【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
104學習
統計調查
指利用系統化的方法收集、整理及分析數據，以了解現象背後的趨勢和模式，協助企業做出有依據的決策。具備此技能能提升資料解讀能力，增強問題解決與策略規劃的準確度，對市場研究、產品開發及業務優化都有實質幫助。
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】
Google Analytics 企業行銷數據分析實戰
【績效管理-入門】企業績效目標設定及評估
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
專為HR設計的：Excel招募數據分析
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
資料分析與視覺化
資料分析與視覺化｜本課程為線上課程，報名後將提供上課資訊
AI財務力：從數字到決策的智慧應用【9/3】
精選貼文，掌握第一手知識
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']
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
為何HR急著學人資數據分析？看懂2024最新趨勢，一窺企業的潛在規劃｜【人資F.B.I.研究報告】
人資數據分析不僅越發受到企業重視，也成為HR的必修課！數據化具體能應用哪些範圍？企業當前與未來預計投入的程度又是多少？HR學習這些技能究竟有什麼好處？本文透過104人力銀行最新發布的【2024人資F.B.I.研究報告】帶你一次看。
文／《104職場力》
本文導覽
人資也要跟數字打交道？為什麼HR都在學人資數據分析？人資數據分析的定義與應用範圍善用數據=掌握優勢！HR可用數據分析幫企業做什麼？我的產業走在前端嗎？快來看「人資數據分析的現況與趨勢」近3年企業運用數據分析管理人力資源的趨勢揭開企業的喜好！公開「人資議題數據化管理的使用排行榜」把握成長機會！HR學習人資數據分析的4大優勢
人資也要跟數字打交道？為什麼HR都在學人資數據分析？
HR跟數據的關聯不是只有薪水！在數位轉型的路上，人力資源數據化比我們想像的更加重要，這段小編要來跟大家聊聊現今企業越來越重視的數據分析議題。
人資數據分析的定義與應用範圍
顧名思義是指「利用數位工具及技術蒐集、整理人力資源管理相關的數據，並進行分析與解讀」，讓企業可以更深入地了解內部人力資源的狀況和表現。
所有人資會接觸到的工作項目，包含「選、用、育、留」等，都是可以建立數據庫並解析的面向，例如：招募成果、選人方式、離職比例、福利薪資調查、教育訓練成效分析，以及員工工作滿意度調查等，都是常見的人資數據分析範圍。
想進一步了解更詳細的定義與操作內容，歡迎閱讀：「HR人資數據分析」從步驟、使用工具到10種分析面向一次懂
善用數據=掌握優勢！HR可用數據分析幫企業做什麼？
人資數據分析的用途包含：了解求職者與員工行為、優化內部人資作業流程、管理並掌握企業人力配置狀況，並制定出有效的發展策略，藉此達成「人力資源最佳化」的狀態，幫公司節省開支。
而讓數據說話的好處是，企業可以基於事實制定更精準、更有效的決策，而非僅憑主觀感覺或經驗規劃，可避免走不必要的冤枉路。因此許多企業紛紛鼓勵人自家HR投入人力資源數據分析，或尋覓相關人才，希望能獲取更大的競爭優勢。
至於企業投入的程度有多熱列？【2024人資F.B.I.研究報告】做了相關調查，小編整理部分數據結果，下一段將說明這幾年的使用趨勢，或你也可以點擊下面按鈕直接觀看報告內容。
下載2024人資F.B.I.研究報告
延伸閱讀：善用數據分析，讓HR決策品質更上一層樓
我的產業走在前端嗎？快來看「人資數據分析的現況與趨勢」
哪個產業走在數位化尖端？看數據就知道！都說企業積極投入，但具體已經到什麼程度？自家企業進度是超前還是落後？接著往下看，讓趨勢數字告訴你答案！
近3年企業運用數據分析管理人力資源的趨勢
▲企業整體現況V.S.未來使用意願
近年來，有運用數據分析進行人力資源管理的企業逐年成長，從2021年的39.1%開始，每年遞增，至2023年比例已經來到54.2%，顯示人資數據分析的熱度已逐漸擴散。
而未來有意願加入的企業比例也提升，2023年已來到65.0%，不難預測未來的使用率趨勢會持續增加。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲各規模企業使用現況V.S.未來使用意願
企業規模使用現況未來使用意願5～49人53.7%64.4%50～199人58.5%73.1%200～299人66.9%69.5%500人以上84.4%89.6%資料來源：104人力銀行【2024人資F.B.I.研究報告】
對照兩者數字可發現，不論是現今的使用率或未來的使用意願，企業使用數據分析的比例都與企業規模的大小成正比。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲各產業企業使用現況V.S.未來使用意願
從產業別的使用比例來看，由高而低依序為：一般服務業56.2%、電子資訊業56.0%、知識密集服務業54.5%、傳統製造業50.9%。但不論哪一個產業，投入人資數據化管理的比例都破5成，且未來使用意願皆破6成。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
揭開企業的喜好！公開「人資議題數據化管理的使用排行榜」
在選、用、育、留幾個階段中，企業數據使用率最多的議題是哪個？
▲排行榜前5名分析
從近年比例消長中可看到，「維持良好的員工關係」已連續3年登上「企業運用數據管理人資議題」之冠，顯示無論怎麼分配，企業對留才的重視程度都排第一。
另外「提升員工績效表現、訂定具競爭力的員工薪酬福利、訂定人才招募需求規格、教育訓練成效分析與提升、訂定僱用人員的選用標準」等，都是榜上常勝軍，只是每年排名與比例有些微變動而已。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲2023年使用率提升比例觀察
如果依照不同規模與產業類別來看，可以從2023年使用率提升的狀態來辨別這些企業當前還重視哪些議題，例如：
50人以上至199人的企業在「訂定具有吸引力的招募內容」上增加了6.4個百分點。
200人以上至499人的企業在「人才盤點與人才缺口預測」增加了17.6個百分點；另外在「訂定僱用人員的選用標準」上也提升10.6個百分點。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
▲未來使用意願排名
展望2024年，企業使用意願增加的部分多偏重在用才與留才。
電子資訊業與一般服務業會想運用數據進行「人才盤點與人才缺口預測」及「績優人才預測」。
傳統製造業與知識密集服務業則想運用在「教育訓練成效分析與提升」及「訂定具誘因的人才留任機制」。
▲ 圖片來源：104人力銀行【2024人資F.B.I.研究報告】
看完以上分析，是不是更能掌握企業的數據化投入方向了呢？了解趨勢不僅有助於企業評估資源分配比例，也讓HR們在工作規劃上有更精準的目標。
想看更詳細的趨勢分析，歡迎點擊下方按鈕下載完整報告。
下載2024人資F.B.I.研究報告
把握成長機會！HR學習人資數據分析的4大優勢
不論是待業中、想轉職，或是正在崗位上打拼的HR們，擁有數據分析技能，對個人或職涯發展都有諸多好處，例如：
持續學習和成長、提升個人競爭力：投入人資數據分析，可以促使HR不斷學習和成長，除了能跟上自家產業發展的步伐，同時能在競爭激烈的同業中保持競爭力，薪資也更容易UPUP！
提高規劃與決策的效率和準確性：透過數據分析，HR可以做出更加準確和有效的決策，幫助企業實現更好的組織管理與人才發展，因此容易受到老闆的重視與青睞。
未來職涯發展有更多選擇：懂得人資數據分析的HR可以涉足更廣泛的領域，例如人才管理、組織發展、業務策略等，為自己的職涯發展開拓更多可能性。
提升在團隊中的影響力與重要性：懂得人資數據分析的HR可以透過此技能與洞察結果，向老闆展現自己的價值和能力，進而提升自己在組織中的影響力與地位。
如果你對人資數據分析感興趣，歡迎看看前輩怎麼說：人資職場必備技能！前輩談數據分析與應用
想了解更多人資數據的應用趨勢，以及解決HR作業困境的實際建議嗎？歡迎點擊下方按鈕下載完整報告。
下載2024人資F.B.I.研究報告
2024《人資F.B.I.研究報告》大綱
2024觀點發現
企業徵才與留才成效
提升企業徵才力與留才力建議
人才培育趨勢
人才培育難題
人才培育難題建議
人資數位化趨勢
人資數據應用趨勢
Chapter 1 ─ F.B.I.歷年趨勢觀察
HR作業使用趨勢Function
HR作業預算規劃Budget
HR作業關鍵指標Indicator
Chapter 2 ─ HR作業困境與建議
HR作業困境概況
人才徵選難題
人才徵選建議
人才培育難題
人才培育建議
Chapter 3 ─ HR時事議題
HR數據需求
HR作業數位化
附錄 ─ 研究設計、產業分類定義
關於【2024人資F.B.I.】，還有更多精選觀點值得推薦：
企業留才拉警報！2024員工離職、新人流失問題與趨勢｜免費載【人資F.B.I.研究報告】
人才培育難題是什麼？育才都花多少錢？揭曉2024趨勢與重點｜免費載【人資F.B.I.研究報告】
大家都想上「脆」找人才？HR必讀的最新社群招募趨勢與方法！｜【人資F.B.I.研究報告】
「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！
「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
【美國關稅風暴】企業如何掌握INFO原則、在不確定性中採取行動？
美國關稅政策的頻繁變動不僅對國內市場造成影響，更對全球貿易經濟帶來震盪與變革。在當前充滿不確定性的狀況中，企業面臨著前所未有的挑戰與機遇。本文將探討如何利用INFO原則優化內部溝通與數據分析，並提供具體的風險管理策略，幫助企業在美國關稅議題的影響下，制定靈活應變的計畫，持續保持競爭力。
文／《104職場力》
本文導覽
掌握INFO原則：建立訊息流通管道，培養識讀分析能力企業強化風險管理、擬定應變計畫的具體5步驟觀望之餘，企業還能採取哪些行動？
美國關稅政策加劇了全球經濟情勢的變動，也讓許多企業重新思考其商業模式和營運策略，企業不僅面臨著政策帶來的挑戰，還必須應對消費者行為及市場需求的快速變化。在這樣的背景下，企業如何在觀望的同時，主動採取行動來應對潛在的風險與機會？
延伸閱讀：川普宣佈台灣「暫時性關稅」為20%！美國「關稅風暴」是什麼？｜關稅風暴衝擊總整理
掌握INFO原則：建立訊息流通管道，培養識讀分析能力
在當前資訊紛繁且尚未明朗的狀況下，未知容易使人心惶惶不安。因此，確保內部資訊的暢通至關重要，當大家都清楚決策背後的原因及應對策略的方向，不僅能促進溝通和理解，還能有效安定內部人員的情緒。
快速獲取消息只是第一步，設定「清晰的訊息過濾標準」可以幫助聚焦重點，以符合組織需求和目標，企業不妨利用RSS訂閱或關鍵字警報等工具，創建自動化的資訊更新系統，從而獲取即時、相關的最新資訊，減輕手動搜尋的繁瑣。
另外，在大量獲取資訊之餘，「識讀能力」在這過程中更為關鍵，除了交叉參考多個來源，而非依賴單一消息，進而提高資訊的準確性與一致性之外；學會解讀官方文件或研究數據報告中的圖表和統計數據，才能真正有效地應用在自家產業政策評估上。
綜合上述論點，可以用4點進行歸納：
I - Internal Communication（內部溝通）：強調內部資訊暢通和決策透明性。
N - Navigating Information（導航資訊）：建立清晰的訊息過濾標準，聚焦關鍵資訊。
F - Fact-checking（事實檢查）：培養識讀能力、交叉參考多個資訊來源，確保準確性。
O - Outcome Analysis（結果分析）：解讀數據和官方文件，為策略調整提供支持。
活動分享：【104 talks】HR超前部署，打造企業全方位防護網｜4/24 線上免費直播
企業強化風險管理、擬定應變計畫的具體5步驟
面對不停改變的局勢，要針對現況的不確定性和關稅變化進行風險評估，企業可以依據以下步驟來建立評估模型。
1. 識別市場、政策、供應鏈的風險因素
分析可能影響產品需求的市場變化，包括消費者行為的改變、競爭對手策略調整等，並持續監控國際貿易政策、關稅調整及其他可能影響企業的法規變化。另同步評估供應商的穩定性，如供應商的財務狀況、交貨能力，以及材料價格波動的風險等。
2. 量化並分析風險
蒐集歷史關稅變化、原材料成本、產品銷售等相關數據來量化風險，將不同風險因素的影響轉化為財務指標，例如：影響成本、利潤和市場佔有率的變化。
透過數據建立風險矩陣，將風險因素根據影響程度和發生的可能性進行分類（如高、中、低風險），分析其變化趨勢，預測未來可能的風險情境。
3. 制定應變計畫、模擬情境
針對主要風險制定相應策略，涵蓋成本控制、拓展供應來源、產品線調整等，與財務、人力資源、供應鏈管理等部門密切溝通、協作，確保應變計畫可以全面實施，並隨著內外部環境的變化調整應變計策。
同時可根據不同的關稅變化模擬情境，例如：高關稅（32%）、中等關稅（15%）、低關稅（5%）和無關稅情況。設計情境時，考慮其他相關變數，如市場需求變化、競爭對手行為的改變、原材料成本上漲等。
4. 建立模型、進行模擬
建立財務模型，考慮關稅影響對收入、成本和利潤的計算方法，確保各項變數能夠模擬相互影響，接著對關鍵變數（如銷售量、單價、製造成本等）進行分析，了解它們的變化如何影響整體業務績效。
獲得每種情境下的預期財務結果後，再對模擬結果進行分析，評估在不同關稅下的成本結構、利潤和市場佔有率的變化。
5. 彈性決策並持續監控
根據模擬結果，發想具體的行動建議和應對方案，保有彈性之外也建議定期回顧情境模擬的結果或根據新的數據和環境變化更新模擬模型，確保其準確性和時效性。
延伸閱讀：關稅重塑全球貿易 適應力將成企業競爭優勢的重要前提
觀望之餘，企業還能採取哪些行動？
無論是當前美國的對等關稅問題，還是未來整體產業的發展，局勢的快速變化都是不可避免的。在這種情況下，企業在保持觀望的同時，也可以積極採取多項行動，以應對潛在挑戰並維持競爭力。
首先，在「供應鏈的彈性與多樣化」這塊不僅是透過建立多元化的供應商網絡，降低對單一市場的依賴，或許也可考慮在其他國家或地區設置生產基地，以減少因關稅影響而增加的成本。
其次，「市場和產品的調整」同樣重要。企業可重新評估美國或他國市場變化，考慮擴展至其他市場，比如那些可能因美國關稅政策而出現機會的國家。此外，「提升產品的價值」，例如升級和提供附加服務，可幫助企業更好地抵消關稅的影響。
與供應商的合作也是重要一環，企業可探索共同分擔增長成本的方案，建立更緊密的合作關係，不僅能有效提高供應鏈的韌性，還能共同應對政策變化的挑戰。
此外，企業還可以加強內部技術能力，持續發展數據分析技術，不光了解美國關稅影響，對於未來市場趨勢及潛在機會都有所幫助；同時，投資於技術創新可提高生產靈活性和效率，實現成本優化。
在觀望的同時，這些行動可為企業打下穩固基礎，不僅有助於應對當前挑戰，也有益於未來的持續發展，在瞬息萬變的市場中繼續前行。
延伸閱讀：
美國加稅、全球震盪，HR的挑戰才正要開始
因應美國關稅政策，行政院宣布「9大面向、20項措施、總經費880億元」支持方案
【美國關稅】經濟部評估個別產業影響，提4政策、410億加碼貸款補助
選才升級指南：打破面試迷思，用數據賦能結構式面談！（下）
這份報告目的在於透過104職能測評與結構式職能面談，全面評估一名應徵「廣告行銷公關業人資主管」職位的人選，以判斷其預期績效表現及職務契合度。職能測評可以提供客觀的數據參考；結構式職能面談則以收集具體行為事例，作為更細緻的評估，讓我們得以深入了解人選的行為模式。
文章導覽：
104職能測評結果概覽：預見績效潛力
結構式職能面談重點與發現：深入洞察行為實例
綜合評估與招募建議
104職能測評結果概覽：預見績效潛力
1. 整體職能勝任度預測：具「無法達標」風險
此人選的整體職能勝任度為PR23，低於該職務預期能達到績效目標的達標門檻PR30。
預期結果： 測評結果初步判斷，該人選有整體職能偏低而可能無法達成績效標準的風險。
2. 關鍵職能表現分析：
所有6項關鍵職能均達門檻： 雖然整體勝任度偏低，但測評報告顯示人選在所有6項應具備的關鍵職能上，分數皆達到或高於該職務的達標門檻，表示沒有任何單一職能分數過低到足以直接導致其績效無法達標。
主要影響職能（與常模相比偏低）：溝通協調 PR38（低於常模PR70）、影響說服 PR39（低於常模PR66）、主動積極 PR56（低於常模PR68），這三項職能在與該職務的職能常模（平均表現）相比時，呈現較大的落差，是造成整體勝任度偏低的主要因素。
亮點職能（與常模相比偏高）：計劃組織 PR69（高於常模PR65），人選在「計劃組織」方面表現優異，高於該職務的常模，是其顯著優勢。
結構式職能面談重點與發現：深入洞察行為實例
根據職能測評結果，面談聚焦於人選分數偏低的「溝通協調」與分數較高的「計劃組織」，以收集具體行為事例（CAR），作為更細緻的評估：
1. 針對「溝通協調」職能（測評分數偏低）：
◦ 面談目的：測評顯示此職能分數最低（PR38），需釐清是否會阻礙其績效達標。
◦ 面談提問：「與意見相左的人溝通總是有壓力的，能分享一個你如何與他們進行溝通協調的實際經歷嗎？」
◦ 人選行為事例（CAR）：
狀況 (Condition)：曾有主管抱怨新的獎金計算方法不公平，人選當時聽得不是很懂，不知如何回覆。
行動 (Action)：告知主管會後了解清楚再回覆；回去後與承辦同仁再次找主管談，請主管舉例，並試算新舊獎金辦法，了解抱怨點後微調成更合理的算法。
結果 (Result)：成功讓該主管接受。
◦ 主管洞察與評估：
人選雖不擅長臨場反應，但展現了「釐清雙方意見歧異點並取得共識」的關鍵行為。
用人主管認為，薪酬主管不一定需要絕佳的臨場反應能力，若能在事後清楚釐清問題並達成共識即可。
結論：該人選的「溝通協調」雖測評分數較低，但透過具體事例判斷，其不良影響尚可管控，不致構成重大任用風險。
2. 針對「計劃組織」職能（測評分數較高）：
◦ 面談目的： 確認此優勢如何轉化為實際的績效表現，是否符合公司需求。
◦ 面談提問： 「請談談你在有限時間和資源下，負責公司跨部門專案的經驗。包含：專案任務為何？你的處理過程和結果又如何？」
◦ 人選行為事例（CAR）：
狀況 (Condition)： 剛到職時被指派檢視公司薪資競爭力，解決主管抱怨招募不到優秀人才的問題，且時間緊迫，需要外部同業薪資資訊。
行動 (Action)： 說服老闆投資經費引進專業顧問公司；邀請並評選出資料最豐富且價格合理的本土廠商；與同仁配合顧問安排，向各主管簡報成果，並說服公司調整關鍵職務的敘薪標準。
結果 (Result)： 公司調整了關鍵職務敘薪標準，主管對公司薪資水準有了信心。
◦ 主管洞察與評估：
人選展現了「評估所需資源，尋找、協調並整合所有可用資源」的關鍵行為。
用人主管認為，雖然人選的處理方式與公司原先期望「薪酬主管應能自己搞定薪資大小事」略有不同，但考量到人力有限，人選能說服公司投入合理費用，有效解決長期困擾的招募問題，這是一個符合公司實務需求的「聰明解法」。
結論： 該人選能有效運用資源解決複雜問題，其「計劃組織」能力顯然能為公司帶來價值。
綜合評估與招募建議
• 整體判斷：儘管測評結果顯示人選的整體職能勝任度低於達標門檻，且部分職能與職能常模有落差。但透過結構式職能面談，我們得以深入了解其具體行為模式。在「溝通協調」方面，雖然不擅長臨場反應，但能有效釐清並解決問題。在「計劃組織」方面，則展現了運用外部資源解決複雜問題的能力。
• 建議：考量到目前人選難尋，且該人選雖非「理想中」完全符合所有條件，但其解決問題的策略和實際能力，顯示其仍具備應對職務挑戰的潛力，可列為錄取的備選人才之一，以應對急需的戰力缺口。
透過結合104職能測評與結構式職能面談，我們得以擺脫單憑直覺的低效選才模式。這套系統化的方法，不僅提供了客觀的數據預測，更透過深入的行為事例，幫助我們在招募過程中做出更周全、更符合公司實際需求的決策，進而迅速有效評選出高績效人才。請先登入或註冊104測評中心會員，新客獨享▶免費體驗施測看報告，親身感受職能測評如何協助您精準辨識高績效人才、建構高效團隊！
【2025人資F.B.I.研究報告】人才最新趨勢、HR操作痛點、AI工具使用觀察｜完整報告
服務超過46萬家企業會員的104人力銀行，發表第14年度的《人資F.B.I.研究報告》，今年隨著企業在徵才和留才方面面臨的挑戰愈加艱巨，我們對研究報告的架構進行了調整，將重點放在「HR在操作過程中遇到的具體困難」，並從企業和求職者／在職者的角度提出解決方案，並保留原有的人資趨勢觀點，期待報告能為企業提供有價值的見解與參考。
文／《104職場力》小編
【2025人資F.B.I.研究報告】
《2025人資F.B.I.研究報告》大綱徵才與選才：徵才趨勢、招募管道成效、招募難題與應對育才與用才：育才、績效管理工具使用趨勢，難題與應對數位化與數據化：人資作業數位化、HR數據需求、AI工具使用《2025人資F.B.I.研究報告》研究設計
《104職場力》根據104人力銀行於2025年所提出的《人資F.B.I.報告》，為大家先行整理報告的重點摘要，期望能夠提供人力資源工作者、企業相關的觀察與發現，一窺近年產業趨勢，並從專業的人力資源管理角度，給予相關的人才管理建議。
104人資長解析講座回放影音 ▶ 【立即觀看】
《2025人資F.B.I.研究報告》大綱
◆ 2025觀點發現◆ 徵才與選才● 徵才趨勢● 各招募管理成效● 雇主品牌經營● 選才趨勢● 新進人員年齡概況● 履歷落差● 招募難題與應對◆ 育才與用才● 育才趨勢● 績效管理工具使用趨勢● 育才難題與應對◆ 數位化與數據化● 人資作業數位化● HR數據需求● AI工具使用◆ HR作業關鍵指標● 招募成效指標● 新人留任率● 離職率◆ 2025報告總結
完整報告【2025人資F.B.I.研究報告】
徵才與選才：徵才趨勢、招募管道成效、招募難題與應對
企業招募管道多元化，人力銀行仍是TOP1社群人脈、校徵、企業官網與專業人才 Head Hunter 使用率增加
《人資F.B.I.研究報告》徵才與選才
展望未年一年，企業招募仍傾向多管道併行，
校園、Head Hunter 與社群使用意願增加最多
《人資F.B.I.研究報告》徵才與選才
網路廣告不論在求職者的履歷數量或是人才符合度上皆表現最優
Head Hunter 在人才條件符合度上，高評價者多
《人資F.B.I.研究報告》徵才與選才
近六成企業招募人員時會使用選才工具來輔助判斷人才的合宜性
「職能評鑑」、「性格測驗」與「背景調查」為企業最常使用的 TOP 3 選才工具
《人資F.B.I.研究報告》徵才與選才
有五成七的企業反應前來面試的求職人員裡，人選與履歷陳述內容落差有變大的狀況
《人資F.B.I.研究報告》徵才與選才
完整篇章請參考：【2025人資F.B.I.研究報告】
育才與用才：育才、績效管理工具使用趨勢，難題與應對
企業人才培育意識提升，採用Mentor培育一般員工的企業比例增加
培育管理／高潛力人才則傾向透過實體課程
《人資F.B.I.研究報告》育才與用才
約六成六的企業過去一年有使用績效管理工具
「KPI」、「MBO」與「OKR」為企業最常使用的 TOP 3 績效管理工具
《人資F.B.I.研究報告》育才與用才
完整篇章請參考：【2025人資F.B.I.研究報告】
數位化與數據化：人資作業數位化、HR數據需求、AI工具使用
約七成的企業有將人資作業導入數位化，已導入數位化的仍偏重在人力資源管理 (HRM)
相較於往年，使用「用手機打卡及處理假勤簽核」與「人才面試記錄」的企業增加
《人資F.B.I.研究報告》數位化與數據化
展望未來一年，企業對於人力資源發展 (HRD) 想導入數位化的意願高
《人資F.B.I.研究報告》數位化與數據化
五成企業有運用數據進行人力資源管理，TOP 5 議題多與人員培訓、留任有關
《人資F.B.I.研究報告》數位化與數據化
約有三分之一的企業在過去兩年曾運用 AI 工具去完成人資相關作業
最常使用的任務項為撰寫 JD 內容與處理人事相關問題
《人資F.B.I.研究報告》數位化與數據化
500 人及以上規模、知識密集服務業有使用 AI 工具的比例較高
50人及以上規模與一般服務業亦常應用在「生成推薦信或介紹信」、製造業為「提供課程的培訓計劃」
《人資F.B.I.研究報告》數位化與數據化
完整篇章請參考：【2025人資F.B.I.研究報告】
如果還想了解更多企業招募相關趨勢與發現嗎？詳細完整的「2025觀點發現」、「HR作業關鍵指標」、「2025報告總結」等內容，歡迎點擊下方按鈕【下載完整報導】唷！
完整報告【2025人資F.B.I.研究報告】
《2025人資F.B.I.研究報告》研究設計
資料蒐集方式：網路量化調查問卷
調查期間：2024.12.16 ~ 2025.03.31
有效樣本數：1,119 份（95%信心水準下，抽樣誤差在2.8%內）
受訪對象：目前任職於5人以上規模企業&從事有關人力資源（人事）的相關工作
※ 為了更準確的呈現台灣整體產業的人資管理趨勢，參考當年度最新公佈之工商普查的 產業類別 及企業規模 分布，進行兩階層加權推估，受訪者樣本輪廓詳見下圖。
更多【人資F.B.I】研究報告精選觀點
企業留才拉警報！2024員工離職、新人流失問題與趨勢
人才培育難題是什麼？育才都花多少錢？揭曉2024趨勢與重點
為何HR急著學人資數據分析？看懂2024最新趨勢，一窺企業的潛在規劃
大家都想上「脆」找人才？HR必讀的最新社群招募趨勢與方法！
跨產業搶才大戰來了！企業如何防範關鍵員工悄悄跳槽？【企業實例】
文／104 人資學院
隨著AI人才需求激增，軟體業面臨人才爭奪戰，尤其已有工作經驗的AI人才更為珍貴。為防範員工悄悄跳槽，企業可以透過兩大策略應對：一是建立科學化的員工滿意度調查系統，及早掌握問題並採取預防措施；二是強化雇主品牌，讓員工清楚了解企業相較於競爭者的優勢。本文將分享由104人資學院資深專任顧問黃愛Lilian主講的「留住敬業好人才—員工滿意度與敬業度調查」講座中的企業實例，解析某500人員工規模的軟體業公司調查報告，並探討如何利用調查結果提出實質的建議改善計劃。
本文導覽
建立科學化的調查系統1. 有效填答率過低，報告結果有疑慮2. 診斷後紅字要列為追蹤議題3. 沒紅字不代表沒問題，每個指標都要近看細節4. 進行產業比對才知道企業真實的競爭力5. 對組織滿意員工不一定會留下來，員工敬業分數不可忽視對內強化雇主品牌104員工滿意度調查，節省50% HR時間成本
隨著半導體技術的加持，AI人才需求愈加供不應求，軟體業紛紛祭出各種招數，如校園講座、半導體學長姐職涯輔導等方式，積極搶奪關鍵AI人才。然而，對於已擁有AI技術的公司而言，經驗豐富的AI人才更是無價之寶。這使得企業在內部人員管理上，面臨更大風險：如何有效防範挖角行為，並保障關鍵人才的留任？
企業該如何防範員工悄悄跳槽呢？一、建立科學化的調查系統，透過定期調查員工滿意度掌握潛在問題並採取預防措施；二、對內強化雇主品牌，透過調查外部競業現況，讓員工清楚企業相較於其他公司的獨特優勢。
以下我們將分享某間員工數500人以上的軟體及網路相關企業的員工滿意度調查報告，與大家探討如何利用該報告預測潛在問題，制定有效的人力資源計劃。
建立科學化的調查系統
從調查結果（圖一）顯示，有效填答率為71%，整體成績PR為55（在100間企業中排名前55），價值認同PR為62，努力承諾PR為56，留職意願PR為52。當我們收到報告時，下面五點必須注意:
圖一、500人軟體及網路相關企業的員工滿意度調查報告
1. 有效填答率過低，報告結果有疑慮有效填答率過低可能使調查結果不夠全面或是存在偏差，企業應該積極提高填答覆蓋率。以下是幾個提高調查覆蓋率的常見方法：(1) 明確目的及重要性：在問卷說明中清楚闡明調查目的，讓員工理解他們的參與將影響公司福利改善及政策決策。(2) 承諾匿名填答：強調問卷的匿名性和保密性，讓員工理解調查結果不會影響績效發展等後果。(3) 主管主動示範：讓主管先進行填答成為表率，並對同仁宣達，主管過去即使對企業有不滿之處，誠實作答後仍不影響他繼續留任。(4) 回饋及行動方案：調查時即公開後續回饋時間，讓員工可以知道填答結果，以及公司後續的回應。
2.診斷後紅字要列為追蹤議題在104員工滿意度調查系統中，成績分為兩大項：組織分數與員工敬業度分數。組織分數涵蓋主管、同事、工作、發展、薪酬、企業文化、永續經營等方面，而員工敬業度則包括價值認同、努力承諾、留職意願等指標。當PR分數低於50時，該項目將被標註為紅字，這代表該領域存在明顯的管理問題，就像個人健檢中的紅字項目一樣，這些低分項目應被列為追蹤議題，並進行深入分析。
以圖一為例，我們可以看到「主管」分數被列為紅字，而在系統上也有「應該安排主管上管理課程」等建議，因此企業應該針對為什麼低分進行詳細的原因剖析，並制定具體的改善措施。詳細的原因剖析可以透過交叉比對，或是在系統中點選該項目，系統也有提供中向度的指標和員工的具體回饋來讓企業瞭解。（圖二）
圖二、員工滿意度調查報告中「主管」項指標
從圖二中可見，員工對於「主管溝通」、「主管整體」、「團隊建立」、「工作指導」等項目給予低分，表示企業需要加強主管這些領域的能力。企業應該針對這些問題制定具體的行動計劃（圖二橘色表格），例如提供相關的主管培訓課程、提高主管的溝通技巧和團隊建設能力，並定期追蹤進展，確保改善措施的有效落實。
而且104員工滿意度調查系統非常貼心地在需要補強的項目後方，提供了相應的技能訓練線上課程路徑。HR可以直接透過系統中的連結，快速引導主管進行後續的培訓和測驗，幫助他們提升管理能力。加速企業後續的採購、備課、測驗的時間，也確保課程與職能間的針對性和有效性。
3.沒紅字不代表沒問題，每個指標都要近看細節即使在104員工滿意度調查中，大項目的總體成績沒有出現紅字，也不代表該領域就完全沒有改善空間。HR和管理層仍然應該進一步深入查看細節，了解項目中的具體反饋和潛在問題。例如圖三中「工作」項的整體PR為54，雖然總體分數不低，但在細項中，「工作成就感」的PR卻為47，這明顯低於整體分數。這表示縱使員工對工作的整體滿意度較高，但在工作成就感方面仍有改善空間。
這種細節問題可能在總體分數中被掩蓋，但可能是影響員工留任和敬業度的關鍵因素。例如對於軟體工程師來說，性格中普遍包含發掘問題、解決問題以及追求技術進步等特徵。當企業內部產品已經穩定，或是在開發過程中僅重視快速交付而忽略了技術的深入打磨和成熟時，可能會對工程師的成就感產生影響。當工作缺乏挑戰性或無法帶來突破時，工程師可能會覺得工作缺乏價值和意義，進而影響他們的留任意願。
圖三、員工滿意度調查報告中「工作」項指標
4.進行產業比對才知道企業真實的競爭力在資源有限的情況下，當企業發現員工滿意度各方面均未達理想時，應如何優先著手改善？此時進行產業比對，能幫助企業清楚瞭解自身的招募競爭力，發現與同行相比存在的劣勢，以及在哪些領域有競爭優勢。
例如，如果發現企業在薪酬、發展機會或企業文化方面的分數低於同行業的標準，這意味著公司在吸引或留任關鍵人才時處於不利位置。企業應該優先改善與競爭對手相比的劣勢，例如提升薪酬福利、改善薪酬結構，或是透過其他制度上的優勢（遠端工作、彈性上下班等）增加人才吸引力和員工留任力。
本文中的企業剛好沒有低於產業平均項的危險指標需要改善。當貴公司與本文企業相同時，我們建議再參考系統提供的盲點項（圖四），加入後續改善計畫（圖四橘色表格），但如果已有危險項目應優先處理危險項。
圖四、員工滿意度調查「盲點」項指標
5.對組織滿意員工不一定會留下來，員工敬業分數不可忽視即便員工對組織的工作環境、薪酬或企業文化等方面滿意，這並不保證他們會長期留在公司。員工的敬業度（價值認同、努力承諾、留職意願）指標，對其留任具有直接影響（由於是調查員工「意願」）。若員工缺乏對企業價值觀的認同、感受不到想要努力工作的意願等，即便其他條件再好，他們的流失風險也很高。因此企業應關注這些敬業度指標，制定有針對性的改善措施、經營雇主品牌，提升員工對企業使命和願景的認同。
對內強化雇主品牌
在進行員工滿意度調查時，企業除了關注需改善的項目，往往忽略了發掘和強化自身的「優勢」。實際上，這些優勢若能有效放大，不僅能提升員工的滿意度，還能增強雇主品牌。
舉例來說，若員工對「發展」項目的滿意度較高，企業應該加大這方面的宣導力度。在內部公告欄中定期更新發展機會及成效，讓員工瞭解自己可以透過哪些管道提升專業技能，並激勵員工自主分享自己使用這些資源後的心得或成功案例。這樣不僅能鼓勵更多員工使用這些資源，提升員工技術力、加深員工敬業度中對工作努力承諾的指標，還能塑造內部分享的環境，更貼合企業積極向上、熱於分享的的企業文化。
另外透過產業比對分析（圖五）後，若發現企業在某些領域的PR分數優於競業，更該將這些優勢進行宣傳，例如將分數放在職缺頁，或是在轉職潮的月份提醒員工：「企業的工作環境表現並不差」。舉個例子，若企業在員工「發展」方面優於同行，管理層可以專門訪問該團隊或部門，請他們分享成功的經驗與做法，將這些正面的聲音與實踐素材進一步行銷，使之成為企業的雇主品牌的一部分，進而提升員工對企業的認同感與忠誠度，也有助於避免員工因為外部誘惑而產生跳槽念頭。
圖五之一、員工滿意度調查中優勢、劣勢成績
圖五之二、員工滿意度調查中優勢放在職缺頁範例
除了分數本身可以作為雇主品牌使用的武器外，組織想要進行調查的「誠意」和「決心」也很重要。如果企業在進行員工滿意度調查前，能夠承諾這不僅僅是一份「做做樣子」的問卷，而是會根據結果採取具體的改善措施，並在調查結束後對內公布成效，這樣的透明度作法和誠意能增強員工的信任感。但還是要提醒企業調查固然重要，但比起年年進行調查，員工更在意的是調查背後是否有行動。
104員工滿意度調查，節省50% HR時間成本
進行員工滿意度調查並不是一項輕鬆的任務，從設計問卷、推動填答、整理分析結果、提出改善計劃，到後續追蹤改善成效、行銷利用等，都需要HR投入大量的精力與時間。如果想要節省50%的人力即可完成滿意度調查的話，104不僅提供全面的員工滿意度調查系統，幫助企業輕鬆完成這些繁瑣的步驟，還能與專業的顧問團隊合作，根據調查結果，提供進一步分析，以及改善措施和追蹤成效之作法建議。畢竟，在面對如此多需要改善的議題時，最難的往往是如何排序、如何實踐，哪些問題會直接影響員工留任、影響組織生產力。如果您從未使用過104員工滿意度調查系統，歡迎與我們聯繫申請免費試用的機會。我們的顧問團隊將協助您深入分析調查結果，制定有效的人力資源計劃，幫助您的企業在軟體業的人才競爭中展現出企業的招募留才實力。
>> 最受軟體業青睞的員工滿意度調查系統：104員工滿意度調查系統
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
RMN 3.0浪潮，統一、全家跨足新戰場！解析台灣零售業數位行銷產業地圖
疫情後台灣零售產業面臨原料及物流成本增加、毛利偏低、勞動成本提高……等經營挑戰，2023年約有6成零售業者已著手經營網路社群，同時發展會員經濟、導入精準行銷以及開發品牌APP，帶動數位行銷科技應用滲透率快速攀升。本文從3個面向解析台灣零售業「數位行銷軍火庫」產業地圖。
文／未來流通研究所
本文目錄：台灣零售業「數位行銷軍火庫」產業地圖（點擊可快速前往）
邁入行銷科技爆發期1. 生成式AI帶動新創企業快速成長、2024全球進入行銷科技爆發期2. 數據分析、AI／ML系統為台灣業者規劃導入TOP 2行銷科技工具廣告行銷及數據應用1. RMN 3.0世代到來，實體通路商跨足廣告媒體戰場2. 顧客數據平台（CDP）滲透率穩定成長社群CRM及商業整合1. 聊天訊息與社群平台具高滲透率優勢，即時溝通、CRM功能展開創新應用2. 整合管理及商業銷售解決方案推陳出新，一站式科技解方應對超高齡挑戰台灣零售業「數位行銷軍火庫」相關工作
疫情後台灣零售產業面臨原料&物流成本增加（59.1%）、毛利偏低（56.4%）、勞動成本提高（45.5%）、消費需求多變（42.8%）、人員短缺&流動率高（39.4%）等經營挑戰，驅動業者藉由積極的數位科技佈局以應對營運挑戰及建構競爭優勢。根據主管機關調查，2023年約有63.4%的零售業者已著手經營網路社群，發展會員經濟、導入精準行銷以及開發品牌APP的業者比例亦分別達46.4%、37.8%及25.9%，同步帶動廣告行銷、社群&顧客關係管理、商業銷售、數據應用等行銷科技應用滲透率快速攀升。在大量解決方案供應商的投入帶動下，疫情後台灣零售業數位行銷軍火庫快速成形，為零售產業帶來有助於創造低成本結構與高營運效益的科技解方。
除台灣市場外，全球行銷科技產業同樣展現豐沛成長力道。根據美國行銷科技研究機構Chiefmartec發布調查顯示，2024年全球行銷科技解決方案數量年增27.8%至14,106項，與2011年調查結果相較增長幅度達9304%，平均CAGR達41.8%。值得一提的是，推動2024年解決方案數高速成長的主因之一在於生成式AI帶來的巨大技術槓桿力，使行銷科技新創企業在過去一年間加速增長。Chiefmartec指出，過去12個月中新增產品數量逾3,000項、超過首度調查前5年內新增商品數量總和。軟體開發與部署成本的持續下降、加上大量解決方案的快速生成與多元化創新實踐，將全球行銷科技產業推進物種快速增加的「寒武紀大爆發」時期。
未來流通研究所以台灣零售業「數位行銷軍火庫」為主題，爬取關聯企業主要解決方案內容，同時搭配服務功能、代表性客戶與亮點案例進行說明，做為觀測台灣零售業數位行銷解決方案整體結構與發展走勢的分析基礎。
圖／未來流通研究所
邁入行銷科技爆發期
2024全球MarTech產品數量年增27.8%，數據分析及AI／ML系統為台灣業者規劃導入工具TOP 2
1. 生成式AI帶動新創企業快速成長、2024全球進入行銷科技爆發期
隨著各式解決方案在短期間內大量問世，「可組合性（Composability）」成為近年全球行銷科技領域的主流趨勢，加上無程式碼／低程式碼AI技術的出現，用戶藉由自然語言描述即可靈活整合各項系統、軟體或元件，創建出符合企業本身需求的自定義解決方案。調查結果顯示，不同於B2B企業高度仰賴客戶關係管理（CRM）系統與行銷自動化（MAP）／顧客互動平台（CEP）的「技術棧」組成，B2C零售企業MarTech技術棧結構分布相對平均，核心技術應用類別以顧客數據平台（26.9%）、資料倉儲（20.9%）、MAP／CEP（19.4%）以及客戶關係管理（17.9%）為主。進一步以導入技術類型區分可以看到，MAP與CRM系統為應用普及率最高的解決方案類別，佔比達88.1%及84.5%；AI／BI分析平台與數位體驗平台應用佔比亦均超過50%，分別達69.1%及53.6%。
2. 數據分析、AI／ML系統為台灣業者規劃導入TOP 2行銷科技工具
在大量Martech解決方案供應商的投入帶動下，疫情後台灣零售業數位行銷軍火庫快速成形，為零售產業帶來有助於創造出低成本結構、高營運效益的科技解方。根據未來商務發布2024 Martech企業應用趨勢調查報告顯示，多數企業對於未來一年內期望新增的行銷科技工具均已有明確需求方向，近40%的企業表示規劃導入數據分析工具，進一步鞏固數據分析相關解決方案的高滲透率與普及率優勢。計劃導入人工智慧與機器學習系統、顧客關係管理、客戶數據平台、跨通路自動化行銷平台、會員&忠誠度管理系統、聊天&客服機器人、搜尋引擎優化、內容&產品管理系統的業者比例亦均超過20%。
廣告行銷及數據應用
零售媒體網絡（RMN）3.0世代到來，顧客數據平台（CDP）滲透率穩定成長
1. RMN 3.0世代到來，實體通路商跨足廣告媒體戰場
零售媒體網絡（RMN）成為2023年後台灣廣告行銷科技領域中快速崛起的主力戰場。與傳統廣告工具不同的是，零售媒體網絡以第一方零售數據為基礎，因此擁有龐大數據資產與消費者全通路接觸點的大型零售通路企業成為此波RMN浪潮下最重要的新進參與者，包括統一超商、全家便利商店、新光三越、富邦媒體科技（momo購物網）、Pinkoi等大型零售與電商集團均陸續建構自有廣告事業體並推出標準化媒體購買版位，不僅將廣告轉化為零售本業外新的營收成長引擎與獲利來源外，也藉此與品牌端建立更加深度的合作與數據共享關係。
例如統一數網整合統一集團旗下7-ELEVEN、康是美、星巴克等上萬家通路據點以及高達1,800萬的OPENPOINT會員消費者數據，以全台實體通路最密集的會員消費生態圈為優勢基礎，於2024年推出PRESCO零售媒體服務。線上廣告投放應用通路第一手數據精準鎖定受眾並進行個人化推薦，線下則以數位家外媒體聯播網PRESCO DOOH為主（7-ELEVEN門市即覆蓋近2萬台螢幕），結合零售活動策展、場域租賃、包店、直播、展覽等方式觸及消費者、提升品牌曝光度。此外統一數網亦與擁有龐大數位生態圈的LINE合作，將OPEN!Data應用在LINE LAP平台進行網路廣告投放。
全家便利商店2023年推出Family Ads廣告與RMN服務，以促進店內交易以提升門店銷售額為目標，銷售橫跨實體店鋪電子看板、Line Beacon、直播平台以及社群媒體等管道的廣告版位。目前已有超過2,500家全家店鋪導入電子看板、裝設Line Beacon感應器的門市數量亦已超過1,000家，代表性客戶包括比比昂、台新銀行、加州葡萄、哈根達斯冰淇淋等。
除實體零售通路外，疫情期間滲透率快速攀升的外送&叫車平台亦積極針對旗下大量消費者日常飲食與生活動線數據進行活用。2024年Uber推出Uber RMN全渠道廣告平台服務，協助品牌商精準鎖定消費者並投放客製化廣告。例如針對曾使用毛孩優步或搭車前往寵物展的消費者推播寵物用品廣告；針對曾訂購速食餐點與宵夜的消費者投放茶飲與消化益生菌廣告；以及針對曾搭車前往酒吧、購買家用品或於週末或夜間時段訂購宵夜零食的消費者推播酒品廣告等；foodpanda同樣於2023年推出Panda ads零售媒體聯播網服務，將外送App、合作商家、外送商品袋、社群媒體、電子報以及外送機車車廂全數轉化為內容載體，應用線上線下實體及數位廣告形式針對活躍用戶、外送夥伴及合作商店進行精準行銷投放，構建出全新型態的廣告模式。此外，D2C整合解決方案提供商91APP亦結合旗下獨家AI模型jooii於2024年推出RMN 3.0服務，正式進軍數位廣告市場；禾多移動則推出來客行銷大聯盟（LRMN）服務，以去識別化ID整合多家媒體及電商第一方數據，透過標籤獲取用戶站外足跡並進行精準廣告投放；廣告科技公司OneAD則推出Webb韋伯多通路零售數據智能平台，做為RMN3.0的重要基礎。
2. 顧客數據平台（CDP）滲透率穩定成長
CDP近年持續整合AI／ML技術並支援更加廣泛的數據來源整合，能夠協助用戶自大量顧客數據中自動識別行為模式、預測需求並進行更精準的市場細分以及個性化推薦。加上無程式碼與低程式碼AI的出現，使業務部門能夠更加靈活且快速地應用CDP，帶動滲透率與使用實績穩定增長，做為零售企業行銷科技「技術棧」核心的優勢地位穩固。例如iKala推出的iKala CDP能夠提供顧客畫像、自動化標籤、智慧預測推薦及行銷自動化等功能。beBit旗下OmniSegment平台結合CRM與客戶體驗數據，提供商品會員分析、自動化結標、行銷策略優化等功能，代表性客戶包括天使娜拉、Versuni、茶籽堂、汪喵星球、六月初一等。
社群CRM及商業整合
社群媒體結合CRM展開創新應用，一站式科技解方應對超高齡挑戰
1. 聊天訊息與社群平台具高滲透率優勢，即時溝通、CRM功能展開創新應用
2023年台灣社群平台用戶總數達1,920萬，佔全台人口比例達80.2%，遠高於東亞地區74.0%的平均水準，若以18歲以上人口做為母體，佔比進一步增至85.0%。此外，聊天訊息與社群媒體平台佔民眾主要造訪網站／使用APP類型分別高達98.8%及95.9%。因此，活用聊天訊息&SNS平台做為品牌與消費者即時溝通、對話銷售以及客戶關係整合管理成為近年台灣行銷科技領域中相當重要的應用。
例如國民通訊軟體LINE推出LINE Biz-Solution，涵蓋LINE官方帳號解決方案、廣告解決方案、促銷工具解決方案以及CLOVA人工智慧解決方案等，提供橫跨分眾對話行銷、精準廣告投放、線上線下集點&促銷導購、通用性商業AI服務與熱點定位等功能。2023年LINE進一步推出以企業為中心的LINE企業管理平台，能夠跨品牌／跨平台／跨帳號累積及整合LINE行銷生態圈相關數據。截至2024年8月，LINE企業管理平台開啟帳號數量年增284%，導入企業類型橫跨零售通路、電商、電信、金融、遊戲等，代表性客戶包括The North Face、上山採藥、三星、昇恆昌、好房網等。
聚焦發展全通路對話式商務技術的Omnichat 2023年推出Social CDP顧客社群數據平台與Omni AI對話商務解決方案。其中Social CDP提供跨渠道數據整合、顧客輪廓分析至自動化個人行銷等解決方案，協助品牌方達成提高顧客終身價值的目標。2023年Omnichat與屈臣氏合作，於LINE官方帳號中推出e聊保健室服務，消費者可選擇鄰近門市的藥師與健康顧問進行一對一諮詢並即時獲得健康建議，屈臣氏則可藉由貼標功能更有效率地了解與紀錄客戶需求，並進一步推薦合適的商品與服務訊息。
2. 整合管理及商業銷售解決方案推陳出新，一站式科技解方應對超高齡挑戰
本次調查結果顯示，智慧開店平台商近年均陸續推出一站式技術解決方案，做為零售業數位行銷軍火庫的定位益發清晰。例如CYBERBIZ 2023年推出CYBERBIZ APP MARKET服務，整合超過90家行銷科技合作夥伴、提供包括直播購物、網紅行銷管理、AI廣告投放、會員經營、電商代營運等在內逾200項工具或服務。智慧開店平台SHOPLINE亦於2023年推出SHOPLINE擴充功能商店服務（SHOPLINE Apps Store），並於2024年推出一鍵訂閱夥伴擴充功能服務，持續強化開放生態圈策略。SHOPLINE Apps Store涵蓋約200項自主研發及第三方擴充功能，包括AI自動化行銷、網紅媒合、資安防護、數據管理等，擴充功能安裝滲透率超過70%。
總部位於東京的日商雙贏2019年來台營運，主要為中大型企業及定期訂購企業提供電商系統服務。日商雙贏推出的W2 Cloud 企業方案提供會員管理、商品排名&目標客群管理、一頁式購物商店、商店分析報告、品牌管理、SEO優化管理等超過1000項功能，能夠滿足各種規模企業需求並有助於縮減約60%的工作時數。代表性客戶包括SNIDEL、P.G.C.D.、b.ris、林久右衛門、七福釀造等知名日本企業。
瞄準超高齡社會下勞動力不足形成的挑戰，近年整合管理相關解決方案在行銷科技領域中的重要性與能見度顯著增長，除應對人員不足危機外，亦有助於提升整體營運效率及降低人為疏失。例如日本大創百貨採用鼎新電腦推出的智慧自動化收銀、BI商業智慧、電子表單系統、總部&店鋪營運管理、數據分析等全通路管理工具。長期深耕資訊服務領域的精誠資訊推出OneEC整合管理平台，提供全通路訂單彙整、商品控量、數據分析等功能，並與統一集團旗下iOPEN Mall及SHOPLINE合作提供電商賣家營運工具、網路開店試用方案、線上購物商城開店免年費等服務。
[joblist_plugin title='更多104【數位行銷】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=數位行銷' amount='3']
台灣零售業「數位行銷軍火庫」相關工作
※公司依本文出現順序排序
公司名稱工作機會統一數網看職缺全家便利商店看職缺Uber看職缺foodpanda看職缺91APP看職缺禾多移動看職缺OneAD看職缺iKala看職缺beBit看職缺LINE看職缺Omnichat看職缺CYBERBIZ看職缺SHOPLINE看職缺日商雙贏看職缺鼎新電腦看職缺精誠資訊看職缺
（原文標題：【產業地圖圖解】台灣零售業「數位行銷軍火庫」產業地圖 ）
有任何收穫或想分享的，都來和大家一起聊聊吧！