【績效管理-入門】企業績效目標設定及評估
104學習
資料審核
指的是對文件、數據或資訊進行仔細檢查，確保其準確性、完整性和合規性。這項技能能有效避免錯誤流入後續流程，提升工作品質與效率，同時降低風險和損失。具備此能力的人，通常細心、有耐心且具邏輯思考，對提升團隊整體表現十分關鍵。
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
卓越績效管理與提升
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
TTQS 評核攻略免費試閱
長照行政品質必修課｜行政與照顧品質管理基礎四堂課
TTQS 企業機構版評核攻略
【2026/11/16開班】ISO/IEC 42001:2023 人工智慧管理系統主導稽核員課程
【2026/11/21開班】ISO/IEC 42001:2023 人工智慧管理系統主導稽核員課程
資深經理人教你超強Excel數據力
AI財務力：從數字到決策的智慧應用【9/3】
精選證照
考取專業證照，讓能力被市場看見
數位人資管理師-經理級認證
數位人資管理師認證學程將幫助你，運用e化系統的力量，將大量的人資行政瑣事效率化；利用聰明的流程再造，將員工視為內部顧客，全面提升員工體驗；最後發揮數據力，真正成為組織成功的策略夥伴！
獲得數位人資管理師-經理級認證，代表你具備以下能力
1.了解員工體驗的精神，與e化流程的設計思維，可協助組織全面檢視HR各流程的重要問題與精進的方向。
2.熟悉e化流程的設計方法步驟，協助組織善用數位科技的力量，優化現有制度流程，促進員工體驗。
3.清楚大數據分析的內涵，與業界實務運用案例，可幫助公司導入大數據分析專案，解決公司在人力計畫、人才發展、留才管理上碰到的重大問題。
104資訊科技股份有限公司
資料庫與資料結構處理認證
資料庫與資料結構處理認證是關於如何有效地管理和組織數據的認證。學習者將學習設計和實現關鍵的資料庫技術，如關係型數據庫，以及資料結構處理技術，如排序、搜索和哈希表等。
資料庫與資料結構處理認證評估專業人士在資料庫和資料結構處理方面的能力和專業知識。通過這項證照的專業人士通常具備設計、實施和管理資料庫系統以及處理各種資料結構的能力，以支援組織的數據管理需求。
TIPCI臺灣國際專業認證學會
數位人資管理師-專員級認證
數位人資管理師認證學程將幫助你，運用e化系統的力量，將大量的人資行政瑣事效率化；利用聰明的流程再造，將員工視為內部顧客，全面提升員工體驗；最後發揮數據力，真正成為組織成功的策略夥伴！
獲得數位人資管理師-專員級認證，代表您具備以下能力
1.了解人力資源e化系統的重要元素，可協助組織判斷最合適的人力資源e化方案
2.熟悉人力資源e化系統各面向的實務操作，成為公司導入e化的最佳執行者。
3.具備基礎數據分析能力，使HR對公司的貢獻可被量化，可被管理。更可透過數據分析發現組織人才管理的關鍵問題。
104資訊科技股份有限公司
CDIA+
CDIA+（Certified Data Intelligence Associate）證照專注於數據智能與資料分析能力，涵蓋資料收集、處理、分析及應用等核心技能，協助企業從大量數據中萃取價值，提升決策品質與營運效率。持有此證照代表具備運用數據驅動策略及解決問題的專業能力，適合數據分析師、業務分析師及相關領域專業人士，助力職涯發展與職場競爭力提升。
Comp TIA
GCFA
GCFA（GIAC Certified Forensic Analyst）證照專為資安數位鑑識領域設計，驗證持有者在數位證據收集、分析及報告撰寫的專業能力。持證者具備處理各類網路攻擊事件、惡意軟體分析及系統入侵調查的實務經驗，能有效協助企業與組織釐清安全事件真相，提升資安防護與事件應變能力。此證照適合資訊安全分析師、數位鑑識專家及資安事件調查人員，助力職涯發展與專業競爭力提升。
SANS Institute
BI軟體績效管理師
BI軟體績效管理師證照旨在培養專業人士運用商業智慧軟體進行數據分析與績效評估的能力，涵蓋資料整合、報表設計及關鍵指標設定等技能，協助企業提升決策效率與營運績效，適合數據分析師、業務管理及資訊科技相關職務人員取得。
尚未查核發照單位
精選貼文，掌握第一手知識
高分不等於有能力？揭開評鑑中心評分背後的真實真相
原標題：評鑑中心 (Assessment Center) 的分數，到底在測什麼？
在企業招募與人才發展中，評鑑中心（Assessment Center）常被視為評估員工能力的重要工具。然而，高分真的代表能力突出嗎？本文將引用 Ingold 等人（2026）針對近 5,000 位受評者的最新研究，揭開評鑑中心分數背後的真實結構。我們將深入解析「整體印象」與「評量情境」如何影響評分，並引導企業人資重新思考：如何正確解讀評估結果，避免落入單一分數的解讀陷阱。
文： 小婉家族研究生 王靖慈 | 工商心理實驗室
在企業招募與人才發展中，「評鑑中心(Assessment Center)」常被用來評估員工的各項能力，例如領導力、溝通能力或問題解決能力。然而，一個長期存在的疑問是：這些評分，真的能清楚反映不同能力嗎？還是其實混合了其他因素？
Ingold等人 (2026) 的研究，匯集了19個不同評鑑中心、近5,000位受評者資料，透過多個樣本分析，重新檢視評鑑中心評分背後的組成結構。
輕鬆學會用AI增加工作效率，幫助員工提升AI力 >>
—分數，可能不只來自「能力」—
Ingold等人 (2026) 指出，評鑑中心的評分，通常同時受到多種因素影響，包括：不同能力構面（如領導或分析能力）、評量情境（如小組討論或角色扮演），以及評分者對個體的整體印象。也就是說，一個高分不一定單純代表某項能力突出，而可能是多種因素共同作用的結果。
—情境與整體印象的影響不容忽視—
研究發現，在許多情況下，「整體表現」與「評量情境」對分數的影響相當顯著。換句話說，員工在特定情境中的表現，或評分者對其整體印象，可能會影響多個能力的評分，而不只是單一面向。相較之下，不同能力之間的區分，有時反而沒有想像中明確。
—不同樣本，結果也不完全一致—
進一步分析顯示，不同樣本之間，這些影響因素的比例並不完全相同。這代表評鑑中心的評分結構並非固定，而可能隨著設計方式、評分者或情境不同而有所變化。
—評分結果，該怎麼看？—
這項研究提醒，評鑑中心的分數並不是單一能力的「純粹指標」，而是多種來源交互影響的結果。對組織而言，解讀評分時，可能需要注意以下幾點：
1. 分數可能同時反映能力與整體印象2. 不同評量情境會影響表現結果3. 單一分數未必能完整代表某項能力
工商心理實驗室研究生 Diana
參考資料：
Ingold, P. V., Heimann, A. L., Waller, B., Breil, S. M., & Sackett, P. R. (2026). What do assessment center ratings reflect? Consistency and heterogeneity in variance composition across multiple samples. The Journal of applied psychology, 111(3), 324–346. https://doi.org/10.1037/apl0001318
圖片來源：ChatGPT
AI使用聲明：使用ChatGPT潤稿
看更多來自工商心理實驗室的好文 >>
追劇很廢嗎？抽離、放鬆懂「下班」隔天更有活力！
工作久坐健康風險高！科學證實「微休息」的4大好處
AI如何改變我們工作關係和對公司的信任感
擺脫星期一症候群「週一最低限度努力」成為職場新趨勢
Z世代安靜離職消失了嗎？不，它進化成「怨恨缺勤」
提升員工帶動企業的成長！最划算的 AI 教育訓練方案首選>>
訓練要留證！勞檢不過，最高可罰 300萬元>>
超過7000+的HR都報名過的104人資學程！求職成效提升至4.5倍！>>
成為人資市集Line好友獲得最新課程優惠及免費講座資訊>>
訂閱人資市集電子報獲得專家工作分享及產業新知 >>
「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！
從「難搞的低績效員工」到可管理的績效課題—HR 必備的診斷與處理策略
文／黃愛 Lilian Huang 104人資學院 資深專任顧問
績效其實等於「能力 × 意願」，處理低績效的第一步是釐清到底是哪一端出了問題。先檢視目標是否具挑戰性又可達成，避免因訂錯目標誤判員工；若是能力不足，可透過訓練、SOP或職務調整來支持；若是意願不足，則需透過面談釐清動機，並檢視主管互動與組織文化。管理者應以公平且具建設性的回饋促進進步，配合可量化的成長指標與定期檢視，將績效管理從零碎行為轉為制度、技能與文化並重的流程。
本文導覽
前言：績效 = 能力 × 意願(1) 先檢視目標是否合理(2) 區分能力問題與意願問題(3) 注意管理者回饋與認可的公平性(4) 強化進步導向的回饋機制將績效管理視為一門「藝術」與系統工程為什麼現在就要重視？需要協助把策略落地？
在許多公司裡，主管與老闆常抱怨：「這位員工績效太低，真難處理！」但在執行績效管理（績效管理、低績效員工、目標設定）時，我們常忽略一個簡單卻關鍵的出發點：績效 = 能力（ability） × 意願（willingness）。弄清楚是哪一端出了問題，才能有對症下藥的作法。
1. 先檢視目標是否合理
很多所謂的「低績效」，其實是目標訂錯了。目標應該既有挑戰性也要可達成—不是要求會騎腳踏車的人去開車。年度目標應考量外在情勢（通膨、競爭）與個人進步期待（經驗累積、勝任力提升），逐步提高，而不是一夕暴增。合理的目標設定是誤評低績效的第一道防線。
2. 區分能力問題與意願問題
能力不足時，檢視是否給予足夠訓練、SOP、範本與時間，或是否須調整到更適配的職務。意願問題則可能源自個人價值觀或外在環境（主管態度、文化認可）。透過面談與行為觀察釐清原因，才能決定是投入發展還是結束關係。
3. 注意管理者回饋與認可的公平性
績效文化會因主管反應而塑造成型。若主管只在「少數錯誤」時嚴厲批評，卻在「少數成功」時過度獎勵某些低基期人員，會讓持續穩健表現的優秀員工感到不公平，反而破壞動力。管理者應誠實回應每位員工的貢獻，兼顧進步肯定與長期表現獎勵。
4. 強化進步導向的回饋機制
對於努力但尚未到位的員工，除了給予資源與明確指導，還要及時肯定每一次的改善；對於一貫表現佳但偶有失誤者，也要以發展角度回饋，而非一味責難。建立可量化的成長指標與定期回顧，有助於讓員工看到自己的職涯軌跡。
將績效管理視為一門「藝術」與系統工程
優秀的績效管理結合制度（績效評估、目標管理）、技能（主管領導、回饋技巧）與文化（公平、透明）。HR 應主動學習管理典範、設計培訓課程，並可透過顧問協助與系統工具把流程標準化，降低人為偏差，提升決策品質。
為什麼現在就要重視？
有效的績效管理能提升員工生產力、降低流動成本並促進人才發展，是人才策略（人才發展、員工激勵）成功的關鍵。錯誤的處理方式不只傷害當事人，也會讓整體團隊出現「不敢優秀」或「只追求半成功」的扭曲行為。
需要協助把策略落地嗎？
104人資學院提供專業的績效管理顧問服務，包含目標設定流程設計、主管回饋訓練、績效制度建置及優化。若您想系統化改善績效管理、建立公平透明的評估機制，歡迎聯絡我們，讓專家協助您把「難處理的低績效」轉化為可管理、可成長的人才資產。
>> 索取【績效管理】難題解析影片
>> 立即諮詢 104【績效管理】顧問服務
從識人到用人：剖析性格特質，優化團隊組織配置
文／104人資學院
本文探討了企業在招募和管理人才過程中，如何透過剖析性格特質來優化團隊組織配置。僅僅依賴履歷和技能無法完全預測一位員工的適應性，性格特質乃是成功的關鍵。透過五大人格理論研發的性格量表，企業能夠深入了解求職者的情緒穩定性、合作性與創造力等，避免因性格不合而造成的離職風險。針對員工特質的精準配對，幫助主管制定適合的管理策略，促進團隊合作與穩定性。最終，透過科學的性格洞察，企業可提升選才準確度，打造高效團隊。
本文導覽
性格特質：選對人的關鍵依據
用人選才：從單一特質到性格組合
帶人管理：讓性格成為「用才依據」
性格X職務配對：提升久任與績效
實際應用：從團隊默契到領導選育
讓104測評中心成為選才用才的智囊
在招募與管理人才的過程中，常見一種情況是：履歷看起來完美、技能符合需求，但進入團隊後卻發現適應不良、溝通卡關，甚至短期內離職。這些問題往往不是能力不足，而是「性格不合適」。企業若能在選才階段就洞察性格特質，不僅能預測穩定度，更能提升整體團隊效能。
104人資學院資深專任顧問李冠輝在「精準選才×有效帶人：探索性格特質，打造高效團隊」的講座中指出，現代用人不能只看冰山上的專業技能，還要深入冰山下的性格特質與動機，才能找到「合得來、留得住、帶得動」的團隊成員。
性格特質：選對人的關鍵依據
我們過去常說「選才看能力、用才靠管理」，但李顧問提醒，性格才是決定這個人能否發揮所長的潛在條件。即使具備相同能力與背景，不同性格的人，在壓力下的表現、團隊互動、學習意願、接受回饋的方式都可能大相逕庭。
以五大人格理論（Big Five）為基礎，104測評中心設計的「性格量表」涵蓋情緒穩定性、親和樂群性、勤勉謹慎性、外向實踐性與經驗開放性等五大面向，細分為27項行為指標。例如：
抗壓性與情緒調適：預測應徵者面對壓力時的穩定度。
合作性與社交性：評估其團隊協作的潛能。
謹慎性與堅毅性：反映執行任務的細緻度與持久度。
企圖心與表現性：洞察其主動性與成果導向程度。
創造力與思辨性：判斷其應變能力與創新潛力。
透過短短15分鐘的測驗，就能掌握個人性格在各面向的相對位置，有效避免只看履歷或面談時留下的表面印象。
用人選才：從單一特質到性格組合
用對人，比用強的人更重要。李顧問強調，選才時不能只單點看「這個人有沒有責任感」，而是要思考多種性格的組合。例如：
企圖心高但堅毅性低：可能容易放棄、不穩定。
影響性高但同理心低：可能擅長說服卻易忽略他人感受，造成團隊摩擦。
合作性高但創造力低：或許適合穩定執行型的職位，但不利於創新任務。
這些組合的解讀，不僅有助於選才，也能幫助主管安排任務與溝通策略。104測評中心的報表設計，除了呈現各項性格指標的高低位置，也會提示可能的互補或風險組合，幫助HR與主管做出更立體的判斷。
帶人管理：讓性格成為「用才依據」
主管常面臨一個難題：部屬能力不錯，卻總是與他人發生摩擦、無法主動溝通，或無法承受壓力。這時若沒有性格上的理解，容易將問題簡化為「態度不好」，甚至錯失培育的可能性。
透過性格測評，主管能夠：
找到適合每位成員的工作風格與溝通方式。
避免高潛力人才因誤解而流失。
在帶領團隊時，運用差異性打造互補結構，而非一味追求同質化。
舉例來說，一位企圖心強但抗壓性低的新人，若在初期就安排大量獨立挑戰任務，可能會因壓力導致挫敗感，反而打擊信心。但若安排一位謹慎且穩定的資深同事進行協作，不但能保留其主動性，還能給予情緒支持，降低離職風險。
性格X職務配對：提升久任與績效
104測評中心根據多年大數據建立了「穩定任職模型」，能協助企業預測候選人是否具備長期穩定任職的性格特質。這在高流動率如客服、零售、行政助理等職位中尤其關鍵。
例如，具備「守成性」、「知足性」、「順應性」、「責任感」的員工，在偏重執行面、變動低的職務中通常更能久任、累積經驗、發揮穩定價值。相反地，若員工較具備「創意」與「冒險」特質，卻安排單調例行的工作給他，反而容易出現不穩定、不滿足的情緒，導致高離職率。因此，正確的性格與職務匹配，不只是找對人，更是留住人的重要關鍵。
實際應用：從團隊默契到領導選育
除了選才與用才，性格測評也能幫助組織理解整體團隊的運作模式。例如：
團隊是否過度集中在某一性格面向（如保守、低冒險），導致創新停滯？
是否缺乏情緒穩定與表現導向的中堅人才，造成執行落差？
團隊成員彼此的合作性、順從性、社交性差異大，導致溝通不良？
透過性格分析，企業能建立屬於自己的「團隊性格常模」，日後無論新招進來的是業務、行銷、PM或主管，都能更準確地評估其與現有文化的融合度。
讓104測評中心成為選才用才的智囊
人才不是用看的就能了解，也不是靠面談就能摸清。若你希望：
增加選才準確度，避免誤判與流失
協助主管理解團隊，提升帶人效率
建立符合企業文化與需求的性格選才標準
歡迎與【104測評中心】聯繫，從性格洞察出發，打造高效協作的團隊生態。讓我們一起讓「人」與「位置」的配對，不再靠運氣，而是靠科學。
>> 延伸閱讀：章魚、劍魚、海豚，你是哪一種？五大人格×海洋角色，秒懂人才性格職場力！
👉立即洽詢測評應用
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
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>>
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。
「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＞
性格測試「科學客觀」卻可能傷人？企業顧問：別輕易評斷「真正的你」
性格測試與各種數據化評量，常被視為「科學又客觀」的判斷依據，快速幫助企業與個人理解彼此。但這些結果，真的能代表一個人的本質嗎？日本企業改革顧問提醒，當測驗只截取當下「狀態」，卻被當成定論來評價能力與價值，可能在無意間傷人。本文節錄自《化解職場內傷》。
文／勅使川原真衣
別輕易評斷「真正的你」
儘管如此，社會上流傳的觀點似乎和我在書中的描述完全相反。
運用現代的數位科技，便能將「真正的你」、固定、存在於個人內心的自我具體呈現出來，這樣的宣傳口號四處可見。
「有數據嗎？」 「有科學根據嗎？」 「有證據嗎？」
我們互相詢問以上的問題，藉以判斷是否值得信賴。如果社會在這個前提下運作，在進行自己或他人的「評價」時，也會更加重視客觀性與證據。這種心理，我並非無法理解。
但正如大家所察覺到的，在尋求「數據」或「證據」的過程中，必須對已經發生的事情進行簡化、擷取，也就是說，要將「狀態」轉變成固定的訊息，否則就無法彙整為數據並取信於人（見圖表3-1）。所以，即使客觀性不足，也只能選擇視而不見。
（圖片來源／采實文化）
就這樣，明明大家討論的只是狀態的問題，但某些人卻以確切的（科學且客觀的）方式，以及權威的口吻宣告「這才是真正的你」，而且這種觀念在我們還是年輕學生時，就被當做真理而不斷灌輸。
最近，日本很多高中一年級的學生都會接受名為學業適性、職業適性之類的性格測試，以做為生涯教育的一環。
年輕人對「MBTI」或「十六型人格」等不同類型心理測驗的熱中程度絲毫沒有降低。某些偶像會在網路社群媒體上，公開自己的性格測試結果，所以有不少群眾也會主動公開「我是……的人」。
如今在描述一個人的性格時，幾乎沒有人會謹慎地說「此時此刻，他看起來是這個樣子」，而是輕鬆簡單地斷定「那個人的溝通能力很強」、「他對別人完全不感興趣」。
這樣有可能會傷害他人，幾經周折後，最終也傷害了自己，但人們卻沒有意識到這一點……不，應該說即使意識到了，可能也想不出其他方式來應對。
數據驅動的評價，真的準確嗎？
關於這一點，我願意分享自己過去的痛苦經驗。
「狀態」這類話題越是被下定論，大家的表情就越像咬到苦蟲一般……真的是非常恐怖的親身經驗。
過去，我在擔任人事顧問的時候，曾前往客戶的公司參加「部長遴選領導能力評估結果交流會」。
那時正值聖誕節，街上洋溢著熱鬧的節慶氣息。然而，讓我感到驚訝的是，會議室卻瀰漫著一股陰鬱的氣氛，簡直像在守靈一般。
不過這也難怪，在聖誕節這樣的日子，有誰會想聽到「根據科學方法的評估，你身為管理職的能力屬於中下水平」之類的話呢？現在回想起來，那種氣氛就好像在很多人面前，被一個名為顧問的不相干外人所評價及遴選，產生突兀與受傷的感覺。特別是自己本來是可變動的「狀態」，卻被他人當作固定的「能力」來進行評價。
此外，許多曾擔任評估者（為了提供評價而施行測試）或回饋者（向受測試者提供能力評價回饋）的人應該知道，這樣的場合氣氛不僅沉重，有時還會有人瞪著顧問，就好像在說：「你是哪位？」
這樣的直視確實會讓人感到心頭一震。所以我不時提醒自己，這就是為什麼人事顧問或人資部門員工必須不帶任何評價地接受這樣的反應。畢竟換成我，也會想用銳利的眼神質問對方：「你又了解我多少呢？」
這樣的態度，加上和許多客戶接觸之後，我深深覺得「你大概就是這樣」這種評斷是很不精準的，而且也有它的極限。無論人們如何強調它的科學性，或者冠以「數據驅動」這樣的名稱，不，應該說越是如此強調，就越讓人感受到那些無法被數據捕捉到的諸多現象。
這或許是因為從幼年時期開始，我們就被動處於以考試來一決勝負的環境，也習慣被人以「這才是真正的你」為名，只截取瞬間的狀態，便稱其為能力，並與他人進行比較。
一方面說著能力與實力，同時卻也是「展現方式」的競爭。我們一次又一次被這種欺瞞包圍，也都因此受傷。
每當有人試圖表達這種困惑，就會被嘲諷：「這不就是因為你表現不好，才會說這種輸不起的話嗎？」或者：「好了好了，這就是典型的無名怨（ressentiment）啊！」於是，我們只能再度選擇沉默。
節錄自：采實文化《化解職場內傷：獻給在工作、生活、績效與人際壓力中疲憊掙扎的主管與上班族》／勅使川原真衣 著
如何提高工作效率？4關鍵因素解析：一心二用對生產力有負面效果
如何在有限的時間內完成更多高價值的任務？專家強調，關鍵在於處理對的事情、時間箱效益最大化、以一心專用取代一心二用、從看似無止境的任務獲取價值，生產力將能大幅提高。本文為《箱型時間：高速時代的15分鐘深度專注力》書摘精選，以實證數據揭示提高效率的秘訣。
文／馬克‧曹–桑德斯
本文目錄（點擊可快速前往）
想完成更多任務，要先做對的選擇什麼是「帕金森定律」？懂運用就能多產出「箱型時間」幫你判斷能否在時限內完成「一心二用」對生產力有負面效果有意識地使用你的「零碎時間」接受「無底洞」知識工作沒有明確的盡頭
現在不流行講生產力了。近來，這個概念已被染上負面色彩，令人聯想到過度干涉的管理方式、沒完沒了的工作、對工作生活平衡和心理健康的忽視。但我仍然能夠很有把握地提出，「提高績效」依舊是重要、值得推崇的工作和生活態度，而箱型時間幫助我們辦到這點。
想完成更多任務，要先做對的選擇
如杜拉克（Drucker）所說，想要完成更多的事情，最重要的是把注意力放在對的事情上。想要把注意力放在對的事情上，就要取捨和培養這麼做的心態，不覺得疲憊、不分心，也不覺得那是苦差事。這樣一來，我們將更專注在想要和需要完成的事。如果缺乏計畫，漫不經心地過日子，我們的注意力就會被很多不重要的事給分散。
箱型時間能幫助我們完成大多數的任務，我們可以利用時間箱輕鬆辨識出哪些是需要優先處理的緊急任務。至於非緊急任務，例如學習，也可以利用時間箱指定適合的時段，這樣才不會一延再延。我們也比較有可能在尚有精力處理的時候，正面迎戰經常被有意無意避開的困難任務。至於那些看起來小到不必規劃的單一任務，則可以集合起來，等待一個時間一起處理。最後，那些沒有用處、適得其反的任務，由於不會出現在行事曆上，我們看不到，自然沒有理由去做。
我們試著來量化那些好處。若一個任務的價值可以分成1到10分；假設，當你只是見招拆招，任務平均價值為6分；再假設，當你事先訂出該做的事，任務平均價值為8分，那樣價值就提高了33%。要是我們假設80/20法則適用於知識工作，那麼提升的幅度更大。少數關鍵任務就能貢獻大部分的生產力。
什麼是「帕金森定律」？懂運用就能多產出
有句老話只要顛倒過來，就能提高生產力。雖然很多人愛拿帕金森定律開玩笑，但這條廣受認可的定律告訴我們「工作會不斷膨脹，直到填滿可用的完工時間」。如果你有30分鐘可以整理房間，你就會花30分鐘整理房間；但是如果你有60分鐘，你就會花60分鐘。帕金森定律所說的時間損失，其實和拖延有極大的關係。而箱型時間就是把握這句話的相反面：把工作壓縮到符合排定的完工時間，用比較小的時間箱，來完成相同的工作，聽起來是否很划算。
這個概念有科學研究的支持。在一項研究中，參加實驗的大學生被要求判讀4組照片。其中一隊大學生在實驗開始前被告知第4組照片取消了，但是他們使用的時間，與維持看4組照片的其他隊沒兩樣。判讀3組照片的學生依舊用完可用的時間：「只要預期下一項任務被取消或臨時多出時間，可以在手邊工作東摸摸、西摸摸，會使人大幅降低效率，付出高昂的代價。」許多研究都觀察到相同的結果。
在另外一項實驗中，受試者隨機分配到5或15分鐘，用來完成一模一樣的任務。分配到15分鐘的人，依舊以長出許多的時間完成任務。第3項研究指出，影響期末考分數的因素，有超過1/3歸咎於拖延。
「帕金森定律」運用起來當然也有限度，你是可以規定自己要在1小時內，從零開始寫出1萬字的報告，但不可能辦到。箱型時間沒那麼神奇，前面所提的研究大多是說，你可以節省1/4到一半時間。但也有研究指出，時間減少導致品質下降。2014年，有一項比較近期的研究證實了這點：「有時間壓力的學生，比沒有時間壓力的學生，平均分數低了3分。」
不管是把截止時間定遠一點以減少壓力，還是只要做到一定程度就好，聽起來都很有道理。如果單是懂得運用帕金森定律，就能多擠出1/3的產出，何樂而不為？
「箱型時間」幫你判斷能否在時限內完成
箱型時間可以把大型任務拆成方便估算和管理的小型任務，也就是說這套方法能夠幫助你看清楚龐大計畫裡的各種要素。這類大計畫包括：搬家、推出新產品、籌辦生日派對等。
它可幫助你判斷能否在可用時間內完成，還是你需要另做安排。它也幫助你確認，在時間充裕的情形下，被拆解的小任務是否都能在時限內完成。
「一心二用」對生產力有負面效果
我們在第4章提過一心二用會引起某些負面情緒，然而一心二用也對生產力造成負面效果。
其實，不太會有人真的一面寫報告、一面聊天、一面查閱消費支出、一面簡報，現代人的一心二用，多半發生在分心回應訊息通知，有了通訊軟體（如微軟Teams、Slack、電子郵件）和硬體設備（如筆電、平板電腦、智慧型手機、智慧型手錶），每天都有數不清的通知，導致我們老想查看誰傳來什麼訊息，影響到工作。
一心專用通常能幫我們完成更多事，一心二用或情境切換則會使效率降低：有一份2001年的論文指出，一心二用和情境切換會耗損40%的商業生產時間。一心二用在某些情境非常危險，像是一面開車一面傳簡訊。在美國，每年有超過3千件死亡車禍，原因就是開車不專心。而且有一些認知負荷很高（例如教孩子代數或審閱法律文件）和恢復速度遲緩的事，特別不能被干擾或是一心二用。確實有極少數的任務可以同時進行，後續會在第18章討論。但是就絕大多數的情況而言，箱型時間完全排除一心二用的可能，完整呈現一次做一件事的強大力量。
有意識地使用你的「零碎時間」
我們每天都有許多的零碎時間，像是等候公車、通勤時間、在咖啡廳等人以及會議提早結束或被取消時。大部分的人會把這些時間拿來直接滑手機，是的，看手機已是現代人最直覺化的行為，每天會花超過兩小時的時間，在手機上瀏覽社群媒體。
我們不停滑著手機，很多時候甚至未從中感受到快樂，那不是娛樂，而是上癮。零碎時間被吃掉，享受好處的不是我們，而是大型科技公司。我們失去的每一分鐘，累積成一個又一個小時，甚至更多時間。試想，假如我們能運用零碎時間去做更有價值的事，該有多好。採用箱型時間，並且有意識地使用這些零碎時間，你的一天也許能多一小時有生產力的活動時間。
接受「無底洞」知識工作沒有明確的盡頭
知識工作沒有明確的盡頭。有生產力專家建議，針對這個狀況，最好的做法是接受它和不要在意它。最常見的例子就是電子郵件：當你收到很多電子郵件，一一回覆後，就會收到更多的回信……永無止境。
這麼說並不完全正確。雖然，真的不會有最後一封電子郵件（從這角度看真的沒有止境），但是電子郵件的確替我們傳遞許多有用的資訊。雖然寄出郵件之後，收件匣的信件會變多，但是在那一陣子的電子郵件往來，到了某個時間，你的計劃終將完成，也許是生意談好了，也許是團隊成員比之前更有參與感。你當然需要管理自己的收件匣，不能讓它影響你的情緒或妨礙其他該完成的事，後續將在第11章說明如何防範。
如果能夠考量到所有相關聯的因素，包括處理對的事情、時間箱效益最大化、以一心專用取代一心二用、從看似無止境的任務獲取價值，生產力將能大幅提高。有個有趣現象，就是一個正在節食，懂得計算和控制熱量攝取的人，會比沒有在計算的人多減掉一倍的體重。用數字估算效益或許過於單純，但是如我在2018年發表的文章所說，箱型時間若運用得當，至少能提高一倍的生產力。
節錄自：三采文化《箱型時間：高速時代的15分鐘深度專注力》／馬克‧曹–桑德斯 Marc Zao-Sanders 著
推薦閱讀：
新年目標怎麼訂？如何規劃並執行個人年度目標？ChatGPT指令快速搞定
提升工作效率5大步驟！學會高效管理時間，先找到「行動力開關」
工作永遠做不完，沒時間做重要的事？想突破需要有意識的4個認知
負面績效回饋的影響是好是壞 ? 帶來正向作用的三大關鍵
在現代職場，負面績效回饋常被視為提升員工表現的一部分。然而，它是否確實帶來預期的積極效果，還是反而適得其反？探討這一問題的研究顯示，員工對主管的信任程度可能決定了負面回饋的最終影響。透過建立良好的信任關係和提供建設性批評，主管可將潛在的負面效應逆轉為正向成長機會。本文闡述如何藉由創造健康的溝通環境及明確指導方針，使得看似嚴厲的意見轉化為真正改進工作的動力。
原標題：負面績效回饋真的會帶來負面影響嗎？
文： 小婉家族研究生 王靖慈 | 工商心理實驗室
在職場中，主管給予員工負面績效回饋 (negative performance feedback) 是常見的管理方式。然而，這類回饋真的會讓員工變得更消極嗎？還是有其他影響因素？ Ni與Zheng (2024) 的研究發現，員工對主管的信任程度可能是影響回饋效果的關鍵因素。
負面回饋的兩面性
負面績效回饋通常被認為是一種幫助員工改善工作的工具。研究指出，適當的負面回饋可以促使員工努力提升表現 (Cianci et al., 2010)。然而，也有研究顯示，這類回饋可能會導致員工降低自我效能感、增加情緒疲勞，甚至對主管產生敵意 (Dimotakis et al., 2017)。
信任主管，效果更佳
Ni與Zheng (2024) 透過多階段調查和實驗研究發現，當員工信任主管時，他們較可能將負面回饋視為有價值的建議，而非攻擊或貶低。這樣的員工會更專注於改進，而不會產生敵對情緒。相反地，若員工對主管缺乏信任，他們較可能認為回饋具有威脅性，從而導致敵對情緒增加，甚至出現反生產行為（如惡意批評主管或故意降低工作效率）。
多堂免費大師講座，提升你的職場思維與視野 >>
如何讓負面回饋發揮正向作用？
1. 建立信任：主管應該透過一致且公正的行為來提升員工對自己的信任感。
2. 提供建設性回饋：明確指出改進方向，而非單純批評。
3. 關注員工情緒：理解員工的反應，並在需要時提供支持。
負面績效回饋本身並非好或壞，關鍵在於員工如何解讀回饋。而主管若能建立信任，將能讓回饋發揮更積極的作用。
小婉家族研究生 Diana
參考文獻:
Cianci, A. M., Klein, H. J., & Seijts, G. H. (2010). The effect of negative feedback on tension and performance: The role of goal orientation. Journal of Applied Psychology, 95(5), 902–910. https://doi.org/10.1037/a0019320
Dimotakis, N., Mitchell, D., & Maurer, T. (2017). Positive and negative assessment center feedback in promotion decision making: Implications for self-efficacy and career intentions. Journal of Applied Psychology, 102(11), 1514–1523. https://doi.org/10.1037/apl0000237
Ni, D., & Zheng, X. (2024). Does negative performance feedback always lead to negative responses? The role of trust in the leader. Journal of Occupational and Organizational Psychology, 97(2), 623–646. https://doi.org/10.1111/joop.12485
看更多來自工商心理實驗室的好文 >>
在職場中你容易被情緒勒索嗎？這五大人格特質最易受影響
職場八卦：氣質性嫉妒與組織認同的交織
能者多勞？還是忍著過勞？ 小心引發工作倦怠
Z世代安靜離職消失了嗎？不，它進化成「怨恨缺勤」
學習時間管理就能提升效率？探索你的「時間特質」找到關鍵
超過5000+的HR都報名過的104人資學程！七大主題課程幫你系統化學習 >>
最划算的全方位教育訓練方案！免費申請全課程試閱 >>
訂閱人資市集電子報獲得專家工作分享及產業新知 >>
加入104人資市集官方line獲得最新優惠及活動資訊 >>
WBS(工作分解結構)各個工作包中如何制定品質與驗收標準？常用的標準有這些
為WBS每個工作包制定具體的品質標準與驗收標準是專案經理在專案管理中確保任務按質完成的重要步驟。這些標準為專案中的每個活動或交付物提供明確的品質要求，幫助專案經理及團隊衡量工作的完成程度和質量是否達標。
📌如何制定品質標準與驗收標準
1. 明確專案目標與需求：
在制定品質和驗收標準之前，專案經理首先要了解專案的總體目標和需求。這些目標和需求會直接影響交付物的品質標準。例如，軟體專案中可能需要達到高效能和高安全性的要求，而建築專案則會著重於結構的安全和耐用性。
2. 與利害關係人溝通：
在制定標準前，應與主要利害關係人（如客戶、團隊、供應商等）溝通，確保他們的期望與需求被充分理解。這樣可以確保在後期交付時避免錯誤理解和衝突。
3. 定義可衡量的指標：
品質標準和驗收標準應該具備可衡量性，這樣專案團隊才能客觀地判斷工作包是否符合要求。例如，「應用程式界面必須友好」是一個模糊的標準，而「應用程式必須在3秒內加載並保持不低於98%的用戶滿意度」則是一個可衡量的標準。
4. 確定驗收標準的細節：
每個工作包的驗收標準應包含具體的細節，這樣能確保所有人對「完成」的定義一致。這些細節應明確工作何時算完成、如何檢驗是否符合標準以及由誰來檢驗。例如，工作包「設計網站首頁」的驗收標準可能是「首頁設計符合設計手冊中的規範，通過UX專家審核並獲得客戶批准」。
5. 參考行業標準與最佳實踐：
可以參考行業標準來制定專案的品質標準。例如，軟體開發領域可以參考 CMMI（能力成熟度模型集成）或 ISO/IEC 25010 的軟體品質模型，而建築領域可以參考 ISO 9001 的品質管理標準。
6. 進行風險評估：
在制定標準時，應進行風險評估，考慮如果某個工作包的品質不達標，對整體專案的影響。對於風險較高的工作包，可能需要設定更嚴格的品質標準和更詳細的驗收標準。
7. 將標準文件化並獲得批准：
所有制定的品質標準和驗收標準應文件化並獲得關鍵利害關係人的批准。這可以確保團隊成員、供應商和利害關係人對標準有明確的理解。
📌常用的品質標準
不同領域的專案會使用不同的品質標準，但以下是一些常見的標準或參考框架：
1. ISO 9001：國際通用的品質管理系統標準，適用於各行各業。它強調持續改進和客戶滿意度，並提供如何設計和實施品質管理系統的指南。
2. CMMI（能力成熟度模型集成）：這是軟體開發和技術專案中常用的標準，幫助組織提高流程效率和產品品質。CMMI 將組織的流程分為五個成熟度級別，級別越高，組織的管理與控制能力越強。
3. ISO/IEC 25010：軟體品質模型，描述了軟體系統的功能性、性能效率、兼容性、易用性、安全性等特性，這些特性通常用來衡量軟體的品質。
4. Six Sigma：以數據為驅動的品質管理方法，目標是減少缺陷，提升效率。通常在製造業和生產流程管理中使用，但也可以應用於服務業和技術專案。
5. PMI 資源指南中的品質標準：PMI（專案管理協會）在其《專案管理知識體系指南》（PMBOK）中定義了專案中的品質管理過程，提供了品質規劃、品質保證和品質控制的標準。
📌常用的驗收標準：
1. 功能驗收：
- 每個功能是否按規範實現？
- 所有的功能是否按設計運行，並達到用戶預期？
2. 性能驗收：
- 系統是否達到指定的性能要求（如響應時間、負載能力、資源使用率）？
- 系統是否在不同使用場景下穩定運行？
3. 合規驗收：
- 是否符合行業或法律規範？（如隱私保護、資料安全標準）
- 所有的工作包是否達到必要的合規標準？
4. 外觀驗收：
- 設計與UI是否符合品牌設計手冊？
- 外觀是否符合用戶體驗要求？
5. 安全性驗收：
- 系統是否進行了必要的安全測試？（如滲透測試、漏洞掃描）
- 系統是否能防止已知的安全威脅？
6. 用戶驗收測試（UAT）：
- 用戶或利害關係人是否參與並批准系統的最終版本？
- 在真實環境下，最終用戶是否對系統滿意？
7. 文件化驗收：
- 所有技術文件、操作手冊和培訓資料是否完整且符合專案需求？
- 文件是否清晰且便於日後維護和使用？
📌制定品質與驗收標準的範例
假設你正在進行一個軟體開發專案，其中一個工作包是開發用戶登錄功能。
1. 品質標準：
- 必須在2秒內響應登錄請求。
- 系統需具備多重驗證功能，如電子郵件驗證和兩步驟驗證。
- 登錄界面設計必須符合UI設計手冊的色彩和佈局要求。
2. 驗收標準：
- 系統必須通過100個模擬用戶的壓力測試，並在1000次嘗試中達到99%的成功率。
- 用戶驗收測試（UAT）需由終端用戶進行，並且滿意度需達到90%以上。
- 所有的安全漏洞需在部署前解決，並且通過第三方安全審計。
透過制定具體的品質和驗收標準，專案經理能夠確保專案團隊清楚了解每個工作包的期望，並確保最終的交付物符合專案需求和利害關係人的期望。
有任何收穫或想分享的，都來和大家一起聊聊吧！