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
統計方法
能幫助你從大量數據中找出趨勢和關聯，提升決策的準確性與效率。透過數據分析，能有效評估專案成效、預測市場變化，並找出問題根源，進而優化流程與策略。在數據驅動的時代，具備這項技能能讓你在職場上更具競爭力，支持跨部門溝通，促使團隊合作更順暢，達成企業目標。
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
輕鬆上手Tableau商用智慧互動儀表板
AI財務力：從數字到決策的智慧應用【9/3】
【確認開班｜最後衝刺領６折券】第三屆－數據分析師學習營｜8/16(日)開課－3週假日線上直播課｜104獨家
Excel職場必學統計分析
資深經理人教你超強Excel數據力
Power BI關鍵DAX函數應用與觀念解析-下集
Power BI關鍵DAX函數應用與觀念解析-上集
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
讓數據變黃金！應用Excel制定最佳行銷策略
精選證照
考取專業證照，讓能力被市場看見
大數據與統計應用能力認證
大數據資料庫目前全世界是趨勢的發展！生活上很多事情可以用大數據資料庫來活用解決許多問題，大數據應用不僅僅統計學的範疇更多數學層面來運算。
統計學是擁有一個簡單且容易使用的計算編輯介面，讓一般使用者可以用很簡單的統計計算方式，在瀏覽器上輕鬆地完成複雜的演算撰寫。整合運算思維的統計學應用以及認證考照。
TIPCI臺灣國際專業認證學會
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
SSE Statistical Knowledge Today國際認證
統計學是一門可以應用到各行各業的實用科學。不論是人文、教育、社會、商業、管理，工程或者醫藥等等領域，都經常需要使用到它作為決策的依據。若能夠熟練並掌握統計學的思維邏輯，必能在各行各業中有更突出的表現。Silicon Stone Education國際認證機構有鑑於此，特別推出此與生活應用相關的統計學測驗，透過淺顯易懂的方式讓你輕易掌握重點，並融會貫通有關的統計知識。
Silicon Stone Education (SSE)
數位人資管理師-經理級認證
數位人資管理師認證學程將幫助你，運用e化系統的力量，將大量的人資行政瑣事效率化；利用聰明的流程再造，將員工視為內部顧客，全面提升員工體驗；最後發揮數據力，真正成為組織成功的策略夥伴！
獲得數位人資管理師-經理級認證，代表你具備以下能力
1.了解員工體驗的精神，與e化流程的設計思維，可協助組織全面檢視HR各流程的重要問題與精進的方向。
2.熟悉e化流程的設計方法步驟，協助組織善用數位科技的力量，優化現有制度流程，促進員工體驗。
3.清楚大數據分析的內涵，與業界實務運用案例，可幫助公司導入大數據分析專案，解決公司在人力計畫、人才發展、留才管理上碰到的重大問題。
104資訊科技股份有限公司
PMI-PBA國際商業分析師
PMI-PBA (Professional in Business Analysis，國際商業分析師)，是美國國際專案管理學會 (PMI) 於 2014 年發行的證照，為近年 PMI 系列證照人數成長最快者。
這張證照是專案的前置專業分析，對於中、高階主管的營運思維有極大助益。高價值、高廣度及其豐富內容，是商業分析成為世界趨勢的關鍵，完整地系統思考，涵蓋辨識現況、發現商業需要、解決方案提出、需求管理與分析、績效評估……等知識，從專案開始之前一直到結束之後各階段都能運用，學習內容是在職場工作中如何在掌握高度思維必備的技能！
商業分析可與專案管理手法互相搭配，專案經理 (PM) 是把專案做對，而商業分析師 (Business analyst) 則是選擇對的專案來做。簡單來說，商業分析工作在專案開始前即展開，進行包含辨識問題、找到最佳的解決方案……等前置評估；專案開始期間著重在需求管理 (引出、分析需求)，與 PM 互相搭配；專案結束後，則持續進行長期績效評估，確保有效回饋，持續完善。
故 PMI-PBA 不論對工作上有需求／分析相關任務者，或專案從業人員，都是非常合適的進修證照。學習商業分析技能、強化商業分析及需求分析的能力，才能知道為何而戰、懂得值不值得戰，當自己站在完整專案管理知識技能的價值鏈上，一定能在國際舞台中成為熱門人才。
PMI 國際專案管理學會
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
精選貼文，掌握第一手知識
「HR人資數據分析」從步驟、使用工具到10種分析面向一次懂
文：先行智庫
原文標題：什麼是HR人資數據分析？要分析什麼？從步驟、使用工具到10種數據分析面向，本文一次告訴你！
隨著數據分析技術的成熟，以及入門門檻逐漸降低，各行各業逐漸在思考如何應用數據分析，為工作帶來全新的價值，或者是提高決策品質，甚至是創造新商業機會。身為人資夥伴，我們也可以思考手上擁有的數據，例如：出缺勤數據、績效考核數據、調薪紀錄、職務異動紀錄、員工投入度、訓練課程滿意度調查、加班紀錄等，可以如何分析？該設立哪些管理指標？能用何種圖表呈現？怎麼打造員工數據戰情室？要做到什麼樣的程度才可以？使用什麼樣的工具比較合適？在今天這篇文章，我都會幫大家詳細解答。
目錄
HR人資數據分析簡介1.1 人力資源近年發展趨勢1.2 HR人資數據分析是什麼？1.3 為什麼要做HR人資數據分析？
如何做HR人資數據分析？2.1 HR人資數據能分析什麼？2.2 有哪些數據可以做HR人資數據分析？2.3 該使用何種工具比較好？Excel還是Power BI？2.4 做HR人資數據分析的6個步驟
HR人資數據分析關鍵議題3.1 招募數據分析3.2 訓練數據分析3.3 員額數據分析3.4 離職數據分析3.5 績效數據分析3.6 證照數據分析3.7 差勤數據分析3.8 薪酬數據分析3.9 人格數據分析3.10 接班人數據分析
落實人資數據分析4.1 Power BI人資戰情儀表版4.2 實踐人資數據分析可能遭遇的難題
1. HR人資數據分析簡介
1.1 人力資源近年發展趨勢
近期人力資源發展趨勢，可以概分為三個階段。
第一階段，人資主要處理勞檢、出缺勤統計、勞健保與團保、調薪與晉升公告等庶務型工作。第二階段，人資開始成為企業的策略合作夥伴，例如：規劃具備競爭力的薪資福利、根據業務發展方向擬定訓練架構、制定能鼓勵員工的績效考核辦法、優化整體招募流程以提升企業形象。第三階段，人資走向數據驅動，例如：量化個渠道的招募招募成本、量化每個部門的缺口狀況與人力結構、從課後滿意度評分問卷找出辦課重點、善用人格測評分析結果將人才擺在適當位置。
這三個階段並不是互相取代 ，而是同時並進的。換句話說，HR不僅僅要具備運營能力，在大數據時代，也必須要有數據驅動決策的技能。人力資源在過往會被認為是以人為本的行政相關工作，但在科技進步的趨勢下，也開始要涉及數字化管理。
手把手帶你掌握E化 x 數據 x AI【數位人資管理師】 >>
1.2 HR人資數據分析是什麼？
HR人資數據分析，就是運用數位工具，將與人力資源相關的數據進行分析，從中獲取洞察的過程。在這段過程，不論你是使用何種工具，如：Excel、Power BI、Tableau等都是可以的。當然也不限最終的呈現形式，如：PPT、Word、Excel、儀表板。只要HR的工作中有涉及到數字，這段過程廣義來說，就能算是HR人資數據分析了。
其實這並不是一件非常遙遠或很困難的事情，因為HR平常在做的報表或報告，基本上都會做到與數字相關的統計和分析，例如：培訓的滿意度、加班時數、敬業度調查、招募人數統計、職務異動統計等。只是在於這些統計和分析的結果，是否對於決策有正向助益。
1.3 為什麼要做HR人資數據分析？
做HR人資數據分析，最主要的目的是「做出更好的決策」，讓下決策不再憑經驗或憑感覺。例如：要去哪裡找到合適的人才？招募預算應該要如何更有效配置？招募團隊與招募工作應如何調整？我們可以透過分析「履歷收件的有效性」，做為決策的參考依據。
透過HR人資數據分析，能讓我們知道要前往的方向，與評估所需投入的資源與時間，避免將本就有限的資源，投入到代價高且多餘的項目，讓我們將精力更集中在能提升效率的工作。還能夠提高論點的說服力，也能更有底氣的協調跨部門支援。更重要的是，我們可以用數字，來衡量HR的績效表現，讓老闆可以更清楚的知道HR貢獻的價值。
2. 如何做HR人資數據分析？
2.1 HR人資數據能分析什麼？
我們可以從人資工作的流程，選、用、育、晉、留，這幾個面向先思考想解決的問題有哪些？想要知道的訊息有什麼？接著再進一步思考，要解決這些問題，需要分析哪些數據？或者是用什麼樣的數據做佐證。
例如：在招募的部份，我們就會想知道哪個招募管道效益最好？招聘預算該如何配置？在訓練的部份，老闆就會想知道辦訓練課程是否值得？如果值得，又該辦哪些的訓練對於實現業務增長是有正向助益？
2.2 有哪些數據可以做HR人資數據分析？
我們可以將數據先分成2大類，一類是HR相關的數據，另一類是非HR相關的數據。
HRIS系統、PMS系統、LMS系統、招募管理系統、證照管理系統等能倒出來的數據，都屬於HR相關的數據，例如：員工基本資料、加班時數統計、面試邀約紀錄、薪資實發清冊、獎金名冊、職務異動、晉升紀錄、敬業度調查、教育訓練滿意度調查、證照到期統計、績效分數明細表等。非HR相關的數據，像是財務數據、進出貨數據、庫存數據、不良品統計數據等。我們可以將HR數據與非HR數據做結合，這樣就能更清楚後端人力資源與前端工作的關聯性。
2.3 該使用何種工具比較好？Excel還是Power BI？
不論用什麼樣的工具，都可以用來做數據分析，沒有哪一種最好，只有哪一種最適合你，這兩種工具的使用情境是不太一樣的。如果你只是要做出一兩張圖表，而且還要將圖表貼到簡報上，Excel會比Power BI來的更容易操作。但如果你製圖的頻率很高，需要一次展示多張圖表，希望將多樣的人力資源數據都整合在一起，那Power BI會是比較適合的。簡言之，如果只是單點式的做分析，Excel就足以，如果需要做全面的整合，Power BI會是更好的選擇。
2.4 做HR人資數據分析的6個步驟
做人資數據分析有6個步驟，千萬別一下子掉入工具的選擇，我們必須依照這幾個步驟，一步一步踏穩，才能讓數據發揮它的價值。這6個步驟分別是：問題思考、資料彙整、資料清理、資料視覺化、數據洞察探索、展示報告與共享。
3. HR人資數據分析關鍵議題
你可以設計一套完整的、有系統的HR人資數據分析框架。你也可以針對招募、訓練、員額、離職、績效、證照、差勤、薪酬、人格、接班人等議題，單獨做數據分析。接下來我會針對常見的這幾個議題，做詳細介紹。
3.1 招募數據分析
大招募時代來臨，許多企業都面臨缺工與招募不到人才的問題。在招募工作中，你可以分析：要去哪裡找人？怎麼縮短人才招募時間？如何用最少成本，招募到最好的人？
要回答上述問題，我們可以從許多招募指標和數據中，找到合適的線索。還可以將這些指標建立成招募戰情儀表板，把所有的指標圖表攤在同一張儀表板上，用更宏觀的視野來看公司的招募狀況。透過客觀的數據分析，將能夠給我們足夠的決策參考情報。但如果你要做招募數據分析，就需要有招募相關的數據才行，例如：開缺報表、面試紀錄表、Offer Delivery的紀錄表。
有了情報之後，我們也可以從每一個招募工作環節，仔細檢視還能如何改善，藉由優化招募流程，解決招募工作面臨的問題，或者是採取一些創新的作法。
3.2 訓練數據分析
科技進步速度飛快，加上近期景氣低迷的因素，許多企業都意識到投資員工教育訓練的重要性。在教育訓練工作中，你可以分析：要辦什麼樣的訓練才能夠對應到公司業務發展所需？要花多少錢在教育訓練才合理？舉辦的教育訓練有沒有效？
教育訓練是一個相對比較難用數據衡量的議題，通常都只會想到分析課後回饋問卷。但如果心有餘力，也可以去蒐集前端部門有的數據，例如業務部門就有業績數據、生產線就會有不良品或停機相關的數據。接著就能夠將後端的HR數據，與前端的數據串聯做分析，以了解訓練課程的投資，對於工作成效是否有直接的助益。
3.3 員額數據分析
隨著組織不斷擴大，如何用有限的人力配置，發揮最大的價值，是做員額數據分析最重要的目的。在員額headcount的部份，你可以分析：公司員工人數和營業收入是否成正比？人力的組成結構是否健康？面對組織未來的策略發展，公司的人力配置要做哪些調整？預算數與實際員額數是否有明顯的差距？
3.4 離職數據分析
員工離職，我們除了做離職面談，其實還可以做數據分析。你可以分析：關鍵人才人才離職率、員工離職的原因統計、員工離職所產生的成本、造成員工離職的主要因素。而這些分析結果，你也可以用一些比較特殊的圖表，更精準傳遞你想訴說的訊息。
3.5 績效數據分析
人資部每年都會收到各部門主管針對部門員工做績效考核分數的數據，如果這些數據只是用來記錄就有點可惜了，我們可以將這些數字更進一步做分析，用來激發員工潛能、找出潛力人才。你可以分析：每位員工歷年來的績效趨勢、連續若干年績效表顯都很亮眼的員工、與員工績效有正相關的因素是什麼、績效與調薪之間的關係。
3.6 證照數據分析
各行業因為法規或業務發展的關係，需要考取證照。如金融業就會有壽險、證券、期貨等證照；科技製造業就會有化學品、堆高機、急救人員、工安、衛生管理等。資訊業可能就會有各原廠的認證考試。在證照的部份，你可以分析：即將到期的證照張數、證照張數的服務能量是否能滿足業務需求、每人已過期或到期的證照張數。
3.7 差勤數據分析
同仁的請假與加班狀況，會影響到員工的身心健康與工作成效。請假與加班的數據，一般都是用來通知當事人，或者是當事人的主管。但除了通知用途外，這些數據你還可以用來分析：各部門平均加班時數、哪些部門或哪些員工有異常加班的狀況、加班費的支出是否可以再降低、有哪些員工年底到了但特休使用率還未達80%。
3.8 薪酬數據分析
近期科技業大裁員的消息，讓我們意識到人事費用，對於企業而言是一筆不小的開支，需要審慎的發放與運用。該如何提高人事成本的韌性？在景氣大好時能大舉徵才？在景氣不好時又能夠有效控管人事成本？做薪酬數據分析，是首要任務。在薪酬這塊，你可以分析：公司與同業的薪資水準、人均營收與人均成本、薪資結構的合理性、薪資級距、是否逐年調薪、薪資發放的公平性。
3.9 人格數據分析
如果企業有做人格測評，通常每人都會收到一份數字化報告。但如果分開單獨看一個人的測評結果，不容易了解團隊整體的樣貌，因此我們可以將每一位員工在測評中的數據彙整後，做交叉比對，藉此分析：主管與非主管的人格特質差異、離職與在職員工的人格特質差異、各部門的人格特質是否符合業務需求。從中可以了解什麼樣的人適合擔任主管？什麼樣的人離職風險更高？團隊的組成是否有需要再調整？
3.10 接班人數據分析
許多企業在現在都面臨的接班問題，但挑選接班人除了依照主觀判斷，還要拿出客觀數據，才能夠讓接班人的挑選更具有說服力。最常見的一種方式就是人才九宮格，可以藉由績效分數和潛力分數進行判斷，找出超級明星或潛力明星。（參考文章：如何運用Power BI找出企業接班人？）當然你也可以分析每一位接班人：過往執行的重大專案數、近年績效表現、年資與年齡。
4. 落實人資數據分析
4.1 Power BI人資戰情儀表板
在做HR人資數據分析時，你可能會針對許多的管理指標，繪製出視覺化的圖表。就算準備的再周全，一樣有很高的機率，會被問到你準備資料以外的問題。而且從你取得數據，經過加工，再送到報表閱讀者手中，就已經不是即時的資料了。再加上不同的閱讀者，看報表的角度也都不盡相同，如果要針對每一個閱讀者的習慣與喜好，個別製作報表，是相當耗時耗力的工作。為了讓HR數據分析能更全面涵蓋老闆會問的問題、為了讓數據能更即時的傳到老闆手中、為了讓數據能用自助式的方式讓報表閱讀者自行篩選調整格式，我們可以透過Power BI做HR人資數據分析。請參考以下範範本：
4.2 實踐人資數據分析可能遭遇的難題
要落實人資數據分析，並不是短時間就能完成的事情，可能還會遇到許多挑戰等待你克服。最可能遇到的就是數據蒐集難題，像是缺乏重要的數據，該如何布局蒐集數據的管線與流程。也可能會遇到溝通的挑戰，像是如何讓用人單位意識到，人力資源的數據報告有利於業務增長。還可能會遇到資料整合難題，例如資料散落在各方，缺乏整合管道，如何有效率的彙整。這些問題都不是短期內就能輕鬆被解決的，但唯有這些難題被克服以後，才能夠落實人資數據分析。
了解更多Power Bi 相關的學習資源 >>
學更多【Power BI】，馬上報名 >>
Power BI 資料視覺化
Power BI HR管理分析師【招募數據視覺化】
Power BI 資料清理與建模
Power BI DAX函數運用
人資必備數據Know-how都在這裡> >
用Power BI 做視覺化數據分析，企業導入時會遇到六大階段
HR數位轉型怎麼做？以數據分析為驅動
從這15個數據指標，開始建立你的招募漏斗
你的招募數據報告，老闆看不懂？ 因為你沒有「資料視覺化」
HR這樣做數據分析報告，老闆才想聽！
產品經理(PM)學習數據分析的好處！強化決策依據、提早發現問題等，提升你的產品市場競爭力
當產品經理 (PM) 掌握了數據分析能力後，可以更全面、深入地應用數據來推動產品成功，數據分析技能讓 PM 不僅能回答「發生了什麼」，還能進一步探索「為什麼會發生」和「我們應該怎麼做」，大幅增強了在產品開發中的核心價值。以下是數據分析對 PM 的詳細好處說明：
1. 強化決策依據
- 客觀數據支撐決策：傳統的決策過程可能依賴經驗或直覺，但數據分析可以提供具體的數字和趨勢，幫助 PM 以更客觀的角度看待問題。例如，針對某功能是否受歡迎，分析其使用數據和留存率就能提供比用戶反饋更有力的證據。
- 快速響應市場變化：透過分析市場數據（如用戶需求變化、競爭對手行動），PM 可以在市場出現變動時更快調整產品策略，搶占先機。
2. 識別問題並發現機會
- 找出用戶痛點：PM 可以通過數據分析識別用戶的困難，例如在某些功能流程中，發現有較多用戶流失，可能意味著該功能體驗需要優化。
- 發現新功能需求：從用戶行為數據中挖掘未來的潛在需求，例如發現用戶在特定情況下會頻繁使用某些功能，可能是新功能的開發方向。
- 市場細分：數據分析能幫助 PM 更清晰地識別目標客群，並了解各類用戶群的不同需求。例如，透過行為分析找出不同用戶群對產品功能的偏好，有利於制定更具針對性的產品策略。
3. 追蹤產品成效
- KPI 和指標監控：PM 可以透過分析各種關鍵績效指標 (KPI) 來判斷產品是否達到目標，如用戶留存率、活躍度和轉化率等。這有助於 PM 對產品發展進行定期檢查，確保方向符合目標。
- 衡量改版效果：每次產品的改版或新功能上線後，PM 可以透過數據分析追蹤改變的影響，如通過 A/B 測試來確定改動是否帶來正面結果，並從數據中了解具體影響程度。
- 數據驅動迭代：透過數據得出的 insights，PM 可以不斷優化和迭代產品，提升用戶體驗。例如，針對某些低互動率的功能，PM 可以根據分析結果找到改進方法。
4. 增強與數據團隊的合作
- 更好地表達需求：當 PM 具備基礎數據分析技能後，可以更精確地描述所需的數據指標和報告形式，避免因溝通不清而浪費數據團隊的時間。
- 提升分析報告的理解力：PM 可以更輕鬆地理解數據團隊提供的分析結果，快速從數據中提取重點，將結果轉化為行動方案，而不是依賴數據專家進行翻譯。
- 減少依賴並增加自主性：具備基本的數據技能後，PM 可以自己完成簡單的數據查詢與分析，減少對數據團隊的依賴，加速產品迭代過程。
5. 提升市場競爭力
- 更全面的市場理解：數據分析不僅幫助 PM 解讀自家產品的表現，也能分析市場動向、競爭對手的策略等。例如，透過第三方數據平台（如 Similarweb 或 App Annie）獲得競品流量來源、用戶行為偏好等。
- 前瞻性預測：在掌握了用戶行為、需求變化的數據趨勢後，PM 可以做出更前瞻的產品策略規劃。例如，預測某種新興需求的增長，並搶先推出對應功能
PM 如何開始學習數據分析？由淺至深的學習步驟分享
學習數據分析對產品經理（PM）來說非常有幫助，透過掌握數據分析技能 PM 可以更深入理解用戶行為、產品績效以及市場趨勢，進而支持產品策略制定、優化功能、並做出更準確的決策。下面是更詳細的學習步驟和重點：
1. 學習基礎概念
- 統計基礎：了解平均值、標準差、變異數等統計學概念，這些基礎知識有助於理解數據的分佈和趨勢。例如，標準差可以幫助 PM 判斷數據是否集中，而變異數可以用於評估不同用戶群之間的行為差異。
- 概率和分佈：學習常見的數據分佈 (如常態分佈、正態分佈) 有助於理解 A/B 測試中的數據變異。了解基本的概率知識可以幫助 PM 理解樣本數據代表性，以便在小樣本測試中做出更可靠的決策。
2. 掌握數據處理工具
- Excel 或 Google Sheets：這些表格工具是初學者最容易上手的，且功能豐富。PM 可以學會如何使用公式進行數據篩選、樞紐分析 (Pivot Table)、VLOOKUP、篩選和排序。這些技能有助於簡單的數據清理和匯總，能快速得到初步結論。
- SQL：學會 SQL 是 PM 提升數據處理能力的有效方式。SQL 可用於直接從數據庫中提取和分析數據，如 MySQL、PostgreSQL 等。推薦練習查詢語句 (SELECT)、篩選條件 (WHERE)、分組和聚合 (GROUP BY) 等基礎語法，這些技能讓 PM 能夠有效地自助式查詢數據。
- 數據庫基礎：了解數據庫結構和基本概念（如表、字段、主鍵和外鍵）有助於 PM 更好地與數據團隊合作，並理解數據架構如何支持產品的數據需求。
3. 學習數據可視化
- 可視化工具：學會使用 Tableau、Google Data Studio 等工具來創建數據圖表，這可以幫助 PM 把複雜的數據結果以圖表呈現，更直觀地向團隊和利益相關者展示關鍵數據。
- Python 視覺化：若 PM 希望進一步加強數據分析能力，可以學習 Python 基礎語法，並使用 Matplotlib 和 Seaborn 等視覺化庫來生成高度自定義的圖表。透過這些工具，可以創建用戶行為趨勢圖、產品使用頻率圖等可視化報告。
- 了解圖表選擇：學會選擇合適的圖表來呈現數據，比如用折線圖來展示趨勢，用長條圖來比較類別數據，或用散點圖來查看兩個變量的關係。這樣 PM 可以根據數據特性選擇最佳圖表，有效呈現洞見。
4. 進階分析技能
- A/B 測試：A/B 測試是一種經常用於產品決策的方法。學習如何設計和解讀 A/B 測試結果有助於 PM 在產品改動中做出更科學的選擇，例如測試新功能的影響或不同設計版本的效果。了解統計顯著性和樣本量計算是 A/B 測試中重要的概念。
- 假設檢定：掌握 t 檢定、卡方檢定等基本統計檢定，這可以幫助 PM 驗證假設，判斷某項改變是否具有顯著性影響，從而更科學地進行功能優化。
- 回歸分析：學習簡單的線性回歸分析，這能幫助 PM 找出不同變量之間的關係，例如評估用戶行為（如登入次數）對留存率的影響，這有助於預測產品某些改動對用戶的影響。
5. 練習解讀結果
- 分析數據報告：PM 可以從定期數據報告中開始練習，學會辨別和解讀指標變化、趨勢走向，並根據數據中的異常找出原因。例如，使用者活躍度異常降低可能與某次功能改版相關。
- 數據駕駛儀 Dashboard：學會設計和使用數據駕駛儀 (Dashboard) 有助於追蹤產品的關鍵指標，PM 可以根據需要定期檢查主要數據，快速掌握產品現況，並及時反應問題。
- 形成洞見並提出建議：除了查看數據變動，PM 應練習從數據中發掘潛在洞見並提出改進建議。例如，若數據顯示用戶在某些步驟的流失率較高，可以考慮簡化操作流程，提升轉化率。
報表分析系統推薦指南：中小企業如何不靠工程師也能看懂數據
「上個月業績為什麼下滑？」這個問題，在許多公司需要等上一週才有答案：業務匯出一份檔案，會計匯出另一份，再由某位同事花兩三天比對。等報表做完，問題多半已成定局。報表分析系統的價值，在於縮短從問題到答案之間的時間。
【報表分析系統是什麼】
可以把它理解為企業營運的儀表板層，負責把分散在 CRM、會計、人事、業務與行銷等系統的關鍵數據彙整在同一處，並以圖表呈現。傳統做法依賴試算表手工拼湊，每月要花數天結算才看得到上月數字。
管理王的報表分析系統內建於平台，資料來自企業日常在系統內的作業紀錄，因此不需要另外購買串接服務。
【六項主要功能】
一、全模組數據彙整。任務完成率、團隊績效、客戶轉換漏斗、業務業績排行、行銷活動投報、客服回應時間、員工工時分布與會計收支趨勢，集中在同一個分析介面。
二、自助建立報表。報表支援自訂維度，可依時間區間、部門、個人、客戶分類或商品類別組合，並提供柱狀圖、折線圖、圓餅圖與熱力圖等圖表，主管不必委託工程師撰寫查詢。
三、匯出與排程寄送。支援 CSV、Excel 與 PDF 匯出，也可以設定排程，例如每週一早上自動把上週績效報表寄給各級主管。
四、AI 歸因分析。以一句話提問，例如上個月業績為什麼下滑，AI 會進行原因分析，指出影響較大的因素並提出建議行動。
五、績效透明。個人、團隊與部門的完成率和達成率可以並列檢視，搭配平均處理時間與逾期率，讓績效評估有客觀依據。
六、與戰情室搭配。日常以戰情室看總覽，需要深入時再進入報表分析拆解細節，兩者使用的是同一份資料。
【誰適合使用】
想從憑經驗管理走向數據化管理、但沒有資料分析團隊的企業，是主要的適用對象。
情境一：一家顧問公司的執行長，過去業務報表要延遲一週才看得到。改用平台後，可以即時查看每位顧問的工時、收入貢獻與商機進度，問題剛出現時就能處理。
情境二：一家連鎖餐飲的營運主管，各店資料分散在不同系統，月底才知道盈虧。現在可以比較各店的客單價、毛利與人事成本，異常店面不必等到月報才被發現。
【如何挑選：報表分析系統比較】
報表分析系統比較可以從三種做法切入。
第一種是自行建置資料倉儲與商業智慧工具。分析能力強，但需要專人撰寫查詢與維護資料模型，適合已有資料團隊的企業。
第二種是單點報表工具。上手較快，但資料必須從各系統匯出或另外串接，資料來源愈多，維護工作愈重。
第三種是整合平台內建的報表功能。資料與分析在同一處，免除串接，但前提是日常作業已經在平台上進行。
官網建議優先看四件事：資料來源是否完整、數字是即時還是日結或月結、系統能否把數字轉成該怎麼做的建議，以及介面是否為繁體中文並符合台灣的稅務與發票邏輯。
【讓報表真正被使用的做法】
許多企業導入報表工具之後，真正常態使用的只有少數幾張報表。這不是壞事，重點在於那幾張報表是否對應到實際的決策。建議先從三類報表開始建立。第一類是每週固定檢視的營運報表，例如業績達成、新增客戶與任務逾期率，用排程寄送給主管。第二類是每月檢討用的趨勢報表，觀察收支、客戶轉換與客服回應時間的變化。第三類是臨時性的問題分析，有疑問時再以自訂維度拆解，或直接向 AI 提問。
資料品質同樣重要。如果業務沒有即時更新商機狀態，或客服案件沒有確實結案，報表數字就會失真。導入初期可以先挑一兩個指標，要求相關人員養成登錄習慣，確認數字可信之後再擴大範圍。報表的定義也應該寫清楚，例如成交以簽約日還是收款日認列，避免各部門對同一個數字有不同解讀。當主管開始以報表上的數字作為開會依據，第一線人員自然會更重視資料的完整。
【報表與日常管理的結合】
報表不應該只在月底出現。比較理想的狀態，是把數字融入平日的管理節奏：業務主管每週以業績與商機報表進行一對一討論，客服主管以回應時間與逾期率安排人力，經營者以收支趨勢評估下一季的投入。當每一層主管都有自己固定檢視的報表，並且知道數字變化時該採取什麼行動，數據化管理才算真正落地，而不只是多了一套工具。
【費用說明】
關於報表分析系統費用，管理王採方案制，各系統內建於方案中，不需為單一系統另外付費。想先試用的團隊可以從免費方案開始：NT$0、永久免費，成員上限 10 人，儲存空間 1 GB，註冊贈 AI 點數 500 點（一次性），部分功能為 30 天試用。人數增加後可升級經濟型，每月 NT$5,000，成員上限 30 人，50 GB，每月 AI 點數 1,000 點；商務型每月 NT$10,000，成員上限 60 人，200 GB，每月 3,000 點，含 8 小時遠端導入教育訓練；旗艦型每月 NT$19,900，成員不限，1 TB，每月 10,000 點，含 16 小時遠端導入教育訓練。年繳方案的月費不打折，但加贈 2 個月（付 12 個月用 14 個月）。若標準功能不敷使用，客製化開發為每小時 NT$1,000，加購教育訓練為每小時 NT$2,000、最低 10 小時。費用以 app.ai.com.tw 官網公告為準。
【常見問答】
Q：不會寫 SQL 可以使用嗎？
A：可以。報表以自訂維度與圖表選項組合而成，不需要撰寫查詢語法。
Q：報表可以自動寄給主管嗎？
A：可以設定排程自動寄送，並支援 CSV、Excel 與 PDF 等格式。
Q：AI 分析會額外收費嗎？
A：AI 功能使用方案內的 AI 點數，各方案每月點數不同，免費方案則為註冊時一次性贈送 500 點。
Q：資料可以匯出嗎？
A：可以匯出為常見格式。資料存放於台灣。
【報表分析系統推薦】
對沒有資料團隊的中小企業，報表分析系統推薦從整合平台著手，先讓數據自然累積，再逐步建立自己的分析習慣。管理王由戰國策集團出品，集團深耕企業服務超過 25 年，服務超過 3 萬家企業客戶，並由台灣團隊提供支援。官網說明以一套平台整合多項工具，可省下約七到八成訂閱成本。有興趣的團隊可以先以免費方案試用，或來電了解導入方式。
管理王
AI.com.tw
0800-003-191
「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＞
數位行銷是什麼？想進入數位行銷的領域，應該要怎麼開始？
數位行銷是什麼？
數位行銷是一種利用數位技術和網路平台進行行銷的方式，在網路上接觸更多目標受眾，從而推動品牌知名度、銷售與達成目標。相比傳統行銷，數位行銷更注重精準性和即時性，並且能更靈活地追蹤和分析效果。
有別於傳統的行銷操作，數位行銷是會在日常工作中，善用現代化的MarTech工具去執行行銷推廣、數據分析、素材製作、網站管理等項目。數位行銷的工作者，則會聚焦並持續學習、接觸新的數位工具，導入並應用在日常的工作中，在幫助公司成長的同時，也幫助自己成長。
傳統的行銷企劃，往往是負責年度的預算規劃、活動檔期規劃、實體宣傳、電視、廣播與報紙等傳統媒體廣告採購，會應用許多常見的行銷理論與方法，如SWOT分析、行銷4P等觀念。
現代的數位行銷，除了懂得傳統的行銷企劃的觀念與工作項目外，更會進一步去接觸、使用各種現代化的媒體平台，如搜尋引擎、社群平台、影音媒體平台、APP等，學習如何在多個管道中經營自然流量與付費流量，並結合現代化的行銷數據分析工具，快速且及時地去調整、優化行銷策略與行銷佈局。
為什麼企業需要數位行銷？
在這個數位化的時代，消費者的生活習慣已經大有不同，經常性地沈浸在網路世界之中，若是只透過傳統的行銷管道，如電視、廣播、報紙等，所能接觸到的客群難以有所突破，因此透過網路，無論是搜尋引擎、社群影音平台、手機應用程式去接觸到廣大的客群，都是一個現代企業都必須去進行佈局的。
此外，傳統媒體通常很難進行比較細節的數據分析，只能透過收視率、報紙銷量等資訊去推估行銷成效。然而，數位行銷則是可以在網站、應用程式進行數據的搜集，能明確地追蹤到流量與銷量等數據，並藉由這些即時且高準確性的數據，去洞察問題與方向，以最快的速度找出可以改善的面向，產出決策，進而推動公司的績效成長。
數位網路的發展，也讓企業得以突破地域的限制，透過數位行銷，將品牌、產品行銷曝光至全世界，打破距離的限制，接觸到更多目標受眾，增強企業成長的動能。
不過值得留意的是，也因為網路的快速發展，負面的形象傳播也是極為迅速，所以企業的公關形象、品牌行銷的佈局，也必須將網路的口碑也納入規劃之中，要及時察覺不好的風向或是可能的危機，提早做好因應與準備。
也正是因為數位行銷是透過新興的科技去宣傳品牌或產品服務，因此在企業中執行數位行銷的人，是必須對新科技抱持好奇、學習心態，有時甚至需要拋開傳統的行銷觀念。於是也產生了大量職缺需求，常常是新設立的單位或是新的職缺去招聘有這方面專業的人員。
數位行銷的工作者需要的技能
數位行銷人會在日常工作中，應用各種現代化的工具，去提升工作效率與成效。以下是一些情境的舉例說明：
數據搜集：傳統的行銷會倚賴收視率、報紙銷量、傳單發放量、問卷搜集等方式去推估行銷成效，但準確度難以掌握。現代的數位行銷則會透過Google Tag Manager、SDK等工具去部署程式碼，讓數據追蹤可以常態、自動化地進行。
數據彙整分析、圖表製作：傳統的行銷在執行數據分析時，常使用Excel手動去彙整數據、產生圖表，數位行銷人則懂得結合Google Analyics4與Looker Studio等MarTech工具去分析數據、自動化產生視覺化的圖表。
行銷推廣：過去的行銷會著重於電視、廣播、報紙等媒體的採購，結合一些實體活動去推廣品牌、產品。現代的數位行銷則偏重於在網路上獲客，同時經營自然流量與付費流量，如搜尋引擎優化(SEO)、社群經營、廣告投放的操作，於是進一步會去學習基本的網頁架構、語法的概念，熟悉各個廣告後台的操作，如Google ads、Facebook ads、LineLap等，並結合數據分析工具去優化行銷的操作與策略。
社群經營：數位行銷人會在各個聚集大量人群的社交平台中，為品牌經營官方帳號，例如Facebook、Instagram、Line、Threads等，熟悉每個平台的後台操作，並結合數據去判斷各個平台合適的貼文內容、形式，找出能觸及最多使用者的方式，並隨著時間與數據去學習、調整貼文的內容、時間點與受眾溝通方式等。
圖片、影音製作： 傳統的行銷在製作圖片、影音素材時，網網會使用Adobe的工具去製圖、製作影片，或是尋求美術設計師、剪輯師的協助。現代的數位行銷人則懂得善用Canva或是AI工具去快速產生圖片、影片素材，
總結來說，數位行銷的工作者會多方去接觸、學習並應用各類MarTech工具，但並非上述的每個方向都會去認識，但至少會在自己專精、熟悉的管道中，運用數位工具去提升工作效率與成效，甚至能把預算更精準地使用在對的地方。對於需要數位轉型、或是新創的企業來說，非常需要這類的人才，讓整體行銷走向，長期而言是往對的方向進行。
數位行銷工作者所需具備的特質
現代科技是持續進化的，會不斷有各種工具推陳出新，因此數位行銷的工作者會需要對新的工具、應用、事物抱持好奇心與學習心態，不去害怕接觸新的工具，甚至能在接觸新工具時，能思考這個工具在工作場景、行銷場景可以做什麼樣的應用。所以不只是『學習』，更需要有把工具『導入』與『應用』的積極度與思維，同時也需要是一個『勇於嘗試』的人，對這類工作者來說，害怕的不是犯錯，而是無法從錯誤中學習。
我要怎麼開始接觸數位行銷？
前面提到了許多數位行銷工具與應用場景，但其實不用過於害怕，對於一個剛開始接觸數位行銷的求職者而言，不一定急於馬上將所有工具都能熟悉與使用，可以先聚焦在其中一個方向的技能。
現在市面上對於各類Martech工具，已有許多『課程』可以去報名學習，除此之外，更重要的是需要一個『環境』。因此，首先在求職時，可以在104網站上以『數位行銷』、『SEO』、『廣告投放』、『社群行銷』等關鍵字進行搜尋，找出能提供自己成長舞台的職缺並投遞履歷，並在履歷中加入數位行銷人需要具備的特質。
接著在面試時，盡量多加詢問，確認這份職缺未來的工作內容，是否能聚焦在數位行銷上，同時確認公司有配置一定的預算與相應的規劃，若公司沒有配置數位行銷的主管，也至少要有導入數位工具的接受度，才能在日後的工作過程中，應用Martech工具去為提升成效，幫助公司成長的同時，也讓自己隨之成長。
數位行銷的職涯展望
在人生的過程中，難免會遇到好與不好的職場環境，但無論如何，都應該聚焦在是否能讓自己學習成長，如果確立要往數位行銷的路途上成長，那麼工作中是否能應用到MarTech工具就至關重要了。如果我們只是上過課程，但沒有在工作的過程中加以應用，那麼日久也會遺失掉這個技能。
在這個科技日新月異的年代，網路的使用者持續增加，未來企業對數位行銷人才的需求不會減少，甚至比起傳統的行銷企劃，成為這類人才能在求職的市場中更具競爭力。期望正要走上數位行銷之路的您，未來能積極、主動為公司導入數位行銷工具，在幫助企業數位轉型的過程中，也同時幫自己建立良好成長曲線，讓未來的職涯路更加順暢。
[joblist_plugin title='更多104【數位行銷】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E6%95%B8%E4%BD%8D%E8%A1%8C%E9%8A%B7' amount='4']
如何評估專案經理(PM)的工作表現？除專案成果外，還有這些指標！
評估專案經理的工作表現需要綜合考量多個方面，包括專案的具體成果、團隊的回饋以及數據分析等。以下將提供幾個方法能全面地了解專案經理的能力和表現，並為其提供相應的支持和發展機會，如關鍵績效指標（KPIs）、團隊回饋、專案成果及數據分析。
1. 關鍵績效指標（KPIs）
- 專案完成率：評估專案是否按時、按預算和按質量標準完成。這是衡量專案經理成功與否的基本指標之一。
- 預算控制：檢查專案是否在預算範圍內運行，並分析預算偏差的原因。這可以幫助了解專案經理在資源管理方面的能力。
- 風險管理：評估專案經理識別和應對風險的能力，包括他們是否能夠預見潛在問題並制定有效的應對策略。
2. 團隊回饋
- 360度評估：通過團隊成員、上級和其他相關利益相關者的反饋來評估專案經理的表現。這種方法能夠提供全面的視角，幫助識別專案經理的強項和改進空間。
- 團隊士氣和滿意度：調查團隊成員對專案經理的領導風格和溝通能力的滿意度。高士氣和良好的團隊合作通常反映出專案經理的有效管理。
3. 專案成果
- 質量標準：評估專案交付成果是否符合預定的質量標準。這包括產品的功能性、可靠性和用戶滿意度等方面。
- 學習與改進：分析專案經理在專案結束後是否進行了反思和總結，並將學到的教訓應用於未來的專案中。這顯示了他們的成長和適應能力。
4. 數據分析
- 專案數據追蹤：使用數據分析工具來追蹤專案進度、成本和資源使用情況。這些數據可以幫助評估專案經理的決策是否基於可靠的訊息。
- 績效報告：定期生成專案績效報告，總結專案的進展、問題和解決方案，並評估專案經理在報告中的透明度和準確性。
拿出數據報告，老闆還是不買單？專家：讓數字有「說服力」需2大元素
雖然提交了精準的數據報告來說服老闆，但最終老闆仍選擇保留態度，這樣的報告究竟缺少了什麼呢？作者指出，要讓數字真正具有說服力，必須同時具備兩個要素：「邏輯」和「合理」，本文節錄自《解決問題快10倍的數字工作法》，傳授增加說服力的數字溝通法！
文／盧泫兌
這個月我們又達成銷售目標了！次長，按照這個成長趨勢，用不了多久，全韓國國民都會成為我們新產品的用戶了吧！你是不是想得太樂觀了？從數據來看，目前累計銷售量已經突破2,000萬件，每月平均銷量達200萬件，這樣推算的話，1年3個月後，應該就能達到這個數字了吧？雖然按這個算法是沒錯，但最近銷售成長率已經開始趨緩了。要達到5,200萬，也就是和韓國總人口數相等的銷量，還很難說。而且考慮到未來可能會有更換需求，要讓全韓國國民都使用我們的產品，應該沒那麼容易吧？
在職場上，要說服他人接受自己的觀點往往是件不易的事。這是因為在涉及利害關係時，每個人的想法、觀點和價值取向都可能不同。因此，我們需要運用數字來整理和說明複雜的情況。然而，只靠數字並不能解決所有問題。
以A麵包店為例，該店擁有2台烤箱，每台烤箱每小時能烤5個麵包。在正常情況下，烤箱每天運行10小時，能製作並銷售100個麵包。某天，原本穩定的訂單量突然增加到500個，老闆只能通知顧客麵包已經提早賣完。但這種情況並未結束，第二天、第三天的訂單量仍維持在500個左右。
起初以為這只是暫時現象，但一個月後發現，雖然訂單量有些許波動，平均仍穩定在500個左右。為了應對這樣的成長需求，店長決定說服老闆增購烤箱。那麼，應該增購幾台烤箱才合適呢？店長熟練運用數字，整理出以下分析並向老闆匯報，為決策提供依據。
烤箱增購提案●隨著訂單增加，生產量也會增加1. 每台烤箱生產量：50個（每小時生產量運作時間=5個x10小時）2. 麵包生產量現況：100個（每台烤箱生產量機器2台）3. 麵包需求量現況：500個4. 需要增加的生產量：400個請酌參前述內容後，增購烤箱。
如果要額外製作400個麵包，需要增購8台烤箱。從計算的角度來看，這個結論是正確的，因為每台烤箱每天可以製作50個麵包。然而，老闆依然猶豫不決，遲遲無法做決策。
如果訂單量減少了怎麼辦？
延長現有烤箱的運作時間，會不會更有效率呢？
延長運作時間的話，可能還需要增聘人力……
採購費用該怎麼辦？
如果是貸款，還得考慮利息問題，就算貸款，一次增購8台烤箱真的合適嗎？
即使烤箱增購到位，其他原料的供應就能完全跟得上嗎？
店長雖然提交了精準的數據報告來說服老闆，但最終老闆仍選擇保留態度。那麼，店長的報告究竟缺少了什麼呢？
要讓數字真正具有說服力，必須同時具備兩個要素：「邏輯」和「合理」，數字背後的依據是否合乎邏輯，以及檢視這些數字在現實中是否具有可行性。店長的提案雖然具備邏輯，但缺乏合理性，這正是無法說服老闆的關鍵。
即便在報告中已經善用數字來表達，卻仍無法說服對方時，就需要檢視這些數字是否缺乏邏輯或合理。接下來，我們深入探討這兩個要素的具體含義。
增加說服力的數字溝通法
邏輯烤箱一天運作10小時可以生產50個麵包，但若要增加400個麵包產量，就需要增購8台烤箱。合理就現實狀況而言，增購8台烤箱真的是最佳方案嗎？
邏輯：數字運算的依據
邏輯的核心在於「數字產出的基礎」。例如，為了製作額外的400個麵包，需要增購8台烤箱。如果主張需要9台或10台烤箱，那麼這樣的計算顯然就不符合邏輯。
邏輯建立在以下3個要素之上：
依據：如每台烤箱每小時可生產50個麵包。
推論：設備需求=需求量 ÷ 單台設備生產量。
正確的運算：計算過程無誤。
只要上述任何一項出現問題，數字就會缺乏邏輯，因此需要仔細檢查。
合理：是否符合現實
即使數字的邏輯無懈可擊，若不合理，仍然難以說服他人。合理指的是「數字是否適合用於現實情境，並具有可行性」。A麵包店的店長之所以無法說服老闆，正是因為他無法解答「增購8台烤箱是否是最現實可行的解決方案」這個疑問。
有邏輯，但不合理
B分店認為，因為今年人手不足，導致銷售表現不佳，最終未能達成目標。假設每名員工的年均銷售貢獻為5,000萬韓元，理論上只要新增10名員工，營業額便能增加5億韓元；新增20名員工，營業額則可增加10億韓元。然而，實際情況並非如此，因為產出的結果不會隨著新增的無限增加而無限提升。
人們常誤以為，邏輯正確的計算結果必然可信，進而認為這些數字能有效說服他人。然而，邏輯正確並不意味著數字就合理。如果數字不合理，往往會引來各種質疑；若無法妥善回答，還可能被認為準備不足，甚至導致負面評價。
檢查數字是否合理的最佳方法是，向自己不斷提問，先說服自己。在實際使用這些數字之前，應確認數字的計算依據，並評估其是否能在現實中實現。即便是推測數字，也應從最壞情境出發，檢視其是否華而不實，或是否可能帶來損失。這樣一來，當主管針對數字提出質疑時，就能自信從容地應對。
建議在使用數字之前，參考下表進行自我檢查。
數字自我審查表
Q1怎麼算出這個數字的？Q2這個數字是最佳解答嗎？Q3這個數字是現實中可以達成的數字嗎？Q4這個數字會不會太過浮誇呢？Q5這個數字比預期還小，這樣真的夠嗎？Q6這個數字與之前討論過的有何差別呢？
在使用數字之前，找到同時符合邏輯且合理的數字，對於說服他人至關重要。接下來，回到前文的案例，假如我是A麵包店的店長，我可能會這樣撰寫提案：
老闆，目前增加的麵包需求量只要增購8台烤箱就可以應付，但這個方案還是有幾點需要討論。首先，安裝烤箱的空間不足，即便進行空間拓展，最多也只能容納5台烤箱。此外，以現有的人力，是否能承擔增產的麵包數量也是一個問題，因此可能需要增聘人員。既然每日麵包訂單已穩定達到500個，是否可以考慮先增購3台烤箱，以5台烤箱的規模嘗試每日生產250個麵包？如果能穩定生產250個，希望您也能同步考慮是否進一步擴展製作空間，或者在附近開設分店等追加增產方案。
如果你是老闆，會因為我的建議而決定添購烤箱嗎？請試著站在店長的立場，運用邏輯與合理性，想像自己該如何說服老闆。透過這樣的練習，相信在下一次報告時，會看到更進步的自己。
節錄自：采實文化《解決問題快10倍的數字工作法：韓國三星經理教你4步驟用數據思考，從企劃、分析、決策到報告都事半功倍，獲得賞識和成就感》／盧泫兌 著
推薦閱讀：
好的報告不能缺少這項「關鍵要素」！工作報告兩大類別重點解析
你的KPI是什麼？工作也要像背九九乘法，2招牢記「關鍵指標」重要數字
寫工作報告，別只想當「好孩子」！掌握「2個要領」寫出主管想看的
數據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']
樞紐分析表這樣用！五大實用技巧提升數據處理效率，懶人包整理！
Excel樞紐分析表（Pivot Table）是 Excel 中最強大的數據分析工具之一，它能夠快速整理、匯總並分析大量數據，使決策變得更加直觀與高效。在職場上，無論是財務報表、業務數據還是市場調查，樞紐分析表都能幫助我們更好地理解數據趨勢。
以下將介紹 Excel 樞紐分析表的五大工具，幫助你最大化提升數據處理效率！
1. 值彙總方式（Summarize Values By）——快速計算關鍵指標
當我們建立樞紐分析表時，最基本的需求就是匯總數據，例如計算總和、平均值或最大/最小值。
【如何使用？】
→ 插入樞紐分析表並選取數據。
→ 在「值」欄位中選擇要分析的數據，如「銷售金額」。
→ 點擊「值欄位設定」，選擇不同的彙總方式，如總和（Sum）、平均值（Average）或計數（Count）。
這個工具適用於財務報告、業績分析等場景，幫助你快速提取關鍵數據。
2. 篩選器（Filters）——聚焦關鍵數據
當數據量過大時，篩選器可以幫助我們快速聚焦於特定條件下的數據。例如，僅顯示特定月份的銷售數據或特定地區的業績表現。
【如何使用？】
→ 在樞紐分析表中，將想要篩選的欄位拖曳到「篩選」區域。
→ 點擊篩選器，選擇想要顯示的條件。
→ 樞紐分析表會即時更新數據。
這個工具適用於市場分析或區域性業績評估，幫助我們更專注於目標數據。
3. 切片器（Slicer）——更直觀的篩選方式
切片器是一種視覺化的篩選工具，可以讓使用者直接點擊篩選條件，而不需要使用傳統的下拉選單。
【如何使用？】
→ 選取樞紐分析表，點擊「插入」>「切片器」。
→ 選擇要當作篩選條件的欄位，如「產品類別」或「銷售區域」。
→ 點擊切片器中的按鈕，樞紐分析表會即時變更。
這對於簡化數據篩選過程非常有幫助，特別適合需要頻繁切換條件的情境。
4. 數據透視圖（Pivot Chart）——將數據圖像化
樞紐分析表本身雖然強大，但數據可視化同樣重要。數據透視圖可以將樞紐表的數據直接轉換成圖表，讓趨勢一目了然。
【如何使用？】
→ 選取樞紐分析表，點擊「插入」>「樞紐圖表」。
→ 選擇適合的圖表類型，如長條圖、折線圖或圓餅圖。
→ Excel 會自動生成圖表，並與樞紐分析表保持同步更新。
這個工具適用於製作報告，讓數據不再只是枯燥的數字，而是清晰易懂的視覺化資訊。
5. 計算欄與計算欄位（Calculated Field & Calculated Item）——進階數據分析
如果內建的計算方式無法滿足需求，可以透過「計算欄位」與「計算欄」來自定義計算公式。例如，在銷售報表中，你可以新增一個「利潤」欄位（=銷售金額 - 成本）。
【如何使用？】
→ 選取樞紐分析表，點擊「分析」>「欄位、項目與組合」>「計算欄位」。
→ 輸入自定義公式，如 =銷售金額 - 成本。
→ 點擊確定後，樞紐分析表會自動新增此計算結果。
這個工具適用於需要進一步計算的商業報表，如毛利率、成長率等。
樞紐分析表不僅能快速整理數據，還可以透過這五大工具進一步提升數據分析的靈活性與效率。無論你是財務專員、行銷人員還是業務分析師，掌握這些技巧，能讓你的數據分析能力更上一層樓！
- - - - - - - - - - - - - - - - -
相關課程推薦：
ChatGPT x Excel | 職場必學商務數據分析術
https://nabi.104.com.tw/course/tibame/8ec8ed91-2d58-4d07-aa08-e342a12cb84b
數據分析師｜入門實戰：Excel x AI 打造最強數字力
https://nabi.104.com.tw/course/104nabi/700f35aa-e227-4a12-b673-3b5931342c02
從Excel到Power BI數據視覺化
https://nabi.104.com.tw/course/tibame/f9cc35cc-497a-4d9a-8bff-fa63fd483ff1
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>>
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
一、章節導言
行為改變技術的設計與實施完成後，評估與測量效果是確保策略有效性、可持續性與改進的重要環節。本章將介紹行為改變效果的評估方法、指標設計、數據收集技術，以及結果分析與報告撰寫，幫助學生掌握行為改變專案的完整循環。
二、行為改變評估的重要性
1. 檢驗策略有效性
o 了解行為干預是否達到預期目標。
o 判斷技術或工具的適用性與可行性。
2. 改善與調整策略
o 根據數據分析結果，調整技術組合或實施流程。
o 避免資源浪費，提高干預效率。
3. 確保可持續性
o 評估行為維持狀況，確保改變不僅短期有效。
4. 提供研究與政策依據
o 為教育、健康、環境等領域提供科學依據。
三、評估指標設計
（一）行為量化指標
• 次數與頻率：每週運動次數、每日蔬果攝取量。
• 持續性：行為維持天數、連續達標週數。
• 遵循率：達到指定目標的比例。
（二）心理與認知指標
• 態度變化：對行為的態度評估問卷（Likert 量表）。
• 自我效能感：行為自信心、能力感提升。
• 動機指標：內在與外在動機改變。
（三）環境與社會互動指標
• 社會支持量：小組互動次數、社群回應率。
• 環境使用率：設備使用次數、工具或 App 活動數據。
四、數據收集方法
1. 自我報告工具
o 行為日誌、問卷、調查表
o 優點：簡單、成本低
o 缺點：可能有記憶偏差或社會期望效應
2. 觀察與紀錄
o 現場觀察、攝影紀錄、行為監測
o 優點：客觀
o 缺點：需人工或技術成本較高
3. 數位追蹤工具
o App 記錄、穿戴裝置（步數、心率）、線上學習平台數據
o 優點：持續追蹤、精準
o 缺點：需技術支持、隱私保護問題
4. 混合方法
o 結合自我報告、觀察與數位追蹤，提高資料可靠性
五、效果測量與分析方法
（一）前後測比較
• 定義：在行為干預前後測量指標變化。
• 應用：分析干預效果大小、顯著性。
（二）對照組設計
• 定義：設置未接受干預的對照組，與實驗組比較。
• 應用：消除外部因素干擾，提升結果可信度。
（三）統計分析方法
• 描述性統計：平均數、標準差、百分比
• 推論統計：t 檢定、卡方檢定、ANOVA
• 進階方法：多元迴歸、結構方程模型，用於行為決定因素分析
（四）質性分析
• 訪談、焦點團體、觀察筆記
• 用於理解行為背後原因、障礙與文化影響
六、章末重點整理
1. 評估與測量是行為改變技術成功的關鍵環節。
2. 評估指標包括行為量化、心理認知、環境與社會互動指標。
3. 數據收集方法包括自我報告、觀察、數位追蹤及混合方法。
4. 效果測量可採前後測、對照組設計，並使用統計或質性分析方法。
5. 評估結果可用於策略改進、行為維持及政策或研究支持。
七、討論題
1. 選擇一個行為改變專案，設計三個量化指標與兩個心理認知指標，並說明選擇原因。
2. 討論自我報告工具與數位追蹤工具在行為評估中的優缺點。
3. 如何在亞洲大學生群體中，確保社會文化因素被納入評估設計？
八、案例分析
案例 4-1：大學生運動干預專案效果評估
• 背景：某亞洲大學實施八週運動干預計畫。
• 評估指標：
1. 行為量化：每週運動次數、運動持續時間
2. 心理認知：自我效能感、運動態度問卷
3. 社會互動：小組互動次數、App 打卡頻率
• 數據收集方法：
o 運動日誌、自我報告問卷、運動打卡 App
o 結合前後測與對照組設計
• 分析方法：
o t 檢定比較前後平均運動次數
o 相關分析檢驗自我效能與運動頻率關聯
• 結果：
o 平均運動次數從 1 次/週提升至 3.2 次/週
o 自我效能問卷得分提升 25%
o 社群互動活躍度與運動頻率呈正相關
• 分析重點：
o 整合量化指標與心理指標，可全面評估干預效果
o 對照組設計提升了結果可信度
o 數位工具輔助可持續追蹤與調整策略
有任何收穫或想分享的，都來和大家一起聊聊吧！