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
Data engineering
負責設計、建置及維護資料管道，確保大量資料能穩定且高效率地從來源流入分析平台或資料庫。需要熟悉資料庫管理、ETL流程、自動化工具及雲端技術，協助企業將分散資料整合並轉化為可用資訊，支持決策制定與業務發展。此技能在大數據時代非常重要，是數據分析和機器學習的基礎。
測測你現在的程度
花 5 分鐘了解自己的能力，找到最適合的學習起點
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
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
人資與採購必學！ AI 流程自動化應用實戰工作坊【10/20】
Power BI DAX函數運用
AI財務力：從數字到決策的智慧應用【9/3】
軟體工程師就業培訓
快速活用 MySQL，精準設計關聯式資料庫
AI快速完成專業簡報
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
Excel職場必學統計分析
精選證照
考取專業證照，讓能力被市場看見
SSE Data Analysis Using Excel
隨著大數據的氾濫及電腦計算速度快速地成長，藉助套裝軟體快速分析資料來提升決策速度與品質，幾乎是全民運動了。也因此在許多資訊發達的國家，尤其是美國，造就了大量資料分析家(Data Analyst)的職缺需求。使用Microsoft Excel軟體來進行資料分析的能力。是提供國際大企業獵才的參考，並取得資料分析師的入場券。
Silicon Stone Education (SSE)
SSE Data Power Today國際認證
統計是目前處理不確定性最成熟的一門科學，俱備良好的統計知識，透過統計方法的整理與分析就能有效快速地將資料轉成一種數據資訊，進而提升決策品質與商業價值。具備基本的統計分析能力，有助於爾後適切的使用各種的高等統計方法，提升對於未來的決策分析與品質，也有助於職場上之所需。
Silicon Stone Education (SSE)
SSE Big Data Database: NoSQL國際認證
大數據盛行之後，分散式系統成為IT行業的顯學。相對於傳統的關聯式資料庫，NoSQL其分散、非結構化、支援Hadoop、記憶體中處理以及支援MapReduce的特性，在全球各大行業都相繼採用。除了IT及網路業的巨頭(Google, Facebook, Amazon, Microsoft)、其它各行各業如Walmart, Samsung, Comcast也完全投入。可支撐起整個公司的資料儲存、分析、倉儲、串流、即時分析、商業智慧等任務。
Silicon Stone Education (SSE)
網頁資料擷取與分析 Python
在數據分析領域及資料科學中，Python榮登最受學界、業界以及開源軟體界中最受歡迎的程式語言第一名。Python強項在於語句少而簡潔，高開發效率與高生產力，幫助開發者可以專注在解決問題上，用途廣泛，使用者來自各個領域。在物聯網興起的時代，大數據資料需要經由數據分析，進而找出資料能提供的資訊。Python具有豐富強大的程式庫，能高彈性運用Python的各項套件模組，進行數據資料演算，以幫助企業降低成本、挖掘出資料庫中的各類商機，做為後續的智慧應用資料依據。
財團法人中華民國電腦技能基金會
實體設計 (Creo Parametric/SolidWorks)
實體設計證照主要驗證持有者在Creo Parametric或SolidWorks軟體操作上的專業能力，涵蓋三維建模、零件設計、組件裝配及工程圖繪製等技能，能有效運用軟體完成產品設計與修改，提升設計效率與精確度，適用於機械、電子及工業設計等多種產業，具備此證照者具備良好的CAD工具應用能力，能協助企業加速產品開發流程，提升競爭力。
尚未查核發照單位
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
精選貼文，掌握第一手知識
「數據／資料工程師」12個必備技能、推薦職缺、證照進修
大數據時代來臨，企業數位轉型的需求應運而生，因此數據工程師（資料工程師）在企業中所扮演的角色也日益重要。本文盤點要成為數據工程師，強烈推薦要學的 12 項必備技能。一起來看看【數據工程師】工作日常以及104人力銀行上有數據工程師工作機會。
成為數據工程師的 12 項必備技能（點擊可跳至章節）：
基本技能（程式語言與資料架構）
網路概念
資料庫 Database
數據湖 Data Lake 與物件存儲
數據倉儲 Data Warehouse
分散式系統
數據處理
機器學習 Machine Learning
作業編排管理
前端與儀表板
後端框架
自動化與部署
如何開始數據工程師之路？了解數據工程師工作日常
【數據／資料工程師】推薦職缺
【數據／資料工程師】職場常見證照整理
【數據／資料工程師】職場再進修課程推薦
文／LnData 麟數據科技
數據工程師的必備技能樹 (Source: Anuj Syal)
一、基本技能
首先，以下是最基本的必修技能，也是想進入這個行業需要的優先入手技能，包含：
SQL：SQL即「Structured Query Language」，也稱做「結構化查詢語言」，是一種用於管理和查詢關聯式資料庫的語言，用於處理和操作大量數據。它允許數據工程師對資料庫執行各種操作，如數據檢索、修改和定義，且幾乎所有資料庫和數據倉儲都使用SQL。
程式語言：數據工程師必備技能當然包括使用不同的程式語言來處理數據，如 R、Scala、Java等，但首推 Python，因為Python容易上手，並且擁有許多免費且開源的資料科學工具和資源，使其成為處理數據相關工作的理想選擇。不僅如此，Python還有豐富的開發者社群，讓你輕鬆找到相關的學習資源和解決問題的方法。
Git：即「Global Information Tracker」，Git是版本控制的重要工具，可以追蹤、保存和管理軟體代碼的所有更改和操作，幫助資料工程師協作開發數據工程項目，並確保團隊成員之間的協同工作，可避免有人亂改或誤刪代碼。
Linux指令和Shell腳本：Linux是一種常用的作業系統，數據工程師經常使用它來處理數據，常見的版本如Ubuntu、Fedora。熟悉Linux命令（例如cd、pwd、cp、mv等）和Shell腳本可以幫助數據工程師自動化任務、管理伺服器和處理大量數據。
資料結構和演算法：數據工程師需要對資料結構（Data Structures）和演算法（Algorithms）有足夠的理解和解決問題的技能，以優化數據處理和分析。初學者可透過初級到中難度的LeetCode問題進行練習。
二、網路概念
由於現在大半數據都在線上，因此工程師常需接觸與處理VM（虛擬機）、伺服器和 API（應用程式介面），而此時就需要對 IP（互聯網協議）、DNS（域名伺服器）、VPN 等基本網路概念有基本了解。
API（應用程式介面）概念示意( Source: Geeks For Geek)
三、資料庫
資料庫是按照數據結構來組織、存儲和管理數據的倉庫，相關概念包含：
基礎知識：資料庫是存儲數據的空間，包含表（Table）、行（Column）、列（Row）、鍵（Key）、連接（Join）、合併（Merge）和模式（Schema）等基本概念。
SQL：雖然前面提過了，但要知道在使用這些資料庫時，SQL可說是最泛用也最不可或缺的語法，因此這邊再提一次。。
ACID：是原子性（Atomicity）、一致性（Consistency）、隔離性（Isolation）、持久性（Durability）的縮寫，旨在確保數據操作的有效性和穩定性。
資料庫建模：指在設計資料庫時考慮如何組織資料的過程，包括星型模式、平面設計和雪花模式等不同方法。
資料庫擴展：包括垂直擴展和水平擴展，它們用於增加資料庫的性能和容量。
OLTP與OLAP：OLAP（在線分析處理）、OLTP（在線交易處理）是不同類型的數據處理系統。OLTP是設計用於處理日常業務交易和交互式操作的系統；OLAP則是設計用於分析和探索大量數據的系統。
關係型資料庫：Relational Database，是大多數應用程式使用的傳統資料庫，用於結構化數據。常用的資料庫有PostgreSQL和MySQL。
非關係型資料庫：Non-relational Database，也稱為NoSQL資料庫。跟傳統的關聯型資料庫不同，它們不使用固定的表格模式，而是以更靈活的方式存儲數據，適合處理大量非結構化數據。非關係型數據還可分為三種類型：
鍵值資料庫：如Redis、DynamoDB、FireBase
圖形資料庫：如Neo4j、ArangoDB
寬列資料庫：如Apache Cassandra、Google BigTable
常用的關係型資料庫 MySQL
四、數據湖 Data Lake 與物件存儲
數據湖是一種大規模集中式數據存儲系統，它允許組織以原始、半結構化或非結構化的形式存儲數據，而無需建立嚴格的資料結構。這意味著數據湖可以包含來自不同來源、不同格式和不同質量的數據，可以是文本、圖像、影音等，也包含報表、視覺化、資料分析、機器學習等轉換後資料。
數據湖通常使用分佈式或物件存儲（Object Storage）系統來存儲大量數據，如Hadoop HDFS、Amazon S3等。數據以原始文件或對象的形式存儲，每個對象都包含數據本身、元數據（metadata）和唯一識別子。這種方式使得數據能夠以平面結構組織，並且具有元數據以描述數據的特徵和用途，能夠更好地管理和查詢數據。
五、數據倉儲 Data Warehouse
數據倉儲（Data Warehouse）是一種專為組織和管理大量數據而設計的數據存儲和管理系統。它的主要目標是將來自不同來源的數據整合到一個統一的、易於查詢和分析的資料庫中，以支持企業的決策制定、報告和分析需求。例如 Google 的 BigQuery、AWS Redshift、Azure Synapse、Snowflake、ClickHouse 和 Hive。須了解的相關概念包含：
SQL（略）
規範化與非規範化：在數據倉儲中，數據可以以規範化（Normalized）或非規範化（Denormalized）的方式進行組織和存儲，具體選擇取決於業務需求和查詢性能的考慮。規範化主要為求消除數據中的冗余或不一致性；而非規範化則是將數據合併到一個表中以提高數據更改速度。
OLAP與OLTP（略）
六、分散式系統
包含大數據、Hadoop、分佈式文件系統、MapReduce等概念。在分散式系統中，多台機器（稱為節點或伺服器）組成叢集並共同協作，這些機器可以在不同的地方執行，彼此通信並共同完成任務。分散式系統的好處是可提高性能、可用性和擴展性，同時減少單點故障的風險。
由於其複雜性，這些系統擁有各自獨立的技術組件。因此，為了開發與佈署這些系統，數據工程師需要使用叢集管理技術或工具，如Kubernetes、Databricks，或者自行建立Hadoop叢集等。此外，還有許多開源技術可供利用。
Kubernetes 也稱為 K8s，是一個熱門的分散式系統開發和支撐平台(Source: DevOps Mojo)
七、數據處理
數據處理是指使用程式語言來轉換數據的過程，這包括清理數據以及驗證數據的準確性。在進行數據處理時，通常會使用各種工具和框架，具體選擇取決於任務的性質和規模。
以下是一些常用的數據處理工具和框架：
Pandas：Pandas是一個好用的Python套件，常被用於處理和分析數據。它提供了豐富的數據結構和函數，適合用於數據轉換和清理。
SQL：（沒錯，又是它）由於多數數據倉庫支持SQL語言，因此SQL是一個常用的工具，用於執行數據轉換操作，尤其適用於處理結構化數據。
Spark：Apache Spark是一個用於大數據處理的強大框架，它提供了分佈式數據處理和分析計算。Spark通常用於處理大規模數據轉換操作，性能高且具有可擴展性。
Spark Streaming：Spark Streaming是Spark的一個模塊，用於處理流式數據。它可以實時處理數據流，非常適合需要即時分析的應用。
Spark是常用於處理大數據的強大框架(Source: Data Mechanics)
八、機器學習 Machine Learning
機器學習（Machine Learning）是一種人工智慧（AI）的子領域，它教導電腦如何從數據中學習，以自動改進和做出決策，而不需要明確的程式指令。機器學習可以應用於多個領域，如圖像辨識、語音識別、自然語言處理、醫療診斷、金融預測以及自駕車技術等。
人工智慧、機器學習、深度學習都是資料科學中的熱門領域
對於數據工程師來說，了解機器學習的不同類型，包括監督學習、非監督學習和增強學習，以及相關的模型(如邏輯回歸、決策樹、K-最近鄰算法等)很重要。他們需要知道何時應該使用哪種模型，並學會處理數據、調整模型參數，以及評估模型的預測準確性。
操作機器學習的平台有Vertex AI、Kubeflow等，這些平台可以協助數據工程師輕鬆部署模型，並構建更準確的工作流程，幫助數據科學家做出更精確的決策。
Vertex AI 是Google Cloud上的一個機器學習平台
此外，還有一些集成平台可讓數據工程師將工作流程整合到一個地方，如AWS Sagemaker、Databricks和Hugging Face等。這些平台通過共用的應用程式接口和圖形界面，使應用軟體功能不受特定硬體、作業系統、網路協議或資料庫管理系統的限制。
AWS Sagemaker也是不少人的ML開發選擇(Source: AWS)
九、作業編排管理
編排（orchestration）是一種用於管理和協調組織各種任務和工作流程的方法。它幫助我們確保工作按照預定的順序執行，以達到我們的目標。
最佳的編排工具之一是Airflow。它使用基於Python的有向無環圖（DAG）來記錄工作流程，讓您可以清楚地定義和規劃工作。Airflow特別適用於複雜的工作流程，並且在大數據和數據工程領域中廣泛使用。
其他工具包含Luigi、Nifi和Jenkins。每個工具都有其獨特的特點和使用場景，可以根據你的項目需求來選擇適合的編排工具，可以幫助數據工程師自動化和管理各種任務，提高工作效率。
Airflow是開發時常用的工作流程管理工具(Source: Airflow)
十、前端與儀表板
前端和儀表板（dashboard）是用來展示數據結果和互動的工具。它們讓我們能夠以圖表、圖像和表格的形式呈現數據，並讓用戶與數據進行互動。
舉例來說，Jupyter Notebook 是一種常用的工具，它可以幫助數據科學家和分析師在筆記本中直接進行數據分析並建立視覺化圖表。
Jupyter Notebook是好用的互動式開發工具，是許多資料科學工作者選擇
此外，儀表板或所謂BI工具如 PowerBI 和 Tableau，以及 Python 套件如Dash 和 Gradio，也被廣泛使用。這些工具允許我們建立互動性強的儀表板，讓用戶輕鬆探索數據，查看不同的視覺化結果，並根據需求進行操作。
Tableau是業界常用的商業智慧(Business Intelligence)工具，建立企業數據儀表板
十一、後端框架
後端框架與軟體工程有關，它們有助於構建網站和應用程序的後端部分。舉例來說，如果您想建立一個網站或應用，可能需要一個後端框架來處理用戶發出的請求、管理資料庫，以及提供信息給前端顯示。
基於 Python 的後端框架包含 Flask、Django 和 FastAPI 等。Flask 是一個輕量級的框架、Django則提供了更多的內置功能、FastAPI 則專注於建立API。
除了這些，還有一些雲端技術可供使用，例如G oogle Cloud Platform（GCP）的 Vertex AI API 和 AutoML APIs，這些技術可以用於模型部署和機器學習應用。
Flask 是一個 Python 網頁應用程式框架，因輕量靈活而受許多開發者喜愛
十二、自動化與部署
自動化和部署是指使用不同的工具和技術，來讓程式碼的建立和執行過程更加自動化和簡化，有助於提高效率、降低錯誤，並讓應用程式更容易管理和維護。
這個過程包括以下幾個主要方面：
基礎設施即程式碼（Infrastructure as Code）：這是使用工具如Terraform、Ansible和Shell指令來管理和配置伺服器和基礎設施的過程。這些工具可讓你將基礎設施視為程式碼來處理，使其更易管理和自動化。
持續集成/持續部署（CI/CD）：指透過GitHub Actions和Jenkins等工具來自動化程式碼的測試、集成、部署和交付的過程。有助於確保程式碼的品質，並使新功能能夠快速部署到生產環境。
容器化：即使用Docker和Docker Compose等工具，將應用程式和其相關的依賴項打包成容器的過程，可使應用程式在不同環境中更容易部署和執行。
Docker工作流程示意
想當數據工程師，如何培養能力？
在學生可以學習統計、資工、資料科學等科系的課程，或是透過相關實習或競賽來摸索對此領域的興趣。此外，網路上有許多付費課程、YouTube上的免費資源，也可以在kaggle、LnData等平台取得更多練習與交流機會、相關知識、技巧或資源！
要記得，這些相關技術日新月異，即使是正在工作中的數據工程師也必須時時學習與了解最新技術。相對的，正因為技術不停在改變，你也不需要強求把上面所有技能練到精通，而是掌握重要的基本概念與保持開放的學習態度。
數據工程師可以為企業做什麼？
數據工程師日常就是與數據打交道，主要包含收集、讀取、清理，探勘與管理企業的資料，以抓取符合企業分析需求的數據。這些數據則能進一步透過機器學習、演算法，產生更有價值的結果或應用方式，幫助企業做出更好的決策、優化業務流程，例如降低成本、提高獲益、優化產品、留住熟客及開發新客群。因此，數據工程師對於企業的重要性不言而喻。
然而，企業想挖掘數據最大價值，並不能只靠數據工程師。一個完整的數據團隊，通常包含數據工程師、數據科學家、數據分析師三種角色，各司其職、專業分工。他們在日常工作流程中扮演各自的角色，互相協作，完成各種不同的專案——這也是為何我們最後要強調，除了技術以外，溝通與協作等軟技能也非常重要！
（原文標題：2023 年想成為數據工程師的 12 項必備技能）
[joblist_plugin title='推薦【數據／資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?ro=0&keyword=%E6%95%B8%E6%93%9A%E5%B7%A5%E7%A8%8B%E5%B8%AB&expansionType=area,spec,com,job,wf,wktm&jobsource=blogc&langFlag=0&langStatus=0&recommendJob=1&hotJob=0' amount='3']
【數據／資料工程師】職場常見證照整理：
序號證照證照介紹發照單位1DP-203 Azure資料工程師技術師身為此認證的應試者，您應該具備主題專業知識，能夠將各種結構化、非結構化和串流資料系統中的資料，整合...＜詳情＞Microsoft2Google專業資料工程師認證專業資料工程師透過收集、轉換和發布資料來實現以資料所驅動的決策。資料工程師應該能夠設計、建置、操作...＜詳情＞Google3SSE 大數據國際認證隨著有關大數據的程式語言、運算平台、基礎理論，以及虛擬化、容器化的技術成熟...＜詳情＞Silicon Stone Education4AWS認證的數據庫-專業級認證報考資格：1.接觸資料庫技術至少 5 年、2.實際使用 AWS 至少 2 年...＜詳情＞Amazon Web Services5台灣風險數據分析師除了相關法遵外，應具備在風險數據分析、質量方法運用、風險預測建模等高階專業...＜詳情＞社團法人台灣風險管理協會更多數據相關證照＜前往＞
【數據／資料工程師】職場再進修課程推薦：
課程名稱課程介紹【真人直播】零基礎Python數據分析與即時看板實作在這堂課程中，我們將帶你從學習基礎 Python 出發，了解各種常見資料檔案格式與編碼，透過 Python 進行資料表單或檔案的自動化彙整與分析...＜課程介紹＞GA4+GTM網站數據分析實戰課專業的教學設計，以第一線網站數據分析工作者角度，剖析 GA4 四大要領，從觀念的理解到上手實作，提升你的數據分析能力。…＜課程介紹＞成為數據分析師的第一把鑰匙：用Python實作三個資料分析專案以非工科生成功轉為數據分析師的經驗、第一線職場實戰角度出發，來設計這門課程，適合零基礎、初入門、想轉職作數據分析師的你!…＜課程介紹＞零基礎成為Python金融數據分析師｜金融資訊爬蟲X視覺化應用課程單元從 Python 程式基礎開始，包含變數、資料型態、流程控制、函式、例外處理等 金融主題的網路爬蟲程式教學，製作Python爬蟲工具…＜課程介紹＞更多數據相關課程＜前往＞
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
越來越多企業投入數據分析領域，也讓資料工程師的職缺需求大增，根據104薪資情報網站，資料工程師薪資中位數甚至高於一般研發工程師。本文就帶你一探有資料工程師需要的技能專長以及完整職涯發展。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
什麼是資料工程師？需要哪些技能？資料工程師工作內容資料工程師技能與工具能力分析資料工程師軟技能養成：4大特質有助職涯發展更順利資料工程師薪水行情：掌握技術專長是加薪關鍵1. 台灣資料工程師薪資範圍 2. 提升資料工程師薪水幅度的關鍵資料工程師職涯路徑：邁向高階技術職的進階指南1. 軟體工程師2. 數據分析師3. 演算法工程師｜資料科學家資料工程師的挑戰
什麼是資料工程師？需要哪些技能？
資料工程師工作內容
資料工程師又稱為數據工程師，主要工作內容是與數據相關的技術支援，建置系統或使用外部平台幫助企業數據收集、儲存與整理，確保數據傳輸管道暢通、安全、精準且可被預測。
延伸推薦課程 👉 資料工程師養成班
資料工程師技能與工具能力分析
基礎Python網路爬蟲SQL 基礎Java核心R語言SQL 進階資料庫AWS應用進階資料探勘認證微軟 Azure雲端應用認證職涯資料工程師AI資料科學家▲ 資料工程師師應具備技能、工具、職涯指引表，點選不同技能會對應到相關課程。
[course_plugin title='資料工程師面試入門課程' keyword='破解資料工程師' amount=1]
1. 資料工程師基礎技能
資料工程師需熟悉網路爬蟲技術，精通Python與SQL語言，具備Java基礎能力，能有效處理ETL流程，管理資料庫，支援業務分析需求。
Python：常用於數據處理與自動化管道建設。
網路爬蟲：從網頁自動蒐集數據，將網頁數據轉換為可用的結構化格式
SQL（基礎）：資料工程師必備技能，用於查詢與操作結構化數據。
Java：用於大數據處理框架（如Spark）的高效運算實現。
資料工程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
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
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
學程式也能很好玩：不背語法寫Java
6625人感興趣
了解課程＞
延伸推薦課程 👉 Python 輕鬆上手學👉 成為 AI 科學家｜快速闖關 Python 語法世界，程式實作不頭痛👉 Python新學法 - 實作6個Terminal APP快速入門👉 Python 基礎程式設計｜開外掛勇闖 Python 異世界👉 ETL網路爬蟲實戰技巧👉 吳永志Java入門保證班 - 初學者最佳選擇
2. 資料工程師核心技能
資料工程師核心技能涵蓋精通R語言與進階SQL操作，具備優化大型資料庫管理的能力，熟練運用雲端應用及大數據技術，專注於高效處理複雜數據流程。
R語言：常用於統計分析、數據探勘和機器學習建模的程式語言，適合進行各類數據處理與運算。
SQL進階／NoSQL：進階的SQL技能有助於高效處理和管理大型結構化數據。除了關聯式資料庫（如 MySQL、PostgreSQL），還需熟悉 NoSQL 資料庫（如 MongoDB、Cassandra）以處理非結構化數據。
資料庫管理與建置：除了熟悉各種資料庫工具管理與操作，資料工程師還需具備建置資料庫架構等關鍵性知識。
雲端應用能力：掌握雲端應用相關的技能，熟悉AWS、Azure等雲端服務平台來進行大規模數據的存儲和處理。
資料工程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
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
4148人感興趣
了解課程＞
線上
資料庫設計原理
2567人感興趣
了解課程＞
線上
AWS雲端架構規劃｜建置實務應用
3169人感興趣
了解課程＞
延伸推薦課程👉 NoSQL輕鬆學: 架構、設計與案例探討👉 成為 AWS 達人第一步！打造你的第一個 AWS 架構！👉 AWS雲環境的架構優化-彈性化自動擴展👉 雲端資料工程師在職遠距班
3. 資料工程師進階技能與證照：資料探勘與雲端應用認證
資料探勘是從已知的數據中，挖掘數據背後的價值與趨勢，提供企業數據洞察報告。為此，資料工程師必須熟悉大數據框架或引擎技術，搭配程式語言、機器學習模組（如：MLlib）及統計分析方法，將數據處理轉化為具體分析結果或預測模型。
Apache Spark：Spark是一個開源的大數據處理框架，支援多種程式語言和機器學習模組，能高效分析與挖掘大規模數據，是資料探勘不可或缺的強大系統。
雲端應用證照：資料工程師在雲端應用領域可藉由取得認證證照來提升專業性，例如Microsoft Azure相關認證，資料工程師可透過自我學習與認證以強化職業競爭力，也為自己提供更加寬廣的職涯發展路徑。
資料工程師進階工具認證課程推薦
線上
微軟Azure超級入門實務與AZ-900認證攻略
19721人感興趣
了解課程＞
[course_plugin title='雲端資料工程師進階課程推薦' keyword='雲端資料工程師在職遠距班' amount=1]
延伸推薦課程👉 Spark首部曲：實務基礎入門篇👉 Spark第二部曲： SQL輕鬆處理半結構化資料技巧👉 Spark第三部曲： MLlib完成資料挖掘與機器學習實戰👉 微軟Azure超級入門實務與AZ-900認證攻略👉 微軟 Azure｜通關 AZ-104 認證攻略，邁向雲端 IT 管理之路👉 AZ-204 認證攻略Ｉ從Azure著手雲端開發解決方案👉 DP-900 認證攻略 l 基礎資料庫混合雲建置與管理
資料工程師軟技能養成：4大特質有助職涯發展更順利
1. 溝通與跨部門協作能力：
資料工程師需與資料分析師、產品經理和開發團隊緊密合作，清晰表達技術需求與限制，確保數據管道設計與業務目標一致，並有效傳達複雜技術內容以促進團隊協作效率。
2. 問題解決與批判性思維：
在面對數據品質問題、流程瓶頸或系統錯誤時，資料工程師需具備冷靜分析的能力，快速定位問題根源，提出創新解決方案，並從長遠角度優化系統的穩定性與效率。
3. 時間管理與專案執行能力：
面對多項並行任務與緊迫期限，資料工程師需能有效規劃工作進度，分配資源，確保ETL流程、數據清洗與系統開發在限定時間內按時完成，提升團隊交付成果。
4. 持續學習與技術適應能力：
資料工程師需要不斷學習新興工具、框架與雲端技術，快速掌握業界趨勢，適應大數據與人工智慧時代的變化，確保自身技能能支持企業的數據基礎設施發展需求。
資料工程師薪水行情：掌握技術專長是加薪關鍵
隨著大數據與人工智慧的快速發展，資料工程師成為企業中不可或缺的重要角色，但影響薪資的關鍵，往往取決於工程師本身的技術專長與實務經驗。
1. 台灣資料工程師薪資範圍
初階（3年以下經驗）：月均薪約5.9萬。
中階（3-5年經驗）：月均薪約 6.4萬。
高階（5-10年經驗）：月均薪約6.6萬。（以上資料來源：104薪資情報）
2. 提升資料工程師薪水幅度的關鍵
掌握大數據與雲端技術是高薪關鍵：熟悉大數據工具（如Spark）及雲端平台（如AWS、Azure）是資料工程師的核心技能。企業對處理大規模數據的需求不斷增加，具備分散式運算能力的工程師在薪資談判中更具優勢。
程式語言與專業認證提升競爭力：Python與SQL是基礎技能，而掌握Java、R語言及進階資料庫技術（如NoSQL）能顯著提高薪資。此外，取得AWS、Azure等專業認證，能彰顯技術專業性，是升職與加薪的重要籌碼。
資料工程師職涯路徑：邁向高階技術職的進階指南
資料工程師需要強大的技術專才，在數據處理、雲端應用與大數據技術上展現出不可或缺的價值，建議資料工程師可藉由自我學習、累積實務經驗及考取專業認證等管道，優化現有技能，就有機會轉往更高階技術職務，實現職涯進階與薪資提升，資料工程師職涯路徑發展如下：
1. 軟體工程師
資料工程師轉職軟體工程師，除了程式開發與現有數據基礎專業上，擴充軟體開發能力，技術層面也需涉及更多樣的程式語言、系統設計、開發流程與測試技巧等。
技能需求：需掌握多樣化技術，精通主流程式語言如Java、C++；熟悉相關框架（如Spring、Node.js、React）；具備系統設計能力；掌握版本控制工具如Git，並適應敏捷開發流程；能進行自動化測試以確保軟體品質。此外，基礎前端開發技術（HTML、CSS、JavaScript）與實務經驗（如參與開源專案或個人作品集）也是必要條件，以全面應對軟體開發需求。
學習指南：前端工程師學習地圖、後端工程師學習地圖
2. 數據分析師
位於同樣的數據產業鏈中，資料工程師轉職數據分析師需強化數據解讀與分析能力，熟悉各種報表可視化工具與分析方法，以深度挖掘數據製作洞悉報告。
技能需求：屬於後段數據資料庫建置的資料工程師，在轉職前線的數據分析師，需要更深度與產品、業務單位溝通，了解組織需求，並在已具備數據專業技術的前提下，需要熟悉使用工具如Excel、Tableau、Power BI進行可視化，掌握統計學基礎與分析方法（回歸分析、A/B測試）。實戰專案經驗與清晰的數據展示能力是能否轉職成功的重要條件。
學習指南：數據分析師學習地圖
課程推薦：數位分析師入門實戰
3. 演算法工程師｜資料科學家
就分工而言，資料工程師搭建數據管道，確保數據準確、安全、流向正確位置；演算法工程師專注於開發演算法或模型，處理數據並生成有用的輸出（如預測、推薦結果）；資料科學家分析數據與模型效果，找到問題並提出解決方案。部分企業因規模不同，資料工程師、演算法工程師、AI資料科學家三者的工作內容可能有所重疊。
演算法工程師：高效演算法工具的製造者，著重數據模型的建構。需熟練掌握Python與C++等程式語言，並熟悉TensorFlow、PyTorch等深度學習框架，用於開發與訓練模型。
AI 資料科學家：透過數據模型分析、預測，並透過不斷驗證與統計分析能力，監控並優化數據模型結果提出精準分析。
課程推薦：AI資料科學家全方位學程班
資料工程師的挑戰
數據處理最大的挑戰，就是保持數據的一致性，這是非常需要耐心與抗壓性的工作內容，尤其在時間壓力之後，必須處理包括數據的異常與缺失，數據清洗與校正等。因此，資料工程師必須有對數據工具的熟悉度，以及知道如何高效處理大數據需求的能力。
除了技術層面，隨著技術的快速更新，資料工程師需要不斷學習新工具與技術，如雲端平台和大數據框架，充滿好奇與保持學習力是資料工程師必須保持的態度。因此，面對多方面的挑戰，具備紮實的技術實力、解決問題的能力以及高適應力，才能滿足不斷變化的業務需求。
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
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
[joblist_plugin title='更多104【資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=2&indcat=1001001000,1001000000&ro=1&jobsource=joblist_search&jobcat=2007001022' amount='3']
量天測地、解構力學——深入成大南工土木科，從材料試驗到現代營建實務的養成記
土木工程往往不像建築設計那樣容易受到矚目，但每一棟建築、每一座橋梁的安全與品質，背後都少不了土木工程專業的支撐。國立成功大學附屬臺南工業高級中等學校土木科便以「專業、實作、創新」為核心，透過扎實的理論課程、多元實作訓練與工程現場接軌，培養兼具工程知識與實務能力的人才。 土木科教師方偉烈表示，建築與土木外界看來似乎差異不大，但兩者的定位並不相同，「建築比較著重空間設計與規劃，而土木更關注工程技術與結構安全」。建築師負責完成整體建築設計，土木工程專業人員則負責讓設計安全落實、順利施工，兩者始終是相輔相成、不可或缺的重要夥伴。
從基礎到專業，逐步建立工程能力
土木科的課程依照學生不同階段循序漸進安排。高一以基礎能力培養為主，除了國英數等一般科目外，專業科目則會修習如土木建築工程與技術概論、構造與施工法，搭配測量實習、製圖實習，建立學生的基礎專業。
到了高二課程逐漸加深加廣，逐步深入專業核心，學生將修習工程力學、營建技術實習、電腦輔助製圖實習、工程測量實習、地形測量實習、材料與試驗等課程。此階段學生將投入許多時間在實習課程中，先學習基礎理論，再透過大量的做中學，在理論與操作中深化自身專業。以材料與試驗課程為例，學生會接觸粒料分析、混凝土拌合、混凝土養護、混凝土抗壓等內容，實際了解建築材料背後的工程原理。同時，學生也會實際進行砌磚、木工、鋼筋施工、模型製作及室內配線等內容，並有機會親自操作，透過大量實作累積工程現場所需的經驗與判斷力。
圖：學生參訪鋼筋加工廠了解實際製程
高三時課程則以專題帶領學生整合三年所學，學生透過組隊合作完成專題作品，專題主題以興趣為導向，鼓勵學生發揮專業視角，利用創意解決實際問題。有學生設計改善生活問題的木工作品，也有人規劃建築模型，從選址、結構到功能規劃，都必須活用過去累積的知識完成完整專題，不局限於土木內容，反而讓學生更能發揮創意和觀察力。此外，成大南工土木科更致力於課程的創新，透過加入無人機測繪等內容，讓學生接觸數位測量技術，讓學生在已有的知識基礎上，持續拓展在工程應用的新視野。
理論與實作並重，真正理解工程的本質
許多學生入學前往往認為土木科就是不斷動手施工，但真正進入課程後，學生才發現實作背後需要扎實的理論支撐。
方老師表示，材料試驗就是最好的例子，學生必須先理解材料性質、混凝土比例及相關理論，再進入實驗室完成實驗，驗證結果是否符合工程標準。土木科並非只有操作技能，更需要具備數理分析與工程判斷能力。這樣的學習歷程，也讓不少學生重新認識土木工程。
圖：學生合作組裝工程結構模型
土木科二年級林同學分享，原本以為土木科就是每天在戶外施工、砌磚，實際就讀後才發現，還必須學習材料、測量、力學等專業理論。「它（土木科）不是只有曬太陽做工程，也要學很多理論架構。」另一位二年級郭同學也有相同感受。他原本認為土木科以實作為主，真正接觸課程後才發現有比想像中更多的理論知識。
成大南工扎實深厚的課程設計，帶領學生在每一項工程操作之前，先建立完整的知識基礎，才能在實作中更深刻理解背後的原理，也讓學生在實際操作中更深入理解工程原理 。
大量實作、接觸現場，從實務中累積出專業即戰力
除了課堂上的操作，土木科也積極透過競賽與專題，引導學生將知識真正應用於實際問題。
例如，學生曾組隊參加正修科技大學木橋載重競賽，從木材裁切、打磨到橋梁組裝，歷經兩個月反覆製作與調整，最終獲得外觀特別獎。土木科二年級王同學表示，雖然橋梁承載能力仍有進步空間，但看到團隊一步步完成作品，仍讓他感到十分有成就感。
圖：學生參加橋樑載重競賽展示成果
方老師也指出，土木科最大的特色，就是讓學生「做中學」。學生不只是完成作品，而是在反覆操作、修正與驗證中，逐漸培養工程判斷能力，學生也會在不同年級，分別考取測量丙級、建築製圖應用-電腦繪圖項丙級、工程測量乙級等三張證照，累積未來升學或就業的競爭力。若直接投入職場，畢業學生將具備基本施工與監造能力；若選擇升學，也能良好銜接土木工程、營建工程等相關科系。
除了校內課程，土木科每學期也安排企業參訪，帶領學生走進建設公司、工程顧問公司、鋼筋工廠及材料檢驗中心，了解不同工程環節的實際運作。部分學生更有機會參與寒暑假的校外實習，親身進入工地現場，提前體驗工程工作的內容。透過一次次與業界接觸，學生不只是認識未來職涯，更能理解課堂所學如何真正應用於工程實務。
專業、實作、創新，培養面向未來的工程人才
談到土木科最重要的特色，受訪教師以「專業、實作、創新」三個關鍵字作為總結。「專業」代表扎實的工程知識；「實作」代表大量操作與現場經驗；而「創新」則是持續導入無人機測繪等新技術，讓學生能與時俱進，接軌產業發展。
圖：學生學習操作無人機設備
方老師也觀察到，許多學生在三年的學習中，最大的改變並不是學會多少技術，而是逐漸不害怕動手，也願意主動尋找解決問題的方法。從學生觀點來看，王同學認為，只要喜歡動手做、願意學習，就能在土木科找到自己的舞台；郭同學則認為，具備邏輯思考能力、願意面對挑戰的學生，都很適合投入這個領域。
從基礎理論、工程實作到創新技術，成大南工土木科不只是教學生如何完成一項工程，更希望培養學生面對問題時的工程思維，讓每一位學生都能在未來的升學與職涯道路上，穩穩築起屬於自己的專業基礎。
開箱土木科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
IC設計工程師、製程工程師與設備工程師一次搞懂！薪資、壓力與工作型態全面比較
在半導體產業中，不同角色的工程師雖然都在同一條產業鏈中工作，但無論從工作內容、工作場域，到薪資待遇，都存在明顯差異。本文整理前台積電營運效率部門主管—彭建文於104職涯診所EP482分享內容，從數位IC設計工程師與半導體設備工程師切入，並延伸探討數位IC設計工程師、類比IC設計工程師、製程工程師與設備工程師的不同。
文／104人力銀行小編整理
本文目錄（點擊可快速前往）
數位IC設計 vs. 半導體設備工程師：薪資差異從何而來？數位IC設計工程師：腦力密集的工作半導體設備工程師：與機台為伍的工廠守門人類比IC設計工程師：自然訊號的轉譯者半導體製程工程師 vs. 設備工程師 vs. 整合工程師：三者有何不同？結語：選擇工程職涯前，先了解你的生活型態與成就感來源
數位IC設計 vs. 半導體設備工程師：薪資差異從何而來？
以年薪中位數來看，數位IC設計工程師大約為 120萬，而半導體設備工程師則是 80萬。兩者都屬於半導體產業，但一個屬於上游的IC設計，一個則在中游與下游的製造階段。工作性質與壓力來源截然不同，也造就了薪資上的落差。
數位IC設計工程師：腦力密集的工作
數位IC設計工程師大多任職於聯發科、聯詠等IC設計公司，這些公司主要部門就是研發。工程師的日常工作幾乎都在辦公室內，負責用電腦設計與模擬IC電路，專注於專案的開發與時程控管。
這類工作強調「Time to Market」的壓力，意思是必須在限期內完成設計，趕上市場時機。例如原訂三個月完成的專案，可能會被要求一個月就得交出成果，因此需要極高的專注力與技術力。
尤其近年AI應用快速發展，帶動ASIC（特定應用IC）需求激增，讓IC設計研發的價值與重要性更上層樓。
[joblist_plugin title='【數位IC設計工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?keyword=%E6%95%B8%E4%BD%8DIC%E8%A8%AD%E8%A8%88%E5%B7%A5%E7%A8%8B%E5%B8%AB+ic+design&isJobList=1&order=15&page=1' amount='3']
半導體設備工程師：與機台為伍的工廠守門人
設備工程師的工作地點大多在新竹、苗栗、台南等地的無塵室，需穿著無塵衣，確保生產設備穩定運作。他們的壓力並非來自「時程」，而是「即時反應」——設備一旦故障，就可能造成數百萬的晶圓產能損失。
這些工程師需隨時待命（on-call），半夜接到機台異常的電話是常態，甚至需即刻返廠處理。壓力來源包括：
設備異常時需快速判斷、拆解問題
無法獨立處理時還需聯繫供應商（vendor）協助排除故障
處理完後還要撰寫報告，向廠長說明原因與改善方式
即使設備看似「沒問題」，工程師也可能因產出未達預期數量而被追問，壓力不容小覷。
[joblist_plugin title='【半導體設備工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?keyword=%E5%8D%8A%E5%B0%8E%E9%AB%94%E8%A8%AD%E5%82%99%E5%B7%A5%E7%A8%8B%E5%B8%AB&isJobList=1&order=15&page=1' amount='3']
類比IC設計工程師：自然訊號的轉譯者
與數位IC設計不同，類比IC設計工程師處理的是來自現實世界的連續訊號，如聲音、光線等，需將這些訊號轉換為IC可以處理的形式。這領域相對更貼近自然原理，也通常被視為IC設計的源頭之一。
數位與類比IC設計工程師在訓練與知識上有所區隔，前者強調邏輯與數位系統架構，後者則更重視訊號處理與電路模擬。
[joblist_plugin title='【類比IC設計工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?keyword=%E9%A1%9E%E6%AF%94IC%E8%A8%AD%E8%A8%88%E5%B7%A5%E7%A8%8B%E5%B8%AB&isJobList=1&order=15&page=1' amount='3']
半導體製程工程師 vs. 設備工程師 vs. 整合工程師：三者有何不同？
有些人會將「半導體工程師」這個名詞與製程、設備混為一談，實際上這三者職責明確分工：
半導體設備工程師：專職維護與操作生產設備，確保機台穩定運作，避免停機、達預期數量產出。
半導體製程工程師：掌控整條生產流程，優化機台的設定，思考如何提升良率。
半導體工程師（整合工程師）：是較廣義的角色，需了解製程、設備等不同面向，具備跨領域協調與整合的能力。
年薪中位數方面也有些幅差距：
半導體工程師：約 93萬
製程工程師：約 88萬
設備工程師：約 80萬
[joblist_plugin title='【製程工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?keyword=%E8%A3%BD%E7%A8%8B%E5%B7%A5%E7%A8%8B%E5%B8%AB&isJobList=1&order=15&page=1' amount='3']
結語：選擇工程職涯前，先了解你的生活型態與成就感來源
數位IC設計、類比IC設計、製程工程師與設備工程師，雖然都屬於工程領域，卻走向截然不同的職涯路徑：
喜歡坐在辦公室、用腦力解題、參與長期專案，有技術深入與產品成就感？ 你可能適合走向 IC設計，無論是數位還是類比。
喜歡實作、現場操作、面對機台與即時問題，從實體運作中找到成就感？ 那 設備工程師 會是你的舞台。
喜歡系統性思考、跨單位協作、關注製程穩定性與良率提升？ 那你或許適合走向 製程工程師，成為連結設計與現場的關鍵橋梁。
每個角色都不可或缺，在選擇工程職涯之前，不妨先了解產業分工、自己的性格與成就來源，再決定適合自己的未來方向。
從數位工具到商務實戰──義民高中資料處理科：培養跨域競爭力的數位職人
如何讓學生在 AI 崛起與網路經濟爆發的時代脫穎而出？義民高中資料處理科給出了一個清晰的答案。這門兼具「資訊技術」與「商業管理」的學科，不僅教導學生如何操作電腦、考取證照，更著重於跨領域的邏輯思維與實務整合。在這裡，學生從最基礎的文書處理出發，逐步踏入會計、經濟與商業專題製作的殿堂，在數字與程式碼之間，編織出屬於自己的未來職涯藍圖。
跨域思維的先行者：結合資訊與商務的學科優勢
「資料處理科最核心的優勢，就在於它的『跨領域』。」義民高中資料處理科陳昭君主任在訪談中一針見血地指出。面對許多國中生與家長常將「資訊科」與「資料處理科」混淆的疑問，主任給出了一個簡單而明確的判別方式：「資訊科是工業類群，面對的是機器；而資料處理科（資處科）則是商業管理群，面對的是人。網路世界的基礎是電腦，當你具備了電腦操作能力，又懂得商業運作邏輯，就能直接跨入電子商務與現代商務的領域。」
在課程設計上，資處科將複雜的電腦應用與統整商管知識相結合。高一到高三的學科內容涵蓋兩大體系：
資訊技術： 電腦軟體應用（Word、Excel、PowerPoint）、中英文輸入、計算機概論與Python 程式語言。
商業類科： 會計學、經濟學、商業概論到專題製作。
這種雙軌並進的訓練，讓資處科的學生在面對複雜的商業環境時，既擁有清晰的邏輯思維，又具備資料處理的執行力。
圖：學生透過上機實作，培養文書能力
從基本功到高階應用：以證照檢定奠定實力自信
在義民高中資處科，學習成果不只體現在課堂的聽講上，更落實在具體的證照考取與技能檢定中。學校規劃了一套循序漸進的證照地圖，協助學生在三年內建立無可替代的硬實力。
「我們透過考取證照的過程，給孩子們建立信心。」主任分享，高一時學生會先從電腦軟體應用丙級、TQC 辦公室應用軟體（Word、Excel、PowerPoint）以及中英文輸入開始扎根；到了高二、高三，則進階挑戰高難度的「電腦軟體應用乙級」檢定，以及人工記帳會計丙級等專業證照。
目前就讀資處科的林同學與戴同學，便充分展現了這項環境帶來的專業實力。林同學在三年內考取了包括電腦軟體應用乙級與丙級、商教會會計一級檢定、人工記帳會計丙級等多張高含金量證照；戴同學也順利拿下了電腦軟體應用丙級及多張 TQC 證照。這些努力，成為他們畢業時最堅實的備忘錄。
圖：高中三年努力考取多張證照，展現學以致用的實力
理論與實務的交會：專題製作打開職涯的無限可能
隨著 108 課綱的推進，「專題製作」成為資處科高三學生最重要的核心課程。專題製作要求學生必須主動整合三年所學，從無到有地完成一項縮小版的商業研究或企劃報告。
主任分享，目前科大在競賽與專題上喜好的取向，多圍繞在 ESG（環境、社會與治理）、APP 應用、產品行銷企劃與活動企劃。因此，學生的專題主題也緊扣這些時代脈動，例如有組別便以「心理舒壓」為核心研發創意點子，完成了具備高度整合性的專題成果。
在專題製作的過程中，學生必須寫出完整的企劃書，內容涵蓋室內設計構想、成本預算控制、人力資源配置、行銷宣傳策略等。主任透露：「在討論行銷推廣時，學生提出想利用 Instagram作為宣傳通路。我不直接教他們怎麼進行推廣，但我會以過去做行銷的經驗挑戰他們：『你們的推廣策略就只有這樣嗎？要怎麼寫文案？文稿跟圖片要怎麼呈現？』」這種高互動性的引導，讓學生養成思考每一步驟背後的邏輯與效益。
圖：高三專題成果，榮獲商業類技藝競賽獎項，展現跨域整合與實作能力
多元進路與特質媒合：找到屬於自己的發光舞台
「讀資處科，最大的好處就是未來的出路非常寬廣。」主任驕傲地表示。由於兼具資訊與商管背景，資處科畢業生在統測升學時擁有極大的優勢，可選擇的落點涵蓋：資訊管理系、企業管理系、財務金融系、會計系、財稅系等…甚至是跨足跨域的工業管理、資訊工程系等。
對於有志於在高中畢業後直接投入職場的「實用技能班」學生，資處科也提供了充足的就業準備。林同學與戴同學便分享，身邊選擇直接就業的同學，多數能順利進入餐飲業、零售通路（如全聯）等服務產業服務。更有實用技能班的孩子在畢業後，一邊在知名科技公司（如緯創）上班，一邊在國立大學研究所繼續深造，實現了產學無縫接軌。
究竟什麼樣的孩子適合就讀資料處理科？主任與兩位學生的分享總結出了以下幾項人格特質：
樂於與人互動、不排斥溝通： 商管群的核心在於服務與協調，具備良好的文字與言語表達能力是重要基石。
對數字與細節具備敏感度： 不需要數學成績頂尖，但必須對數字有耐心，能從簡單的數據中發現脈絡。
喜好操作電腦、不排斥邏輯思考： 面對系統與程式工具，願意動腦思考其運作邏輯。
航向數位未來的羅盤：在多變環境中發光的跨域英才
在義民高中資料處理科的三年的時光裡，學生學到的從來不只是死板的軟體操作，而是一套與現代數位世界對話的方式。從高一敲擊鍵盤的生疏，到高三能在講台上自信展示專題成果；從面對數據的迷惘，到能用多元工具梳理資料邏輯。這群資處科的學生在細節中鍛鍊判斷力，在跨領域的碰撞中摸索自我，陪伴著他們走向未，在各自的領域裡閃閃發光。
開箱資料處理科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
從初學到專業——屏東高工土木科，用精準數據與扎實實作打造未來專業人才
人們生活環境中的各項建設，道路、橋梁、建築、水利設施、港灣，甚至花草樹木的園藝造景等，幾乎都屬於土木工程的範疇。對多數人而言，土木工程容易被理解成「蓋房子」或「工地施工」，但真正的土木工程，其實涵蓋範圍相當廣泛，高職階段著重於基礎測量、材料、力學結構、施工到工程管理等完整流程的學習，需要的不只是動手操作，更需要扎實專業的工程知識與解決問題的能力。
屏東高工土木科是校內歷史悠久的科別之一，多年來持續依循產業需求調整課程，透過理論學習、工程實作與測量訓練，逐步培養學生完整的專業能力，為未來升學或投入工程產業奠定基礎。
圖：土木科教學樓
從基礎到精熟循序建立專業基礎
土木工程涵蓋的知識相當廣泛，因此屏東高工土木科的課程安排並非一開始就進入施工實務操作，而是依照學生的學習階段逐步建立能力。
高一時，學生先從測量學、測量實習及土木建築工程與技術概論開始，認識土木工程的基本原理，也透過測量實習學習操作儀器，建立對工程現場最基礎的認識。進入高二後，課程則逐漸加入工程材料、工程力學、工程圖學等專業知識，同時安排鋼筋、模板、鷹架組立及砌磚等施工實作，讓學生將課堂所學與實際工程相互印證。到了高三，學生除了持續深化工程測量技術，也開始接觸無人機測量等新技術，逐步認識現代工程測量的發展趨勢。
圖：學生進行砌磚水平校正
土木科主任林上源表示，測量是土木工程的重要基礎，因此學生從一年級入學便持續接觸相關課程，不只需要學會操作儀器，更希望培養學生精確判讀、分析與解決問題的能力。從測量、材料到施工，看似屬於不同課程，但在工程現場往往是牽一髮而動全身。一項工程開始之前，需要先從基礎開始，完成現況調查、整地、測量放樣…等，施工時則必須了解材料特性與結構原理。因此學校安排課程時，也希望學生將所學知能融會貫通，理解每一個環節之間的關聯性，以期逐步建立完整的工程觀念。
不只是施工，更要理解工程背後的原理
在外界印象中，土木科似乎就是砌磚、綁鋼筋等實作課程，但真正的工程現場，每一項施工都建立在理論基礎之上。
林主任指出，學生除了學習施工技術，也必須理解材料特性、建築構造及工程力學等知識。例如材料試驗課程中，學生需要進行水泥、粒料及混凝土等各項實驗，了解不同材料的性質與應用；施工工廠則讓學生親手完成砌磚、鋼筋、模板及鷹架組立等，體驗一棟建築從結構到施工的完整流程。透過理論與實作交互學習，學生不只是知道「怎麼做」，更理解「為什麼要這樣做」。
這樣的課程安排，也改變了不少學生對土木科的想像。
圖：學生合作進行鋼筋綁紮
土木科三年級蔡同學分享，自己原本以為土木科就是砌磚、鋼筋等施工課程，真正就讀後才發現，除了施工之外，還要學習測量、製圖等不同領域的專業，也因此對測量與製圖逐漸產生興趣。另一位洪同學也表示，原本以為土木科只能接觸模型製作，入學後才發現課程內容比想像中更加多元，而在一步步學習後，也逐漸找到自己的興趣與方向。
在一次次測量與實作中，累積工程現場需要的能力
除了課堂學習，屏東高工也鼓勵學生透過證照與技能競賽持續精進專業能力。
受訪的兩位學生皆為測量選手，長時間的訓練，不只是提升儀器操作能力，也讓他們更了解自己的專長。洪同學表示，自己較擅長儀器操作，因此希望未來朝無人機測量等相關領域發展；蔡同學則認為，參與選手培訓最大的收穫，是有能力協助同學解決問題，將自己累積的經驗分享給班上的同學。
林主任表示，學生在三年期間也會陸續挑戰測量丙級及工程測量乙級等專業證照，讓所學具體展現，也為未來升學及就業累積競爭力。受訪的兩位學生目前也都規劃持續升學，分別報考土木工程及土木與空間資訊相關科系，希望將高中三年累積的專業能力延伸到未來的學習與職涯發展。
圖：學生參與抗震模型競賽
從工程現場到未來職涯，開展多元發展方向
無論是建築工程、公共工程、測量、水土保持、室內裝修，甚至工程管理，都需要土木專業人才。學生畢業後可以選擇升學，進入營建工程、土木工程、水土保持及環境工程等相關科系，也能直接投入工程現場，從監工、測量人員、施工管理等工作開始，逐步累積經驗，朝工程師、工地主任及專業技師等職涯方向發展。談到學生畢業後的發展，林主任直言以目前的產業需求來看，土木專業人才仍有穩定的就業機會，「生活周遭環境，幾乎都與土木工程息息相關，只要願意，絕對可做為一生的志業」
扎實專業，培養能解決問題的工程人才
土木工程從來不只是施工，更是一門結合理論、技術與判斷的專業。屏東高工土木科透過測量、材料、施工及工程實作等完整課程，帶領學生一步步建立工程思維，也在不斷操作、驗證與修正的過程中，培養面對工程現場所需的專業能力。
從道路、橋梁到校園建築，土木工程一直默默支撐著人們的日常生活。屏東高工土木科希望培養的，不只是能完成一項工程的人，更是能理解工程如何影響生活、並運用專業解決問題的人才。當學生一步步累積測量、施工與工程判斷能力，也正在為未來投入更大的工程現場做好準備。
開箱土木科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
「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！
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
用「優勢公式」找對夥伴！Google與DeepMind工程師如何用AI改寫能源產業
Google與DeepMind工程師如何用AI讓數據中心省電40%，並創辦AI節能新創？看懂能力、動機與洞見組成的「優勢公式」。本文節錄自《商品決勝點》。
文／傑克納普、約翰澤拉斯基
你的優勢是什麼？優勢會以能力（capability）、動機（motivation）與洞見（insight）三種形式出現。為了解釋這三種優勢如何發揮作用，我要帶你回2014年認識三個人。他們日後成為公司創辦人。看看你能否從接下來的段落，找出三人替專案帶來的優勢─並猜一猜他們最終建立哪一種公司。
首先是機械工程師凱蒂．霍夫曼（Katie Hoffman）。
2014年的一個平常日，凱蒂在各種工業設備之間走來走去，手上沾滿灰塵和油汙。她的視線順著亂七八糟的線路走，一下子接這台機器，一下子接那台機器。凱蒂帶領的團隊負責翻新工廠，裝上新型控制系統以發揮最佳效能。這份工作很重要的一環，就是找出舊系統是如何運作，而實際情形永遠和設計文件說的不一樣。
凱蒂盯著的那條線，連到又一個工廠文件上沒提到的感應器。她用手機拍下照片，備註幾句話，然後嘆氣。成功破解舊系統並改善效率，的確會帶來滿足感─但凱蒂心知肚明，再過幾年，又會有另一批人跑來這，拆掉她所有的心血，再度翻新工廠。在那之前，系統將停留在這次的更新，永遠不會改善，直到再度大改造。凱蒂感覺這樣很浪費，想必還有更好的辦法，但是該怎麼做？
接下來是吉姆．高（Jim Gao）─也是機械工程師。
2014年一個普通的一天，吉姆坐在控制室裡，地點是Google位於愛荷華州的龐大數據中心。這座數據中心當初在設計時，吉姆就參與了，但他今天和凱蒂一樣，想著有什麼辦法能改善效能。
廠內漆成亮色的藍綠紅黃管線，通往四面八方，讓這座數據中心看起來有如《超級瑪利歐》（Super Mario）遊戲被搬到現實世界，只不過沒有蘑菇和飛行龜，只有一排排的伺服器機櫃。
一年12個月，一週7天，白天黑夜不停歇，隨時有冷水流過那些五彩繽紛的管線，負責吸收與帶走伺服器產生的熱氣。冷卻管的確有用，但吉姆檢視控制室的讀數，忍不住感到失望。這個系統太耗電。每次機櫃開始升溫，管理數據中心的團隊就必須加快冷卻系統的輸出。加速時耗用的能源愈來愈多，但也不能不加速─伺服器過熱就會當機，網路將斷線。或許這樣的效率不彰是無法避免的，或許工程技術頂多就只能做到這樣，但吉姆總覺得哪裡怪怪的。他到底漏掉什麼？
最後一位是電腦科學家維達．潘奈薛凡（Veda Panneershelvam）。
在2014年平凡無奇的一天，維達坐在倫敦的桌旁寫程式。他和世界級的軟體工程師團隊合作，一起尋找人工智慧研究的聖盃：寫出能在圍棋賽中打敗人類的電腦程式。
如果你不熟悉圍棋，只需要知道很複雜就夠了。西洋棋有10123種可能的走法，但圍棋有10360種，令人難以置信。圍棋棋盤可能呈現的棋局狀態，還要多過宇宙裡的原子數！
如果要在圍棋取勝，維達和同事必須開發出新型的人工智慧做法，創造能看見未來的程式。2014年的時候，大部分的人認為這是癡人說夢，但維達只覺得興奮。如果AI連圍棋都能勝出，誰知道還能替人類解決其他哪些問題。
我們來回顧一下，先從顧客和問題講起：
凱蒂正在解決大型製造商的工業控制系統缺乏效率的問題。
吉姆正在解決Google有如吃電怪獸的數據中心。
維達正在解決……這個嘛，我不認為他實際上是在解決圍棋的問題。我認為他真正在處理的，其實是人腦處理複雜問題的能力有限。我認為他的「顧客」是全人類。我知道，這聽起來有一點過於宏大，但我認為確實如此。
好，那凱蒂、吉姆和維達的特殊優勢是什麼？剛才提過，優勢有三種。
首先是能力。能力是指你能做到很少人能比得上的事。如果你在大公司上班，你可能享有知名品牌的好處，或是專案有很多預算；如果你替迷你的新創公司工作，你的能力有可能是專注與快速行動。不過，最能派上用場的能力通常是傳統的專業技能（know-how）：
凱蒂是機械工程專家，主要做工業控制。
吉姆也是機械工程師，專長是數據中心。
維達是電腦科學專家，專門做人工智慧。
凱蒂、吉姆和維達在各自的領域都是世界級的人才─有如女籃的凱特琳．克拉克（Caitlin Clark）與男籃的「詹皇」詹姆斯（LeBron James）─但光是他們的能力，還不足以完整呈現他們的獨特優勢。
接下來，我們來看第二種優勢：動機。動機是你想解決這個問題的特殊原因；你願意傾盡心力的事，別人不一定願意。動機也很重要，因為動機能指明一條路，讓你躍躍欲試，知道該在何處以什麼方式發揮長處。
凱蒂、吉姆和維達三位未來的創辦人，全都想要解決重要的問題，帶來正面的改變。這種精神令人欽佩，但過於籠統。我是說，很多人當然都想「讓世界更美好」─但唯有動機十分明確的時候，才能協助你決定該做什麼，所以講得再明確一點：
傳統的工業控制系統升級方式讓凱蒂沮喪。
實體系統的限制讓吉姆沮喪。
維達想運用AI替人類解決大型的問題。
注意到了嗎？以上三人中的兩人，主要是沮喪帶來了動力。如果你的動機也一樣，嘿，沒關係的。世上最優秀的產品，有的就是源自為現況感到憤慨、困惑、惱火、痛苦或抓狂。你不一定要從偉大的願景起步，憤怒也能帶來力量。
好，能力和動機加在一起後，三位未來創辦人的優勢變得更獨特。但他們分別會開哪種公司？讓我們進一步了解他們的故事。
兩年後，在2016年3月9日，維達站在南韓首爾四季飯店的會議室，透過現場影片串流，目不轉睛地看兩個人比賽圍棋。
棋桌的一方坐著李世乭，他是拿過18次世界冠軍的專業棋士。另一方則是業餘人士兼維達的同事。
維達看著同事下一個白子，接著注意力一下子回到會議室。電腦螢幕顯示數十張圖。「勝率圖」頓時表示對白方有利。
電腦認為能打敗看似無敵的冠軍李世乭。
過去幾天，維達和團隊成員─15名剛從倫敦飛來的電腦科學家─把會議室改造成臨時的控制中心。AI程式AlphaGo就是他們設計的。他們在控制中心把AlphaGo認為棋子該怎麼下，轉告給維達的同事，那名同事負責把棋子擺到真實世界的棋盤上。
那場比賽的贏家可以獲得100萬美金的獎金。有沒有人跟我一樣，覺得這個場景像是15名科學家合演高科技搶劫片《瞞天過海》？只不過李世乭其實是在和AI比賽，不是什麼祕密。裁判知道，李世乭知道，每個人都知道。全球各地轉播這場比賽，數百萬人觀戰，不過大部分的圍棋專家都認為圍棋太複雜，電腦不可能獲勝。
然而，在那個首爾的三月天，AlphaGo贏了。
數千英里外，吉姆仍在設法改良Google數據中心的冷卻系統。AlphaGo的故事如火如荼展開時，他偶然聽到這件事，備感著迷，開始追蹤首爾的最新情形，一點細節都不放過。
吉姆挖掘細節時得知，AlphaGo的AI使用「深度強化學習」（deep reinforcement learning）這個突破性的方法。吉姆冒出一個瘋狂的點子。深度強化學習會不會有助於冷卻數據中心？畢竟隨時找出最佳的控制配置，有一點像是在圍棋賽中找出最好的一步。
維達的團隊替DeepMind工作，而DeepMind是Google旗下的公司。這不正好。雖然吉姆沒見過他們，但嚴格來講大家都是同事。維達於是寄電子郵件給DeepMind團隊，解釋他的瘋狂點子。
維達認為這個數據中心的挑戰很吸引人，同意試試看。接下來密集的幾星期，維達、吉姆和DeepMind的工程師團隊，寫出新的深度強化學習程式，把Google數據中心的冷卻系統，交給這個新AI負責。
電力使用起初暴增，因為AI做起實驗，隨機調整控制設定，就像小朋友亂按汽車音響上的鈕。不過，AI也和幼兒一樣會學習，強化有效的策略，用電因此出現改善，再改善，持續改善，最後和AlphaGo一樣超越人類，Google數據中心的用電因此銳減四成。
我等一下會繼續說這則故事，但先來看維達和吉姆合作後發生的事。他們整合雙方的能力─吉姆的數據中心專業能力，加上維達的人工智慧魔法─打造出單打獨鬥生不出來的東西，發揮特殊的優勢。不過別急，好戲還在後頭。
2019年，吉姆和維達結識凱蒂─那位擅長翻新工業控制系統的機械工程師。三人開始討論如何能在Google以外的世界，減少能源浪費。廠房在加熱、冷卻與操作各種設備時，耗用大量的電力。AI也能在這方面幫上忙嗎？
吉姆和維達相信他們能大幅改善工廠的能源使用─但需要借重凱蒂的實務知識，才有辦法設計、販售與裝設解決方案。凱蒂曾在詮宏空調（Trane）、英格索蘭工程技術公司（Ingersoll-Rand）、雷神國防承包商（Raytheon）等企業，帶領過工程與創新團隊。她清楚製造商如何作決定，也了解工業控制系統的缺點。吉姆和維達熟悉的是Google經過精心設計的數據中心，而工業廠房的世界遠比那混亂─凱蒂則熟悉這個領域。三人決定放手一搏，辭去工作，在2019年底成立新創公司淮德拉（Phaidra）。
淮德拉是我們Character資本最早投資的一批公司，他們的故事深深啟發了地基衝刺。他們從大膽的專案起步：企圖運用AI讓各種工業廠房更有效率。他們測試點子，學習如何建立顧客的信任感，談成第一筆生意。淮德拉先在大型藥廠展開試行計畫，隔年拿到第一筆大訂單，在5座工業廠房部署AI，最終還把服務拓展至數據中心。維達、吉姆與凱蒂在2014年渴望見到的超越人類、具備適應性、能預測未來的系統，如今成真。
三人能成功的原因是第三種優勢也登場：洞見。
洞見是指對問題與顧客有深入的了解。洞見讓你擁有別人沒有的觀點。吉姆有數據中心的洞見，維達有深度強化學習的洞見，但淮德拉的策略能成真，仰仗的是凱蒂具備工業廠房─以及擁有那些工廠的企業─如何運作的洞見。
淮德拉三位創始人的能力與洞見加在一起，得出獨特的東西。你可以想成一條等式：
能力＋洞見＋動機＝特殊優勢
凱蒂、吉姆和維達見面時，心想：「天啊！想想我們聯手能做到的事！」淮德拉公司或許算極端的例子，但你也能和團隊利用特有的優勢，帶來屬於你們的「天啊！」時刻。
節錄自：時報出版《商品決勝點：全球最成功的產品設計師如何讓顧客買單》／傑克納普, 約翰澤拉斯基 著
從房屋結構到數位建模——成大南工建築科，打造「營建產業IT人才」的搖籃
有人從一張房屋平面圖開始認識建築，也有人因為喜歡畫畫、模型或空間設計，逐漸走進建築專業。成大南工建築科從製圖、測量及施工基礎出發，再把資訊與人工智慧帶入課程，也讓學生理解一棟建築如何從想法形成圖面，最後走向真實施工。
從愛看房屋平面圖開始，走進建築教育十五年
成大南工建築科主任翁漱璞從小就對空間感到好奇。他看到房屋銷售上的平面圖，常會仔細研究家具可以如何擺放，各個空間又要如何連接。他後來就讀台中高工建築科，並在民國100年進入成大南工任教，至今已在成大南工深耕十五年。
成大南工建築科的歷史可追溯至民國30年。科別曾隨產業發展調整，並在民國89年正式定名為建築科。學校改隸成功大學後，科內獲得更多設備、經費與交流資源，也積極和成大建築系及土木系合作。學生曾和成大義築團隊共同製作義賣攤車及木造溜滑梯，從實際構築過程理解設計如何被完成。
測量到施工圖，三年建立房屋建築基本功
建築科三年的課程安排具有明確順序。高一先建立製圖、測量與空間概念。學生會接觸基礎手繪，也會認識建築資訊與人工智慧的基本應用。老師們希望學生在入門階段就知道，建築已經和資料、軟體及數位工具密切相關。
高二的課程開始進入電腦繪圖及實際建模。學生會使用軟體建立建築模型，並把平面圖轉化成立體空間。蘇同學與江同學都對施工圖實習印象深刻。兩人提到，Revit可以把原本平面的圖面逐步建成立體建築。當牆面、樓板與空間真正出現在畫面中時，自己會很有成就感。
學生在高二了解不同領域後，高三可以透過多元選修選擇方向。對規劃設計有興趣的學生，可以加強建築造型、建築設計及法規。偏好工程實務的學生，則可以學習施工、建築工程實務、建築結構與測量。BIM課程也會進一步教學生從模型產出平面圖、立面圖與組合圖，並運用模型估算鋼筋、混凝土及其他工程數量。
圖：學生使用測量儀器進行校園測量
BIM不只是畫立體圖，更是建築工程的資訊中心
成大南工設立BIM數位建設科技應用實驗班，希望增加高中和大學之間的合作，也回應營建產業的數位轉型需求。原有課程已相當完整。若直接增加大量資訊課程，可能排擠其他專業科目。因此，學校透過實驗班重新規劃課程，讓學生可以進行更深入的學習。
翁漱璞主任指出，傳統營建產業常被視為勞力密集產業，但BIM正在改變工作方式。BIM模型除了呈現建築外觀，也能整合材料、尺寸、構件與工程資料。工程人員可以先在電腦中檢查問題、估算數量及模擬施工，減少現場錯誤並提高效率。
未來當人工智慧、機械手臂與自動化施工發展更成熟時，能夠同時理解建築與資訊的人才，將成為串聯模型、設備與施工現場的重要角色。
圖：學生於課程實際操作BIM建模軟體
透過證照及專題，展現學習成果
科重視實際操作，也為學生安排清楚的證照準備方向。高一以測量丙級技術士證照為主要目標，高二則準備建築製圖應用電繪丙級技術士證照。進入高三，教師也會鼓勵有興趣及能力的學生挑戰乙級證照。
高三學生必須完成專題，可以自行製作，也可以與同學組隊。題目不只限於建築設計，也能從施工或生活問題出發。例如，有學生針對收納需求設計可變形家具。老師會協助評估可行性，學校也會提供補助。表現優秀的作品可以參加校內初賽，前四名再代表學校參加全國專題競賽，成為升學作品集中的重要成果。
目前就讀建築科的蘇同學分享，其曾參加抗震盃，先以AutoCAD設計結構，再使用西卡紙製作模型。這段經驗讓他發現，電腦中的線條必須經過不斷測試與調整，才能成為穩定的構造。江同學則對力學課程印象最深。雖然課程具有挑戰性，同學們也因此經常聚在一起討論，在互相解題的過程中共同進步。
圖：學生參加高雄科技大學土木系 2025 年抗震盃之合照
升學分成三條路，BIM也帶來新的職涯選擇
建築科學生的升學方向大致分成三類。第一類是規劃設計，包括建築、室內設計及景觀設計。第二類是施工營建，包括土木、營建工程、水土保持及職業安全。第三類則是房地產、休閒管理及其他和空間規劃相關的科系。
科主任提到，未來建築方向的出路可以選擇進入建築師事務所、結構或土木技師事務所，也可以擔任主管職的工地主任、監工及職安管理人員。
具備BIM能力的學生還能朝建模師、建模員、工程數量估算及資訊整合等工作發展。這些職務需要把建築知識轉化為可運算、可共享的模型資料。
不必先會畫圖，重要的是對空間有興趣
翁漱璞主任認為，適合建築科的學生通常喜歡積木、樂高或模型，或者會注意生活周遭的空間。學生可能會思考房間如何重新安排，或希望改變某個使用不便的地方。這些觀察都代表學生對三度空間、結構或設計具有興趣。
學生不需要在入學前具備完整基礎。江同學表示，只要真的有興趣就可以嘗試，因為大家都是從零開始學習。蘇同學也認為，學生只要願意投入，便能逐步把專業學好。家長平時也可以帶孩子參觀建築展覽，觀察不同建築與空間，幫助孩子確認自己是否喜歡這個領域。
從手上的鉛筆到電腦中的數位模型，成大南工建築科讓學生同時學習設計、工程與科技。學生在三年內不只學會如何畫出一棟建築，也逐漸理解它如何被計算、施工與管理。當營建產業持續數位化，這群能看懂空間、掌握工程，也能操作資訊工具的學生，將擁有更多升學與職涯選擇。
開箱建築科學習日常！
更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
Excel資料篩選卡關？AI教你IF、COUNTIF、自動篩選一次看懂
Excel進階篩選工具功能強大，卻也是許多上班族最容易卡關的操作。該怎麼下判斷公式？這篇實測用ChatGPT、Copilot等AI工具提示如何解決資料篩選問題、生成包括IF、COUNTIF等函數，並結合自動篩選與進階篩選技巧，就算不熟Excel公式，也能靠AI輕鬆解題！本文節錄自《超有料！職場第一高效的 Excel ✕ AI 自動化工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
先一窺正規Excel書教的篩選解法請AI提示如何解決Excel資料篩選問題：AI生成IF函數 + 自動篩選器教學跟AI提示如何用「某某」功能完成任務：AI生成條件式公式 +進階篩選器教學請AI重新生成新的函數、公式：AI生成COUNTIF函數任何微不足道的Excel操作卡關都儘管問AI：AI 提供自動篩選器操作提示
【使用AI】AI聊天機器人 （ChatGPT、Copilot、Gemini…都可以）
ChatGPT網址：https://chatgpt.com/
Copilot網址：https://copilot.microsoft.com/
Gemini網址：https://gemini.google.com/
前一節看到，請AI直接篩選Excel資料實在太方便了，不過，若讀者怎麼操作就是試不出來（有可能您的檔案結構偏複雜）、或者對於提供商業內容給AI有顧慮、又或者ChatGPT的免費上傳額度滿了不能用…，不管任何原因，任何資料篩選需求請AI提示我們用Excel怎麼做行得通嗎？
當然！筆者也建議讀者不要完全捨棄這種解法，畢竟以AI聊天機器人來說，不是每一個都支援上傳Excel檔，而免費的ChatGPT也有上傳附件、圖檔的額度限制，萬一急用時免費額度卻用完了，一定會有請AI輔助解決的那一天，而且，用這一招學一些Excel基本技巧也不錯！
以資料篩選工作來說，Excel的自動篩選、進階篩選功能，及其搭配函數的使用是一定要稍微熟悉的，當操作上卡關時，可以隨時搬出AI來解圍。
先一窺正規Excel書教的篩選解法
延續前一節的範例，底下先快速看一下以往 Excel 書會教的進階篩選做法 (稍微有點高竿喔！沒學過不會是正常的)，做個比較才會有感覺。我們先回顧一下這個例子的需求：
想從經常變動的商品資料中，篩出各分類的最新資料，並單獨存放方便檢視
【第1步】開始做看看。首先，在E3儲存格用函數建立一個篩選條件，這是為了判斷「目前的分類名稱跟下一列名稱是否不同」，假設查出A7那一格的名稱跟A6的不同，就可知道A6那一列是該分類的最新（最後一筆）資料：
在E3用函數建立篩選條件，顯示為FALSE(假)
看一下公式，比較儲存格內容是否一樣時，用了<>「不等於」的符號。此公式表示「判斷A3跟A3的下一格是否一樣」，OFFSET(A3,1,)就表示A3往下一格走，指的是A4儲存格
E3之所以顯示FALSE，是因為A3往下一格，即A4的分類名稱跟A3是一樣的（都是冷氣機），因此會顯示FALSE。若兩儲存格的值不一樣，E3儲存格則會顯示TRUE(真)
【第2步】接著，叫出Excel的「進階篩選器」來操作，進階篩選的基本概念是設定一個條件式，然後用此條件式來篩選資料。下圖的設定就是用剛才的條件式把原始資料篩過一遍：
點選表格內的儲存格，再按下資料頁次排序與篩選區的進階鈕
開啟進階篩選交談窗後，點擊將篩選結果複製到其他地方項目
將資料範圍欄位設為儲存格A2：C14
這一步是重點，將準則範圍欄位設為儲存格E2：E3
將複製到欄位設為儲存格G2，表示將篩出來的資料放在G2
按下確定鈕
呼～完成了！各分類的最新商品都被自動篩選至表格裡
【TIP】Excel進階篩選在執行時，會將E2：E3準則範圍內的條件公式套用到資料範圍的每一列，因此在檢查完A4跟A3的名稱是否一樣後，會繼續往下檢查A5跟A4是否一樣、A6跟A5是否一樣....，依此類推。
請AI提示如何解決Excel資料篩選問題：AI生成IF函數 + 自動篩選器教學
前面的步驟確實能完成Excel篩選任務，而Excel進階篩選器的設定看起來也幾個欄位而已，但本例設計條件式絕對需要經驗，若對Excel不熟，光是「公式該怎麼下（我哪知道該用OFFSET函數！）」、「篩選窗那些設定要怎麼設…」都會卡關。
在沒有提供檔案給AI聊天機器人的情況下，這樣的例子該如何請AI幫忙呢？底下就來試試看，只要我們沒有直接丟資料給AI，它所回覆的通常就會是解法思路，而大部份情況都會教我們用函數搭配一些內建功能來解決問題：
【TIP】提醒讀者，如同第一章提到的，AI聊天機器人絕對會提供我們看似很詳盡的操作步驟，嘗試後出錯是常有的事，但做為操作的參考思路還是有幫助。
如1-5節的說明，最佳的資料提供做法就是上傳資料的截圖給AI
描述需求，務必要指明儲存格，而且我們還附了截圖，AI會錯意的機率小了許多
ChatGPT給的指示很明確，上圖圈起來那一段是要我們在 D3貼上公式，此公式可以識別目前所在的這一列是不是每個分類的最後一筆資料
接著按住填滿控點"+"，往下拉到D14儲存格
最後一筆資料都被識別出來了，目前AI教的結果都正確
接著，上圖AI聊天機器人教筆者用內建的自動篩選器把資料篩出來，這一步也沒問題
【TIP】回顧最開頭所下的提示語，筆者是希望AI把篩出來的資料「額外」統整在G2儲存格，這部分 ChatGPT就沒有回答到。這是常有的事，此時您可以繼續提要求，但以本例來說，步驟6已經把資料篩出來了，直接複製起來貼到其他地方也就完事了，不見得要繼續花時間向AI提問。
跟AI提示如何用「某某」功能完成任務：AI生成條件式公式 +進階篩選器教學
當然，若您稍微知道進階篩選器提供了「把篩選出來的資料額外存放到某儲存格」的功能（如前面的示範），也可以請AI提供這方面的做法給我們參考（再次提醒，只能做為參考，不要期望過高）：
AI這一步是要我們先建立用來篩資料的條件式（也就是前面步驟4的準則範圍）
所教的公式跟前面所用的OFFSET函數稍有不同，沒關係先試試看
先照上圖AI指示的建議，在F2儲存格建立條件式（在Excel內是稱準則範圍，AI是稱條件範圍，這樣的小出入要自己稍微變通一下）
接著就照左圖AI給的「進階篩選器」操作指引一步步做，還是需要抓Bug，例如資料範圍應該是A2:C14，這種小錯誤算是容易修正的
本例照著AI的指引操作完進階篩選器，結果「電風扇」這個分類的最後一筆資料沒被篩出來
前面一再說過，即便照著AI的指引也不見得能保證成功，若遇到像本例「電風扇」的最後一筆資料未被篩出來的問題，我們就得進行除錯，通常不外乎是函數、公式或篩選條件需要調整，是否能糾出問題會很考驗個人的Excel功力。
【TIP】結合前面所學的看起來，問題應該是出在做為準則範圍的那個條件式公式：此問題的關鍵在於兩個公式的邏輯不同，OFFSET函數提供了更靈活的參考範圍，能應對數據結尾的特殊情況，而「=A3<>A4」則單純比較當前列和下一列的值，但當到達最後一列時，下一列並不存在，就不會觸發篩選條件，導致最後一列的電風扇資料被忽略。
請AI重新生成新的函數、公式：AI生成COUNTIF函數
當然，卡關的當下我們通常不會知道可以採用什麼替代函數來做，別忘了可以再次向AI發問，讓它進一步提出修正方案：
繼續追問，直接把遇到的錯誤情況提供給AI：「照你的做法，電風扇這個分類的最後一筆資料沒被篩出來」
但一開始回的好像沒什麼改善，滿常「跳針」講一樣的內容，這是常有的事
重提需求，目標講明確一點，例如請AI改個公式看看
最後AI新給了=COUNTIF(A$3:A$15,A3)=COUNTIF(A$3:A3,A3)這段公式。AI也會幫我們解釋函數用法及公式的邏輯
照AI的給的公式，貼到F3儲存格（需自行將A3:A15改成A3:A14）
再操作進階篩選器一次，成功解決最後一列篩不出來的問題了
【TIP】AI真的很厲害，新給的公式是改用統計次數的COUNTIF函數來處理，這樣就不會有前面=A3<>A4這個條件式所遇到「最後一列沒有下一列，導致最後一列篩不出來」的問題。因此，讀者只要遇到卡關，可以請AI多試不同的公式，這個做法會比請AI在舊公式上除錯來得快。
任何微不足道的Excel操作卡關都儘管問AI：AI 提供自動篩選器操作提示
除了看起來稍微有點學問的進階篩選功能外，爾後讀者如果遇到任何Excel內建操作的問題，都可以把截圖丟給AI聊天機器人，請它給出操作提示。不用怕，任何小功能都行。
【1】例如面對一些不複雜的篩選需求時，Excel的自動篩選功能也常被使用，這是使用率最高的篩選工具：
位於資料頁次/排序與篩選區的篩選鈕是最常用的Excel篩選工具
可以直接勾選要篩選的條件，例如勾選萬華區結果如右
也可在此輸入部份的值，例如大安區做為篩選條件
這裡也提供一大堆自動篩選條件
【2】雖然自動篩選操作起來很直覺，不太需要教，但如果一時不曉得如何指定篩選條件，不妨就把「卡關的截圖」+ 「想篩出什麼資料」請AI給出提示吧：
例如想篩出「請款單編號」中含"10" (月份) 的項目，光點點按按是篩不出來的。這時就可以搬出 AI 聊天機器人來協助：
附上資料截圖
建議附上自動篩選器的截圖，這樣AI聊天機器人的回答才不會太發散
描述需求
本例AI教筆者用萬用字元符號來處理
看到左邊AI聊天機器人的提示，雖然對這個位置的指示沒到很精準，但至少AI有提供篩選的思路(若對於在哪裡輸入不清楚，可以再繼續逼問AI)
【TIP】但提醒讀者，如同第1章所提到的，「請AI教你Excel怎麼操作」比較適合對Excel有一定熟悉的人（以本例來說，至少你自己要用過自動篩選器！），因為AI聊天機器人對操作位置的指示不會100%精準，若您對某功能壓根不熟，光看AI聊天機器人的步驟操作極有可能會白花時間。
節錄自：旗標出版《超有料！職場第一高效的 Excel ✕ AI 自動化工作術：生成公式 + 函數、做自動化，用 AI 解決所有 Excel 難題！》／施威銘研究室 著
推薦閱讀：
AI寫Excel公式這樣最省時！ChatGPT、Copilot描述需求、生成函數、錯誤修正一次學會
ChatGPT整理Excel表格超快速！用AI輕鬆搞定複雜資料
【Graphy AI教學】AI自動生成圖表、數據分析4技巧！連報告都能一鍵生成的靈感救星
AI工作專區｜工程師、PM、行銷的AI應用人才，企業AI徵才技能整理
AI時代來臨，企業對AI應用與自動化人才的需求不斷成長。從軟體工程師、產品經理、專案經理（PM）到行銷人才，懂得使用AI工具：RPA自動化流程、n8n無程式的工作流程整合，在就業市場已開出新的人才賽道，成為企業招募新一代人才的重要加分條件。
本文目錄（點擊可快速前往）
AI技能找工作機會｜RPA、n8n、Vibe CodingRPA（Robotic Process Automation，機器人流程自動化）n8n（開源的工作流程自動化工具）Vibe Coding（氛圍程式設計）職務結合AI工作機會AI行銷人才AI應用管理師 Project Manager、AI PMAI產品經理（AI Product Manager）AI設計師（UI/UX）AI應用軟體工程人才AI、演算法工程師FAQ：AI工作常見問題AI＋自動化技能能提高薪資嗎？學AI可以做什麼工作？
AI技能找工作機會｜RPA、n8n、Vibe Coding
RPA（Robotic Process Automation，機器人流程自動化）
透過軟體「機器人」來模擬人類在電腦上執行重複性、規則化任務的技術，無需改變原有系統或進行複雜開發。
職缺舉例：RPA Business Development Specialist、HR數位轉型專案管理師、業務管理師、通路服務規劃人員
[joblist_plugin title='【RPA】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=3&keyword=RPA&order=15' amount='3']
n8n（開源的工作流程自動化工具）
可幫助工作者自動化重複性任務，整合各種應用服務，類似Zapier或Make.com，擁有更高的彈性。
使用範例
每日定時抓取某API數據→整合→發送Email報表
當表單送出→整理資料→寫入Google Sheet→發Slack通知
自動化CRM建立客戶資料 + 產生任務 + 發送開通信件
[joblist_plugin title='【n8n】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=2&keyword=n8n&order=15' amount='3']
Vibe Coding（氛圍程式設計）
工作者運用語言模型（ChatGpt、copilot）等AI技術，透過自然語言與AI對話，讓AI自動生成所需程式碼，大幅降低開發門檻。只需描述想要達成的功能，AI便能撰寫程式，無需深入理解底層程式運作原理，可以不透過工程師達到將網頁、APP快速送入市場驗證的開發模式。
[joblist_plugin title='【Vibe Coding】精選職缺' url='https://www.104.com.tw/jobs/search/?keyword=vibe+code&order=15&page=1' amount='3']
看不夠？來去逛逛 104數位與科技人才專區
職務結合AI工作機會
AI工具的應用，讓專業工作者能提高工作效率（避免耗時的行政流程）、創意創新的競爭力（給予AI思考框架，提出不同的創新想法）、決策支援（藉由數據資料的匯入，與AI協作預測商業策略執行優勢與須備風險管理的地方）。
AI行銷人才
企業期待新一代的行銷人將專業的行銷know-how結合AI與MarTech的技術，能更精確的了解市場、找到用戶痛點、制訂與執行更有效的行銷策略。
必備技能：AI工具（ChatGPT）、RPA與n8n自動化排程、GA4。
加分條件：懂MarTech串接與數據驅動行銷策略。
[joblist_plugin title='【AI Martech 行銷】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=3&keyword=AI+Martech&order=15&jobcat=2004001000' amount='3']
AI應用管理師 Project Manager、AI PM
結合PJM對組織流程、利害關係人的了解，提升決策效率與資源運用，並在複雜多變的環境中，精準規劃、協調跨部門團隊，確保專案按時、高品質交付，創造更高的商業價值。
[joblist_plugin title='【AI專案經理】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&keyword=AI+n8n&order=15&jobcat=2004003006' amount='3']
AI產品經理（AI Product Manager）
產品經理需要能精準識別使用者需求，將AI能力轉化為實際功能，並制定策略與路線圖，協調跨部門資源，確保AI產品從概念到落地，能創造最大化的商業價值與使用體驗。
必備技能：敏捷開發、數據分析、RPA流程設計、n8n工作流自動化。
加分條件：懂Prompt Engineering，能規劃AI產品MVP
[joblist_plugin title='【AI專案經理】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=2&keyword=AI+n8n+%E7%94%A2%E5%93%81%E7%B6%93%E7%90%86&order=15&jobcat=2004003005' amount='3']
AI設計師（UI/UX）
結合AI技術與使用者行為洞察，打造人性化的產品體驗。需要理解AI產品的運作邏輯，將複雜的演算法結果轉化為直覺且易於使用的介面，在設計過程中融入個人化體驗與數據驅動的設計思維，確保產品兼具美感與功能。
[joblist_plugin title='【AI UI/UX 設計師】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&keyword=AI+&order=15&jobcat=2013001015,2013001016,2013001006,2013001020' amount='3']
AI應用軟體工程人才
幫助提升公司營運效率，工作內容包含開發與推進AI自動化應用，包括文件生成、知識查詢、任務建議與流程輔助，提升日常作業效率。
[joblist_plugin title='【AI應用工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?jobsource=joblist_search&mode=s&page=1&keyword=AI+%E6%87%89%E7%94%A8&order=15&jobcat=2007001000' amount='3']
AI、演算法工程師
邊緣運算、LLM、AI/ML 演算法、生成式AI、影像辨識、資料科學……等專業技術領域
[joblist_plugin title='【AI、演算法工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&order=15&jobcat=2007001020,2007001012' amount='3']
FAQ：AI工作常見問題
AI＋自動化技能能提高薪資嗎？
能，降低人工成本，幫企業節省大量時間。幫助公司快速決策，提升專案 ROI。具備跨領域競爭力，在數位轉型浪潮中更具優勢。
學AI可以做什麼工作？
學AI可以應用在與數據、軟體、流程優化相關的工作中。例如：行銷人多會了AI，可以不透過工程師快速架設行銷活動網站、PM會AI，可以自動化縮短寫規格書的時間、透過Vibe Coding方式加速MVP的推出，工程師可以透過AI協作，更快產出80%的程式碼，將時間投入優化code的過程。
看不夠？來去逛逛 104數位與科技人才專區
有任何收穫或想分享的，都來和大家一起聊聊吧！