育訓練者，以「專業技術訓練」占58.1%最高，「職業安全訓練」占47.6%次之，其他選項比率都低於15%。
專業技術訓練58.1%職業安全訓練47.6%電腦相關課程13.0%人際關係溝通協調12.2%銷售或顧客服務之訓練11.5%一般行政事務10.5%領導統御業務管理4.9%語文4.5%其他0.2%
◆ 青年勞工不參加教育訓練的原因
未參加者，原因以「工作太忙，沒有時間參加」占36.2%最多，「不知道哪裡有提供訓練課程的機構」、「目前的技能夠用，不需要再參加訓練」分別占 20.8%、19.5%。
工作太忙，沒有時間參加36.2%不知道哪裡有提供訓練課程的機構20.8%目前的技能夠用，不需要再參加19.5%沒有適合的訓練課程11.5%參加訓練的費用太高，負擔不起8.1%參加訓練對升遷或尋(轉)職沒有幫助3.7%其他0.2%
◆ 青年勞工持有證照情形
63.6%的青年勞工持有證照，其平均證照數為3張，以擁有「技術士證」者占57%最多，其次為「專門職業及技術人員考試及格證書」占27.1%。
按性別觀察，女性持有證照比率為66.7%，較男性59.7%高出7個百分點。
（三）青年勞工至海外工作意願
79.7%的青年勞工沒有打算到海外工作，有打算者續降至20.3%。其中，男性有打算到海外工作者占21.4%，高於女性19.3%。
沒有打算到海外工作有打算到海外工作總計79.7%20.3%男78.6%21.4%女80.7%19.3%
◆ 青年勞工想赴海外工作的國家
有打算赴海外工作者，各國意願以「東北亞」占44.7%最高，「美國、加拿大」占38.8%次之、「紐澳」占37.8%再次之；另外，「中國大陸、港澳」、「歐洲」分別占22.1%、20.7%，至「東南亞」占比則大減至13.9%。
東北亞美國、加拿大紐澳中國大陸、港澳歐洲東南亞中南美洲其他總計44.7%38.8%37.8%22.1%20.7%13.9%2.1%0.2%男47.7%45.2%34.8%19.5%21.2%15.9%2.7%-女42.1%33.1%40.6%24.4%20.2%12.1%1.5%0.4%
四、青年勞工對政府措施的了解與期望
（一）青年勞工對「勞動力發展署就業服務管道」的知悉度
青年勞工知道勞動部勞動力發展署各種就業服務管道的比率以「就業博覽會」及「公立就業服務機構」較高，分占71.1%、60.2%。
知道不知道就業博覽會71.7%28.3%公立就業服務機構60.2%39.8%台灣就業通47.2%52.8%0800-777888客服專線13.0%87.0%
（二）青年勞工希望政府提供各項促進青年就業服務情形
希望政府提供促進青年就業服務項目，以「提供就業服務及資訊」、「辦理專業技能訓練」及「提供面試技巧及產業趨勢等研習課程」較多，分別占 40.1%、31.2%及27.6%。
提供就業服務及資訊40.1%辦理專業技能訓練31.2%提供面試技巧及產業趨勢等研習課程27.6%辦理徵才活動27.0%結合學校辦理在學青年職場見習21.6%提供職涯諮詢或職業心理測驗17.0%辦理畢業青年職場見習16.6%提供創業貸款13.9%提供創業資訊及課程輔導11.4%提供法令宣導及工作權益等說明課程9.8%提供成功案例以供學習5.1%其他0.6%
透過這些數據，不僅能反映青年勞工在求職過程中所面臨的困難和心聲，所產生的洞見也能幫助政策制定者持續改善青年勞動市場，進而促進就業成長與社會穩定。
以上資訊及圖表節錄自勞動部113年15-29歲青年勞工就業狀況調查統計結果，如您需要更豐富的提要分析，請點擊下方按鈕獲取詳盡報告資訊！
113年勞動部15-29歲青年勞工就業狀況調查
延伸閱讀：
2025最新「青年就業補助」整理，新鮮人求職最高可領4.5萬！尋職津貼／就業獎勵懶人包
行政院長卓榮泰出席「2025年僑生就業博覽會」 鼓勵僑生留臺發展
36.6%勞工過去1年曾加班！2成5下班後仍被交辦工作，最新「生活及就業狀況調查」10重點一次看！
青年勞工平均月領3.4萬，「不滿意薪資、無發展前景」約3成想換工作｜職場新訊
預估你未來薪資成長潛力、發現專屬你的高薪機會 >> 免費領取個人薪資報告
勞動部公布113年度訴願案件統計：加班費訴願最多、超過15%不受理
勞動部公布113年度的勞動訴願案件統計數據報告，根據訴願案件常見類型、處理結果進行分析，並針對最容易忽視的「訴願期限計算」進行宣導，提醒民眾重視勞動法律的執行與保障，以維護其權益。
文／《104職場力》
本文導覽
勞動行政訴願案件統計結果：勞基法加班費支付問題為大宗2,008件辦結訴願案中，超過15%不符法定程序而不受理勞動行政訴願期限計算
勞動部為了保障人民的訴願權利，並防止公權力任意侵害民眾的權益，依據《訴願法》第52條設立了勞動部訴願審議委員會，負責勞動行政事務的訴願業務。
《訴願法》第52條1 各機關辦理訴願事件，應設訴願審議委員會，組成人員以具有法制專長者為原則。2 訴願審議委員會委員，由本機關高級職員及遴聘社會公正人士、學者、專家擔任之；其中社會公正人士、學者、專家人數不得少於二分之一。3 訴願審議委員會組織規程及審議規則，由主管院定之。
勞動行政訴願案件統計結果：勞基法加班費支付問題為大宗
根據勞動部統計，113年度（2024年）共收到1,892件勞動行政事務的訴願案件，常見提起訴願的類型主要有以下3種：
《勞動基準法》的477件（佔25.21%）：常見類型為第24條第1項的加班費支付問題。
《就業服務法》的281件（佔14.85%）：常見類型為第57條第1款非法僱用外國人。
《勞工退休金條例》的210件（佔11.10%）：常見類型為第15條第2項中雇主未依規定期限調整勞工月提繳工資等。
以上這3類訴願合計佔了新收案件的51.16%。
2,008件辦結訴願案中，超過15%不符法定程序而不受理
在案件處理方面，勞動部在113年度共辦結2,008件訴願案，處理結果統計如下：
其中有1,699件（佔84.61%）決定駁回、撤銷原處分或由訴願人撤回。
而309件（佔15.39%）因不符合法定程序要求而不受理。
在這309件不受理案件中，有70件因為提起訴願超過法定30日期限或者未按期限補充送訴願書而被駁回，這幾乎占了不受理案件的4分之1。
勞動部提醒，民眾提起訴願絕對不要延誤法定30日期限，期限是從原行政處分機關或受理訴願機關收到訴願書的日期計算，而不是寄送日期。
圖片來源：勞動部
勞動行政訴願期限計算
勞動部強調，進行訴願的截止日期是自收到處分書的次日起算30天，並不會因為星期六、星期日或國定假日而減少。
舉例來說，如果某人在113年1月15日收到處分書，則提起訴願的期限是從113年1月16日開始計算，應於113年2月14日之前完成提起。如果最後一天正好碰上假期，則期限可以延到下班日。比如，假設這一天是農曆春節的最後一天，那麼訴願的提交就必須在113年2月15日（星期四）之前完成。
為了避免過期的問題，勞動部建議民眾如果預計會超過法定期限，可以先透過勞動部的勞工行政救濟案件資訊整合平台進行訴願聲明。
提交聲明時，必須詳細填寫訴願人的姓名、聯絡地址、原處分機關及處分字號。雖然訴願法要求提起訴願必須有書面文件，但勞動部在收到線上聲明後，也會通知訴願人在一定的期限內寄送簽名或蓋章的正式訴願書，以符合相關法規要求。
延伸閱讀：
期限將至、證據未備齊 勞動部：可線上聲明訴願
10種常見的「勞基法開罰」狀況，罰緩最少2萬起｜勞基法罰款懶人包
餐飲業能用「給加班費」打破連續工作4小時的限制嗎？律師：休息規定是強制性的
常見「不當勞動行為」有哪些？拒絕與工會協商、以懲戒、考績或減薪不利工會幹部都是！
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！
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
職場上也要背「九九乘法表」？作者指出，記住關鍵數字，能讓工作變得更有效率。無論是銷售量、生產量或是成本控管，當你能快速理解這些數字背後的意義，就能做出更精準的判斷，提升競爭力。該如何有效記住這些關鍵指標？本文節錄自《解決問題快10倍的數字工作法》，由韓國三星資深經理傳授，如何成為具備數字思維的人才！
文／盧泫兌
你知道為什麼要背九九乘法表嗎？是為了算得更快，還是為了學心算？其實，那些都是活用九九乘法的結果。最根本的原因，是為了打好乘法的基礎。原來是這樣！那如果在公司也像背九九乘法表一樣，記住一些重要的數字，工作是不是就會更輕鬆呢？
職場，就是一個數字的遊樂園。上班時，各類報告中的現況和議題都用數字呈現；開會時，討論和決策也離不開數字，幾乎每項業務都與數字息息相關。
更別提那些處理金錢和利率的金融業者，還有研究員和工程師了。他們需要檢視檢驗（計算）結果中的數字，然後根據數字進行開發或改進。而我每天上班後的第一件事，就是檢查部門的「KPI」（Key Performance Index，關鍵績效指標），以此開啟一天的工作。
確認KPI時，應先檢查團隊等整體指標，再檢視更細部的指標。同時參考昨日指標與當月或當週指標。由於昨日指標僅反映一天的數據，可能因短期變數而產生偏差，因此需要謹慎對待。
檢視KPI時，還要比較目標與現況的差距，並分析超標或未達標的原因。透過這些指標，可以直觀掌握部門的成果和業務進展。
營業部門負責提升銷售額，生產部門致力於增加產量，品管部門則專注於降低不良率。如果將這些目標量化，就能將銷售額、生產量、不良率等設為KPI，作為各部門衡量目標達成與績效評估的依據。
然而，以數字為核心工作的最大挑戰是，「需要檢視的數字太多」。隨著業務範圍擴大，必須記住的數字也越來越多。此外，經營環境變化快速，新議題層出不窮，因此目標經常需要調整。
人類的記憶力有限，能記住的數字當然也有限，心理學家用「遺忘曲線」來描述這種現象。根據德國心理學家赫爾曼．艾賓浩斯（Hermann Ebbinghaus）的研究，人類在學習新知識後，約一小時內會忘掉50％的內容，一個月後則會忘掉近80％。也就是說，大多數的新資訊會隨時間流逝，只留下些許模糊的片段。
圖／采實文化《解決問題快10倍的數字工作法》
那麼，我們該如何克服數字洪流與記憶力的限制？
1. 首先，專注於「驅動組織運作的核心數字」
任何組織只要掌握具體化的目標，相關的數字就會自然浮現。例如，營業部門的目標是銷售量，製造部門的目標是生產量，成本部門的目標則是成本節省金額。每個部門的成員都為了達成這些目標而努力工作。儘管不同產業與職務的性質和內容各有差異，但所有組織都有一個共通點：一定會有一個可量化的目標，這是不可或缺的基礎。
2. 找出「組織內經常使用的關鍵數字」
例如，金融業者需要掌握「利率」和「經濟成長率」、石化業則需要關注「國際油價」、國際貿易從業人員則需隨時了解「匯率」⋯⋯如果能提前掌握這些數字，不僅能大幅節省工作時間，還能提升效率。要在數字洪流中不迷失，穩穩抓住重點，就需要牢記工作中經常提及並使用的數字，同時密切觀察這些數字的變化趨勢及影響。
隨著工作年資增加，偶爾會遇到同事說：「應該理解數字，怎麼能死背呢？」這時不妨想想，為什麼小學時我們要背九九乘法表？因為只有熟記乘法表，才能輕鬆運用乘除法這些基礎運算。而前文提到的數字概念，在數字工作中，就像九九乘法表一樣，是不可或缺的基本工具。
提醒：像背九九乘法，牢記重要數字
驅動組織運作的核心數字
目標銷售額、目標生產量、目標成本節省額⋯⋯
組織內經常使用的關鍵數字
利率、經濟成長率、國際油價、匯率等關鍵數值
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：
設定「年度KPI」時，務必留意的3大注意事項
年終績效考核攻略！3招變身A咖員工，加薪升遷少不了
你的工作目標是誰訂的？「這思維」決定你是一流菁英或二流人才
有任何收穫或想分享的，都來和大家一起聊聊吧！