資料庫設計原理
104學習
資料庫設計
指的是規劃和建立資料的結構，確保資料能夠有效率地儲存、檢索與管理。良好的設計能提升系統效能、降低資料冗餘和錯誤，並方便後續維護與擴充。在企業中，這項技能有助於整合大量資訊，支持決策分析與業務運作，對於軟體開發、數據分析及資訊管理等職務非常關鍵。掌握此技能能提升工作效率及團隊協作品質，進而創造更高的商業價值。
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
快速活用 MySQL，精準設計關聯式資料庫
AI財務力：從數字到決策的智慧應用【9/3】
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
人資與採購必學！ AI 流程自動化應用實戰工作坊【10/20】
資深經理人教你超強Excel數據力
AI資料分析資料科學家必學！MySQL資料庫從零到高手：全面實作指南與應用案例
AI快速完成專業簡報
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
第三屆AI營隊－AI數據自動化工作流實戰營｜緯育TibaMe X 104人力銀行獨家
精選證照
考取專業證照，讓能力被市場看見
IT Expert-資料庫設計專業人員
根據2000年APEC部長會議決議，經濟部工業局於民國90年度下半年，即著手推動「資訊專業人員能力鑑定國際合作及推廣計畫」，其目的是在於建立我國資訊專業人員能力鑑定之完整體系，藉以提昇我國資訊人力的素質。並透過國際間的交流合作，人才交互認證的機制，使我國資訊人才達到國際化的水準。
另一方面，為加強我國軟體工業產品之品質，進而提升我國軟體工業之國際競爭力，行政院科技顧問組於民國91年組團至印度考查後提出「加強我國整體軟體教育訓練功能構想」，並於91年5月成立「軟體人才培訓推動小組」，舉辦「提升我國資訊軟體人才培訓策略研討會」，訂定出提升我國資訊專業人員素質的策略與作法。
基於上述兩項政府之計畫內容有共同之目標及彼此互動之影響，經濟部工業局積極推動「經濟部資訊專業人員鑑定」，以宏觀與完整之角度研訂各項鑑定規範，從各項資訊軟體人員分類，到各類人員之主要業務、技能標準、知識體系，以及最後之各類人員之訓練、專業能力鑑定科目等，予以完整之研究與規劃。不但為產業界選擇訂出了標準，同時也可提升企業整體資訊專業及競爭力。
資料庫的整體規劃
定義資料庫的需求
分析＆設計資料庫
資料庫系統建置＆測試
資料庫系統的運作管理
資料庫應用程式開發
經濟部ITE資訊人員鑑定
進階資料庫設計專業人員(107/8/1停考)
進階資料庫設計專業人員證照旨在評估考生對資料庫系統設計、管理及優化之專業能力，涵蓋關聯式資料庫結構、資料庫正規化、查詢語言及性能調校等核心技術。此證照適合從事資料庫開發、系統分析及資料管理相關工作者，藉由證明其具備紮實的資料庫設計與管理知識，提升職場競爭力。107年8月1日起本證照停止考試，但仍具參考價值於相關職能評估。
財團法人中華民國電腦技能基金會
數位人資管理師-經理級認證
數位人資管理師認證學程將幫助你，運用e化系統的力量，將大量的人資行政瑣事效率化；利用聰明的流程再造，將員工視為內部顧客，全面提升員工體驗；最後發揮數據力，真正成為組織成功的策略夥伴！
獲得數位人資管理師-經理級認證，代表你具備以下能力
1.了解員工體驗的精神，與e化流程的設計思維，可協助組織全面檢視HR各流程的重要問題與精進的方向。
2.熟悉e化流程的設計方法步驟，協助組織善用數位科技的力量，優化現有制度流程，促進員工體驗。
3.清楚大數據分析的內涵，與業界實務運用案例，可幫助公司導入大數據分析專案，解決公司在人力計畫、人才發展、留才管理上碰到的重大問題。
104資訊科技股份有限公司
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
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
DP-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、轉換及合併成適合建置分析解決方案的結構描述。身為 Azure 資料工程師，您可以協助利害關係人透過探索來了解資料，並使用不同的工具和技術來建置資料處理管線，並維護其安全性與合規性。 您會使用各種 Azure 資料服務和架構來儲存及產生經過清理和增強的資料集，以供分析。 此資料存放區可根據商務需求使用不同的架構模式進行設計，包括：新式資料倉儲 (MDW)、巨量資料、Lakehouse 架構。身為 Azure 資料工程師，您也可以在指定的一組商務需求和條件約束下，協助確保運作資料管線和資料存放區都保持高效能、有效率、有條理且穩定可靠。 您可以協助找出作業與資料品質問題，並對其進行疑難排解。 您也會設計、實作及監視資料平台並將其最佳化，以符合資料管線的需求
Microsoft
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＞
精選 準備 iPAS 淨零碳規劃管理師，不能只靠背題，更重要的是建立完整的實務能力
115 年兩次 iPAS「淨零碳規劃管理師中級」考試出現有趣的變化：第一次「碳管理制度實務」較難，第二次卻轉為「節能減碳技術實務」較具挑戰。考試難點的轉移，也提醒準備認證的學習者，與其猜測下一次哪一科比較容易，不如扎實建立完整的知識與應用能力。
這篇文章透過報考、獲證率、各科及格率與六大能力主題等數據，帶你看懂考試背後真正想檢驗的能力，以及如何從成績發現自己的學習缺口。
考證照不只是為了「考過」，更重要的是知道自己下一步該學什麼。
如果你正在準備 iPAS 淨零碳規劃管理師，推薦透過這篇分析，重新檢視自己的備考與學習策略。 https://vocus.cc/article/6aa87633fd897800017e33a9
CCChen 老師課程 :
【2026年－考試筆記(V1版本)】iPAS AI應用規劃師初級｜全科攻略ｘ考點精華ｘ擬真題庫｜104學習
https://nabi.104.com.tw/course/104nabi/07779700-a980-43d2-8b34-bae808edea61
iPAS AI應用規劃師【中級】衝刺班｜命題精析 × 實戰解題 × AI刷題｜104獨家iPAS AI考證衝刺
https://nabi.104.com.tw/course/104nabi/3987ebea-3686-4f67-a292-c46c3cc2128e
「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
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
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
你是否想轉職成為後端工程師，打造更穩定、具成長性的技術職涯？無論你是剛開始學習程式語言的新手，或正在尋找明確學習方向的職場工作者，這份後端學習地圖將幫助你掌握後端工程的核心技能、實戰經驗與職涯發展路徑。透過系統化的學習規劃與專案實作，你將更有信心地踏入後端領域，成為職場中真正被需要的技術人才。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職後端工程師的學習策略後端工程師薪資行情與職涯發展後端工程師的挑戰與機會
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？
🎯 後端工程師工作內容
後端工程師（Backend Engineer）主要負責伺服器端的邏輯開發，包括資料庫管理、API 設計、伺服器架構以及系統效能優化。他們確保前端應用程式能夠順利與後端系統交互，並提供穩定的數據與服務。
🎯相近職類比較：DevOps、全端、前端、後端工程師差別
職位主要負責技術負責範圍後端工程師（Backend Engineer）伺服器架構、API 設計與串接、資料庫管理、效能優化負責後端邏輯、數據清理，確保前端能夠存取正確的資料前端工程師（Frontend Engineer）HTML、CSS、JavaScript、React、Vue負責 UI/UX 設計，開發與使用者互動的前端界面全端工程師（Full Stack Engineer）前端 + 後端技術能獨立開發完整應用，涵蓋 UI、後端 API、資料庫管理DevOps 工程師（DevOps Engineer）Docker、Kubernetes、CI/CD、自動化部署負責開發與運行環境的部署、監控與維護，提升開發效率
🎯 為什麼選擇後端開發？
後端開發是資訊產業中穩定且高度需求的領域，適合對邏輯、架構、系統思維有興趣的學習者投入：
就業市場穩定成長：隨著數位化轉型普及，後端開發職缺在各行各業皆有需求，從新創到大型企業都有穩定徵才。
強調邏輯與架構設計：後端工程著重資料儲存、伺服器溝通、API 設計等，適合喜歡系統設計與架構思考的人。
職涯彈性大：從初階後端工程師到系統架構師，甚至 DevOps、SRE、資安領域都有後續延伸路徑。
遠端與自由接案機會多：後端開發技能通用性高，較容易接國際案或轉為遠距工作者。
AI 與資料應用的基礎：資料庫管理、API 串接、運算效能等能力，也可延伸應用至 AI 系統部署或資料工程等新興領域。
🎯 誰適合轉職後端工程師？
後端開發適合各類背景者，關鍵在於邏輯思維、學習動機與持續投入：
✅ 設計/前端背景：具備良好使用者體驗與前端邏輯，轉後端可成為 Full-Stack 工程師，提升職涯彈性。
✅ 商管背景：邏輯能力佳且理解商業流程，適合轉後端結合業務邏輯，強化企業系統開發應用。
✅ 理工背景（如物理、數學）：邏輯與抽象能力強，容易掌握資料結構與演算法，是進入後端的優勢群體。
✅ 非資訊領域自學者：只要有堅強動機與自律力，透過系統性訓練與專題實作亦能成功轉職。
✅ 現職 IT 工程師（如測試、維運）：已具備技術背景，轉入開發領域有明顯加速效益。
✅ 資料分析師：熟悉資料處理與 Python，轉向後端可擴展資料處理與系統部署的完整技能鏈。
掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
🧭 後端工程師技能、工具分類表
語言與工具資料處理與資料庫API 設計與架構DevOps 與部署基礎Python / JavaScript / Java / GoGit / GitHub / GitLabSQL（PostgreSQL / MySQL）資料庫基礎觀念REST APIHTTP 基礎了解部署概念核心*熟悉後端框(SpringBoot, Django, Express, Gin)*熟悉語言設計模式撰寫可讀性高的程式NoSQL（MongoDB / Redis）基本資料模型設計身分驗證（JWT / OAuth）API 文件設計（Swagger）*Docker 容器化*CI/CD 自動部署 進階*多語言協作力*程式效能優化*高效能資料庫設計*索引分片與備援策略GraphQL / gRPC微服務架構（CAP / CQRS / Event Sourcing）Kubernetes、服務網格（Service Mesh）監控與日誌系統認證*程式語言認證 (例如Python 程式設計證照PCAP）*個人作品集AWS Database SpecialtyMongoDB 認證*API 設計課程證*書專案開發經驗（如 Hackathon）*AWS Certified DevOps Engineer*CKA（Kubernetes Administrator）▲ 後端工程師應具備技能、工具能力、職涯指引表，點選不同技能會對應到相關課程。
後端工程師學習地圖與路徑（搭配AI工具）
🔰 初學者階段（0–6 個月）
✅ 目標：熟悉基礎程式語言與網路知識，能夠開發基本 API。
📌 學習內容：
選一門後端語言（Python / JavaScript / Java）：選一門主流語言打好程式基礎，進入開發世界。
Git 與版本控制（GitHub / GitLab）：讓你能有效保存、回朔與分享你的程式碼。
理解網路基礎與 HTTP 協議：理解網站如何運作與資料如何傳輸。
SQL 資料庫（PostgreSQL / MySQL）：學習資料查詢語言，管理網站背後的資料。
REST API 開發：學習建立網頁服務的後端接口。
Python 程式設計能力 - 線上免費檢測
📌 AI 工具應用：
ChatGPT 協助語法學習與除錯：快速解釋語法、找出 bug、提供程式碼建議。
GitHub Copilot 協助寫基礎 CRUD 程式碼：協助補上程式片段。
📌 備選學習：
Go 語言：效率高但語法嚴謹，對初學者略具挑戰。
Node.js（JavaScript 後端）：若未來想走全端路線可以學。
✅ 適合考取的證照：
Python 程式設計證照（PCAP）
ITS (Information Technology Specialist, IT 資訊科技專家認證
Oracle MySQL Database Developer
AWS Certified Cloud Practitioner（雲端基礎，有助於未來學 DevOps）
[course_plugin title='Python課程' keyword='Python 輕鬆上手學' amount=1]
[course_plugin title='後端工程師入門課程' keyword='成為後端工程師' amount=1]
🚀 中階階段（6–12 個月）
✅ 目標：熟悉進階 API 設計、資料庫優化，學習 DevOps 工具。
📌 學習內容：
學習後端框架 (Express、Spring Boot、Django、Gin) ：掌握常用的後端框架。
身份驗證與授權（JWT、OAuth）：幫使用者安全登入，讓資料不被偷看。
NoSQL 資料庫（MongoDB、Redis）：適合儲存彈性格式的資料或快取機制。
Docker 容器化：讓你的程式「打包好、帶著走」。
CI/CD 自動部署（GitHub Actions）：程式更新後自動上線，省時又省心。
📌 AI 工具應用：
使用 AI 幫你產生 Dockerfile 與 CI/CD 配置：不懂也能靠 AI 輔助上手。
協助設計 API 架構與資料庫 schema：加速設計與重構過程。
📌 備選學習：
GraphQL：適合複雜資料查詢，但非所有團隊使用。
gRPC：適合內部高效通訊場景，小型專案可暫不碰。
Jenkins（較舊型 CI/CD 工具）：學習成本高，可視需求使用。
HATEOAS（超媒體 API）：學術價值高，實務上較少見。
✅ 適合考取的證照：
MongoDB Developer Certification
Docker Certified Associate (DCA)
Microsoft Azure Fundamentals (AZ-900)
HashiCorp Terraform Associate（如學有餘力涉略基礎 IaC）
[course_plugin title='後端工程師中階課程' keyword='接案必學 ◆ 邁向更專業的App開發' amount=1]
🏆 進階階段（12 個月以上）
✅ 目標：學習架構設計，提升可擴展性與效能。
📌 學習內容：
微服務架構（CAP 理論、CQRS、Event Sourcing）：學會如何將大系統拆小管理，處理資料一致性問題。
Kubernetes 與服務網格（如 Istio）：讓多個服務能自動部署與協調運作。
高效能資料庫設計與分片策略：設計能承受高流量的資料系統。
系統監控與安全性實踐（如 Prometheus、Grafana）：確保系統穩定、安全運作。
📌 AI 工具應用：
AI 幫你設計 YAML 檔與架構圖：快速理解與部署分散式架構。
系統瓶頸分析助手：用 AI 分析 log 或效能資料，加快除錯與優化。
📌 備選學習：
Istio 等 Service Mesh 工具：適合大型微服務團隊，維護成本高。
Event Sourcing：較進階模式，建議有實務需求時再深入。
✅ 適合考取的證照：
Certified Kubernetes Administrator (CKA)
AWS Certified Solutions Architect – Associate
Google Cloud Professional Cloud Architect
DevOps Engineer Professional（AWS / Azure）
[course_plugin title='後端工程師進階課程' keyword='Java進階專業｜前後端整合開發與應用' amount=1]
5個後端工程師應具備的軟技能特質：
邏輯思維與問題解決能力
能夠理解業務需求並轉化為系統邏輯，並針對錯誤快速找到根本原因。
【小測驗】來測測看自己的問題解決技巧 👉 問題解決 - 職能檢測｜104學習精靈
溝通與跨部門協作能力
後端工程師需與前端、產品經理、DevOps 甚至業務單位協作，良好的溝通有助於準確理解需求與回報技術限制。
【小測驗】來測測看自己的溝通能力技巧 👉 溝通協調 - 職能檢測｜104學習精靈
學習與自我成長動能
後端技術（如框架、資料庫、API標準）快速演進，必須持續學習與更新知識。
細心與責任感
後端處理大量資料及邏輯，細節錯誤容易引發資安問題或系統錯誤。
時間管理與自我管理能力
在遠端工作日益普遍的環境下，自律與時程安排變得尤為重要。
轉職後端工程師的學習策略
🎯 初學者或轉職者的學習策略
轉職或初學後端工程，建議採取階段式、任務導向的學習策略，以下列點歸納：
設定明確學習階段：分為基礎語言（如 Python/JavaScript）、資料庫應用、框架學習（如 Django、Node.js）、部署維運。
專案導向學習：每學完一個階段，就進行小型專案驗證所學，例如 Todo List、部落格、會員系統等。
培養問題解決能力：鼓勵查文件、逛論壇、問 ChatGPT，建立獨立解決 bug 的習慣。
學習版本控制與團隊協作：掌握 Git、GitHub、簡單 CI/CD，增加求職競爭力。
善用 AI 工具輔助學習：例如用 ChatGPT 解釋程式碼、Copilot 寫樣板、Kaggle 或 LeetCode 練習邏輯。
參與社群與實戰活動：參加黑客松、Open Source 專案、小型 Freelancer 案，強化實務經驗與人脈。
建立個人學習履歷：記錄學習歷程、撰寫技術部落格、整理 GitHub 作品集。
🎯 不同領域的客製化學習策略對照表
學歷背景優勢可能挑戰調整建議資訊相關科系已具備基礎程式能力、學科知識缺乏實務經驗、專案規模小強化實作專案與部署經驗，參與社群或實習累積履歷非資訊理工（如數學、物理）邏輯與數學能力強，適應資料結構與演算法快缺乏開發環境熟悉度與應用場景理解著重環境建置、框架與資料庫應用，透過實作強化「業界語感」設計/前端背景了解 UI/UX 與前端邏輯，轉職成為全端潛力大對資料結構與後端語法較不熟悉從 API 串接、簡單後端框架入手，逐步學習資料庫與後端設計邏輯商管/人文背景商業邏輯與跨領域溝通力強，善於理解用戶需求技術門檻高、邏輯訓練少以高階語言（如 Python）為起點，結合專案題材（如 CRM、報表系統）學習效果更佳在職 IT 工程師（測試、維運）已熟悉技術工具與環境、具系統性思維缺乏開發流程與程式架構設計經驗透過轉任內部開發專案或小型 App 開發練習，搭配設計模式與框架學習資料分析/AI 轉職者熟悉資料邏輯與語言（如 Python）、了解資料流缺乏完整系統建構經驗補足後端架構設計與部署技巧，從資料處理串接 API、Flask、FastAPI 切入
後端工程師薪資行情與職涯發展
後端工程師薪資概況
📌台灣後端工程師薪資
初階（3年以下經驗）：月均薪約6.2萬。
中階（3- 5年經驗）：月均薪約 6.5 萬。
高階（5-10年經驗）：月均薪約7.3萬。（以上資料來源：104薪資情報）
📌影響薪資的因素
技術棧與專精程度熟悉高效能架構（如微服務、分散式系統）、熱門語言（如 Go、Rust）、或 DevOps/雲端技能者，薪資會更高。
產業領域與公司規模金融科技、AI、新創、外商薪資通常優於傳產與一般中小企業。
作品集與實戰經驗有實際上線專案、參與開源、或技術部落格者更具競爭力。
證照與專業認證（如 AWS Certified、Kubernetes、GCP）對某些企業或外商來說是加分項。
英語能力與跨國協作經驗能與國際團隊溝通的工程師更受青睞，也更容易爭取外派或海外遠端工作機會。
英文能力 - 線上免費檢測
後端工程師的職涯發展路徑
🔵 技術專精路線（Individual Contributor / IC Path）
從「後端工程師」起步，專注於技術深度與系統設計，逐步升級為具備橫向影響力的技術專家。
▶ 初階 / 中階後端工程師（Backend Engineer）
負責功能開發、資料庫操作、API串接與單元測試。
▶ 資深後端工程師（Senior Backend Engineer）
擁有跨模組開發與維護經驗，熟悉系統效能優化、API 設計規範。
✳️ 學習前端技術 → 全端工程師（Full-Stack Engineer）
技能補充： React/Vue、Node.js、前後端整合、RESTful/GraphQL。
應用情境： 適用於產品團隊需快速開發 MVP 或技術創業者。
✳️ 提升系統架構能力 → 系統架構師（Software/System Architect）
技能補充： 微服務設計、DDD、API Gateway、資料一致性、可觀測性（Observability）。
應用情境： 適用於中大型系統升級或技術重構專案。
✳️ 學習 DevOps → DevOps 工程師（DevOps Engineer）
技能補充： GitOps, Jenkins, GitHub Actions, Docker, Ansible。
應用情境：經由緊密的開發＋運營合作，使企業更高效推出高品質產品。
▶ 全端工程師（Full-Stack Engineer）
獨立開發從 UI 到 API 再到資料庫的完整功能。
▶ 系統架構師（System Architect）
負責設計全系統技術藍圖，定義模組邊界、資料流設計與技術選型。
✳️ 進階發展 → 技術總監 / Technical Director
職責： 統籌技術方向，領導技術專案與架構決策，跨部門協作。
技能補充： 領導力、溝通簡報、技術戰略思維、預算與風險管理。
▶ DevOps 工程師（DevOps Engineer）
專精於部署、CI/CD、環境自動化。
✳️ 進階發展 → 雲端工程師（Cloud Engineer）
職責： 能設計具備高可用性與彈性的雲端基礎架構。
技能補充： 深耕 AWS/GCP/Azure 架構與雲原生技術（如 K8s、Terraform）。
🟢 團隊管理路線（Team & People Management）
此路線適合有溝通、協調與人員培育熱情者，從帶小團隊到參與公司策略。
▶ 後端 Team Lead / 技術主管
同時參與開發與團隊管理，負責人力分配、專案交付與人員指導。
技能補充： Agile/Scrum、敏捷儀表板管理、1-on-1 輔導技巧。
▶ 技術經理（Engineering Manager）
管理多組技術團隊，協助產品規劃、技術優化與跨部門協作。
負責團隊招募、績效制度設計、技術資源管理。
▶ 技術總監（Technical Director）或 VP of Engineering
結合技術與策略視角，影響公司中長期技術方向。
需要具備技術深度 + 商業理解力。
🟠 技術轉職／橫向拓展路線（Cross-functional Path）
探索其他工程領域，發揮後端背景延伸價值，適合追求多元發展者。
▶ 資料工程師（Data Engineer）
優勢：
熟悉 API 設計＆模組化架構：資料平台的模組設計類似微服務設計邏輯。
熟悉系統效能：幫助處理大規模資料運算與資源調度。
熟練程式語言(如 Python、Java)：可快速上手資料工程工具
可有效打造 ETL 流程、管理資料倉儲、支援 AI/ML 任務。
技能補充：
資料處理：Spark、Kafka、Airflow、dbt
資料庫：PostgreSQL、ClickHouse、BigQuery、Snowflake
資料管線：ETL/ELT流程設計、Data Lake、Data Warehouse 架構
編程與基礎統計：Python、SQL、資料品質檢查
職涯發展路徑流程圖
🔹 總結路徑圖說明
(起點)
後端工程師
│
├── A. 學習前端 → 全端工程師
├── B. 提升架構能力 → 系統架構師
│ └── 技術決策 → 技術總監
└── C. 學習 DevOps → DevOps 工程師
└── 深入雲端架構 → 雲端工程師
哪些產業需要後端工程師？
後端工程師幾乎是「所有數位服務產業的基礎職位」，以下是常見產業範疇：
📌電商與零售：處理會員系統、購物流程、庫存管理、金流串接等核心後台邏輯。📌金融科技（FinTech）：開發支付、帳戶、交易、驗證等安全敏感的服務。📌社群與內容平台：如論壇、影音平台、交友 App，後端負責資料儲存、帳號系統與推薦演算法等。📌SaaS / B2B 企業服務：提供線上系統給其他企業使用，如 CRM、HR 系統。📌物流與運輸：如外送、倉儲、車隊派送，依賴大量 API 串接與資料即時處理。📌醫療與健康科技：處理病例、預約、穿戴裝置資料等，需高度資安與資料完整性。📌遊戲與娛樂產業：遊戲帳號、伺服器同步、排行榜、商城等核心功能皆由後端處理。📌政府與公部門資訊系統：如戶政、健保、交通資訊等數位服務。
後端工程師的挑戰與機會
🚀 6個常見的後端工程師挑戰
技術複雜度高：需同時掌握資料庫設計、系統效能、資安與架構邏輯。
看不見的貢獻：成果不如前端「有畫面」，但卻是維運的關鍵，常常被低估。
資安責任重大：系統若當機、資料異常，後端通常是第一個要排解問題的人，需確保數據安全，防止攻擊與資料洩漏。
需快速跟上技術演進：如容器化（Docker）、微服務架構、雲端部署等都不斷更新
高效能與擴展性要求：需設計能夠處理大量請求的系統，確保穩定性與效能。
跨團隊協作：需要與前端工程師、產品經理、DevOps 團隊密切合作，確保系統順利運行。
🌟 後端工程師4大機會
可轉職多種技術職：例如 DevOps、技術主管、架構師，或橫移到前端/全端。
全球需求穩定成長：任何需要「運作」的數位產品，都需要後端支撐。
遠端與海外機會多：因後端較少受地域限制，常見國際合作或海外招募。
進可攻、退可守：進可發展高階技術領域如 AI 後端、大數據平台，退可穩定就業於各類企業內部系統開發。
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
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
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【後端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E5%BE%8C%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
你適合當PM嗎？解析產品經理必備3種特質與溝通心法
產品經理（PM）扮演產品關鍵的橋樑角色，不僅要看懂全局、擬定策略，更需要與設計師、工程師高效溝通，協調各方需求並推動產品前進。哪些人適合PM工作？作者透過實務經驗分享，解析PM必備的3種核心特質，以及在與不同角色協作時應具備的溝通心法。
文／Michelle Chen（軟體業PM產品經理）
本文目錄：3個PM需要的核心特質（點擊可快速前往）
特質1：你是否習慣全局性思考，並以策略性規劃推動執行？特質2：你是否喜歡且習慣站在對方的角度，使用對方的語言溝通？PM與設計師溝通重點PM與前端工程師溝通重點PM與後端工程師溝通重點特質3：你是否接受甚至喜歡改變，且有隨時改變計劃的彈性？
我習慣定期把自己的職涯規劃拿出來review，問問自己對於「現在的狀態」是否還滿意。最近是我在現職公司任職滿一週年的日子，於是又把這個問題拿出來檢視一番。我發現對於做PM打造產品這件事（撇除外在條件，像是workload、手上的案子、公司策略、主管等），過了幾年我仍非常喜歡且享受其中。再往下探索，是什麼個性或是特質讓我喜歡且適合做產品經理呢？今天整理3個我認為最核心的特質，分享給有興趣往PM產品經理發展，或還在思考自己到底適不適合的朋友參考！
特質1：你是否習慣全局性思考，並以策略性規劃推動執行？
作為產品經理你每天要應對來自各方的利害關係人，需求從四面八方而來，每季的Product Roadmap規劃&執行，每月2~3次的Sprint（如果團隊跑Scrum），甚至每天的跨部門Support，PM的日常總是被滿滿的需求與會議轟炸，任務清單中的To-dos & Action Item似乎看不到盡頭。在這種「艱困」的處境下，能習慣「全局性思考」的PM就比較能從容應對，懂得從任務海中抽身，避免無謂地瞎忙。所謂全局性思考有點抽象，換個方式來說就是：從整體，更高維度視角看待事情，而不是深陷於眼前的問題。
舉個例子來說，假設你是一位部門主管，你發現某個專案快到截止日但離完成還有一大段距離，你可以選擇臨時外聘人力，或是給團隊成員加班獎勵鼓勵他們挪出更多的時間工作完成任務，這也許是最快能見效的暴力解法。但如果你採取全局性思考，你會先退一步思考，這個專案的規劃是否合理，是否有可以簡化的部分，或者是否團隊中有某個特定的人遇到瓶頸。如果能協助這位成員解決問題，整個團隊的運行會變得更加順暢，也許就能如期完成專案。
全局性思考的能力能幫助PM有效辨識什麼才是真正需要解決的「關鍵問題」，而不是像在大魯閣打棒球一樣，只是對每個問題隨著出現而進行反應。這種思考方式讓你從整體上把握問題的根源，不是只解決表面的問題。
找到問題後，接下來就要透過策略性規劃來實作，這時候一定要提到常見的80/20法則。
20%的因素，將導致80%的結果。找出那關鍵20%重要的事情並全心投入，往往能帶來大部分的成果。
首先找到那20%重要並值得花團隊全心投入的P0-重要且須馬上行動的事。並懂得拒絕或是取捨那些重要但不急，甚至根本不用解決的問題 。取捨決策是一個好PM必備能力。
另外，作為產品的代言人，PM一定要知道哪些任務可以被整合在一起（甚至延伸成一個epic）；又有哪些tasks可能會因為其他迭代而順勢被解決，因此現階段可以忽略不做；又有哪些可能看似有問題，但其實是故意為之的機制。
有策略、有條理的安排團隊資源，聚焦在關鍵20%重要的問題上，可以讓團隊更有效率且優雅的工作。（非常重要，誰會想要每天灰頭土臉工作，你說是吧）
特質2：你是否喜歡且習慣站在對方的角度，使用對方的語言溝通？
有這個特質的PM絕對會是團隊的寶，而不會變成大家避之唯恐不及的任務交差使者。習慣從對方的角度出發，用對方熟悉的用語溝通，不僅能提升理解效率，還能拉近彼此距離，建立良好互動。這有助於建立信任，讓未來的合作更順利愉快，形成正向循環，培養無敵默契。（每次遇到只是一兩句話一個眼神，團隊內的工程師和設計師就能馬上理解我的意思，就會覺得「哇，你們真的是神隊友，我好幸福啊！」）
這邊簡單舉例與設計師以及前後端工程師討論需求時應該著重的方向：
PM與設計師溝通重點
重視使用者體驗（UX/UI）：需要清楚描述使用者的需求（如果需要可以附上完整的user story），並在需求說明中「用戶使用流程」、「易用性」、「介面設計」以及「資訊呈現方式」等。
【溝通舉例】「我們希望這個功能的流程是：1.先點擊這個按鈕，2.展開選單，3.選單中會有幾個預設選項且我們會幫用戶進行預選，整個操作希望可以在3步內完成。」
特別注意！尊重設計師專業：作為PM一定要尊重團隊內設計師以及工程師的專業。對設計師，請保留讓他們自由發揮的空間。提出的需求絕對不會是硬性規定設計師只是把你想像中的畫面／流程畫出來而已，保留設計彈性通常得到的結果都會比自己發想的還要完整流暢！
【溝通舉例】如果需要做一個活動頁面：「這個頁面會包含A~C 3個大分類的資訊，其中A／B分類會另外連結到C／D頁面。這個主頁面的設計，希望能傳達出現代感，並保留畫面的簡潔性，方便用戶快速找到他們要的資訊。可以參考這個網站的設計風格，但具體的顏色／圖標，分類呈現可以自由發揮。」
PM與前端工程師溝通重點
重視介面與互動：前端工程師負責將設計轉換成可用的介面。他們關注的重點包含介面呈現方式、元件的設計與實現、與後端如何進行資料溝通、並且也要確保網頁可以各種大小的裝置和瀏覽器上都能順利運行。
【溝通舉例】PM：「我們希望在報名頁面上，使用者可以看到所有場次，點擊後展開場次詳細資訊，並透過一個動畫顯示出『點選報名』的CTA 按鈕。這部分在手機的 web view 上也需要保持操作流暢。」前端工程師：「這個顯示CTA的動畫在一些舊瀏覽器上可能無法支援，可能會出現卡頓或不顯示的情況。」PM：「如果確實有這個問題，我們可以考慮用彈出popup的方式替代，重點是整體操作要流暢，並且能有效吸引用戶點擊報名。」
特別注意！技術可行性＆永遠都要準備PlanB：有時PM以及設計師一起討論出的設計可能在技術實現上會有挑戰。作為一個好PM，一定要工程師們討論在技術上的可行，以及如果無法實現，可以被接受的PlanB是什麼，並從中找到最佳解決方案。
PM與後端工程師溝通重點
重視系統穩定性及資料處理：後端工程師主要關注系統的穩定性及資料處理。他們習慣使用「API」、「資料庫」、「伺服器」等術語。作為產品經理，你需要清楚描述系統需求，並確保資料流（information flow）和功能邏輯的合理性。
【溝通舉例】PM：「我們需要建立一個數據報表，數據需要即時更新，並支援查看過去30天和60天的時間範圍。這個報表主要用來追蹤使用者行為趨勢。報表中的欄位定義以是{明確定義數據背後的計算邏輯以及fallback機制}。」後端工程師：「要實現即時更新可能會對系統造成壓力，特別是在高峰期，伺服器負載會增加，影響穩定性。」PM：「那或許我們可以考慮設定一個更新的cutoff point，在該時間點做一次性更新，確保穩定性以及更好管理系統負載。」
特別注意！具體明確制定規則：跟後端工程師討論事情一定要具體明確（制定出規則），不能給模糊的「形容詞」。以要新增檢查用戶註冊時的密碼強度的功能為例：
模糊的需求：「我們需要在用戶註冊時，先檢查密碼是否夠強。如果不夠強就讓他重新設置，夠強就讓他繼續註冊。」
➞這時候工程師一定會問你：密碼強度怎麼樣算夠強？這個檢查是在用戶點擊註冊時還是輸入過程中即時檢查？
明確的需求：「如果密碼長度小於8位或不含大小寫字母和數字，則在用戶按下註冊時阻擋下一步，並顯示錯誤提示並要求用戶重新設置密碼。如果密碼符合這些條件，則允許用戶完成註冊。」
PM的工作內容和模式會隨著產品領域、團隊規模及系統架構等因素而有很大不同。然而，良好的溝通能力，尤其能根據不同溝通對象靈活切換用詞和表達方式，針對不同情境調整思考重點，是做好PM必須具備的。如果你發現這種角色切換對你來說有些困難，或是習慣從單一角度進行思考，那可能就不會那麼享受於PM的日常了。
特質3：你是否接受甚至喜歡改變，且有隨時改變計劃的彈性？
最後一點，「接受改變，且對已經計劃好的事情是否總是能保持隨時調整，甚至需要打掉重練的彈性？」是一個PM是否能樂在其工作中，蠻關鍵的特質。
有PM經驗的都知道（不管是Product or Project）都會面臨到原本說好的方向會需要來個大轉彎，產品策略可能因為市場的變化要做立即的調整（例如AI的快速崛起）。對於比較不喜歡變化，或是對於要臨機應變這件事情比較排斥的人，做PM會比較辛苦（心裡苦的部分）。
No two days are the same for a product manager
如果看到上面這句話，你感到興奮，那恭喜你！你一定能從PM的工作日常中找到許多樂趣！
以上就是我簡單從自己身上總結出為什麼就算有時候遇到再鳥的事情，或是有時候真的工作壓力很大，但終究我還是很享受做PM的3大特質與性格，希望能給還在摸索的人或是猶豫不太清楚自己到底適不適合的人一點小小分享。
（原文標題：你適合當產品經理嗎？3個PM需要的核心特質＆性格解析）
[joblist_plugin title='更多104【產品經理】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=1&sctp=M&scmin=40000&scstrict=1&jobsource=joblist_search&jobcat=2004003005&keyword=%E7%94%A2%E5%93%81%E7%B6%93%E7%90%86' amount='4']
[course_plugin title='產品經理學習營｜學習推薦' keyword='產品經理學習營' amount=2]
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
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']
告別Excel地獄：用Google免費AI工具，打造零失誤自動化銷售報表
每到月底，您是否也被淹沒在無盡的Excel銷售報表中，為混亂的資料格式、複雜的公式計算和無止境的複製貼上而苦惱？這些耗時且易錯的手動流程，不僅消耗寶貴工時，更隱藏著營運風險。我們將帶您告別傳統的報表地獄，深入探討如何運用強大的免費工具——Google Apps Script + Gemini，將繁瑣的數據處理流程全面自動化。從資料清理、庫存分析到自動生成叫貨單並發送郵件，我們將一步步教您打造一套智慧高效的報表系統，將數天工作壓縮至幾分鐘，徹底解放您的生產力。
文／人資市集
前言
想像一下，每個月底，你的桌面上攤開著「銷售量表」Excel檔案，裡面記錄著數百項商品的銷售情況、進貨成本和庫存狀態；旁邊還有一份「廠商資訊」Excel檔案，記載著二十多家供應商的聯絡方式；以及一份「叫貨單」Word模板，等待被複製貼上無數次...
「又要熬夜了...」你嘆了口氣，開始了月底例行公事。
數據處理的三大痛點
痛點一：混亂的資料格式
銷售表中的庫存欄位，有些寫著「2包9個」，有些寫著「3盒40條」，還有些是「停售」、「尚未進貨」。你必須手動計算實際數量，還要處理重複記錄的品項，如「微糖黑豆奶」出現在兩個不同的列，售價還不一致。
痛點二：繁複的計算工作
計算各品項的總銷量、總營收和毛利率時，你需要設置複雜的Excel公式。特別是處理不同進貨單位的成本計算（如「4袋/40入」成本40元，每個單品成本為1元），稍有不慎就會算錯。
痛點三：重複的文書作業
分析完成後，你必須為每個需要補貨的廠商製作叫貨單，不停地複製貼上廠商資訊、品項、數量、單價、總價...然後將它們一一轉為PDF並發送郵件。這些重複性工作不僅耗時，還容易出錯。
Google Apps Script + Gemini AI 自動化解決方案
透過Google Apps Script結合Gemini AI的強大能力，我們可以將這些繁瑣的工作全部自動化，從數據清理到報表生成，再到郵件發送，全部一鍵完成。以下是具體步驟：
1. 環境準備與檔案設置
將Excel和Word檔案上傳至Google雲端硬碟，轉換為Google格式，並從試算表的「擴充功能」選單開啟Apps Script編輯環境。這一步確保所有檔案都能被自動化程式存取和修改。
2. 使用Gemini AI生成程式碼
這是整個自動化流程的核心環節。無需懂得編程，只要向Gemini AI清楚描述你的需求，它就能生成對應的Apps Script程式碼。例如：
當你告訴Gemini：「請寫一個Google Apps Script程式，從資料夾中找到銷售量表檔案，並讀取'綜合銷售量表_9-5月'分頁的內容」，它會立即生成完整的程式碼：
JavaScript
function findFilesInFolder() {
var folderId = '你的資料夾ID';
var folder = DriveApp.getFolderById(folderId);
var files = folder.getFiles();
while (files.hasNext()) {
var file = files.next();
Logger.log('找到檔案: ' + file.getName());
}
}
你只需將生成的程式碼複製到Apps Script編輯器中，按下執行按鈕，程式就會自動運行。每個步驟都可以用同樣的方式，向Gemini描述需求，獲取程式碼，然後執行。
這種方式特別適合不懂程式設計的使用者，因為你不需要了解程式語法，只需要清楚描述業務需求即可。如果程式執行結果不符合預期，你可以向Gemini解釋問題，它會提供修正後的程式碼。
3. 資料清理與標準化
向Gemini描述資料清理的需求，如「請寫程式將'2包9個'這樣的庫存記錄轉換為實際數量」，它會生成相應的程式碼，自動識別並處理重複品項、統一庫存記錄格式，並將其他備註文字記錄轉換為數字0。
4. 銷售數據分析
告訴Gemini你需要計算各品項的總銷量、總營收和毛利率，它會生成程式碼自動進行這些計算，並將結果按高到低排序，幫助你快速識別關鍵營收品項和高毛利率品項。
5. 庫存分析與補貨建議
描述你的庫存分析需求，如「計算近三個月平均銷量，與目前庫存比較，找出缺貨風險品項」，Gemini會生成程式碼自動執行這些分析，並根據公式計算建議補貨量。
6. 自動生成叫貨單
告訴Gemini你需要根據廠商資訊和補貨建議自動生成叫貨單，它會生成程式碼從廠商資訊表中找出各品項對應的廠商，複製叫貨單模板並填入所有必要資訊。
7. 自動發送郵件通知
描述郵件發送的需求，如「將叫貨單轉為PDF並發送給對應廠商」，Gemini會生成程式碼自動完成這些任務，完全消除手動發送郵件的工作量。
8. 透過Google Apps Script設置自動化觸發條件
在Apps Script編輯器中，點擊「觸發條件」選項，設定時間驅動的觸發機制，如每日、每週或每月自動執行。你可以選擇特定的時間點，確保報表在每個月底自動生成，叫貨單在固定日期自動發送。這樣，即使你不在辦公室，系統也能按照預設的時間表自動完成所有工作，實現真正的全自動化流程。
看了文章還是覺得太難？104 線上課程手把手帶你學會用 AI >>
自動化帶來的改變
透過Google Apps Script結合Gemini AI的自動化流程，你將原本需要2-3天完成的工作縮短為幾分鐘。不再需要熬夜處理數據，不再擔心計算錯誤，也不再被無止境的複製貼上折磨。
更重要的是，這種自動化方式不需要你懂得編程，只需清楚描述業務需求，Gemini就能生成所需的程式碼。這大大降低了自動化的門檻，讓任何人都能輕鬆實現工作流程的自動化。
現在，每當月底來臨，你只需輕鬆點擊幾下按鈕，就能完成所有工作，然後將寶貴的時間用在更具創意和策略性的任務上。無論你是零售業者、電商經營者，還是任何需要定期處理數據和報表的專業人士，這套自動化流程都能為你的工作帶來革命性的改變。
讓科技為你解放時間和創造力，從繁瑣的數據處理中脫身，專注於真正重要的事務！立即加入「行政/營運 AI 超能力：行政流程Ｘ生管Ｘ採購自動化」這門課程學習，手把手掌握Google Apps Script結合Gemini AI的全面應用，讓你的工作效率和成果品質都能提升到一個新的高度。
企業用戶歡迎申請課程免費試閱，並選擇「104人資市集 | 企業訂閱制方案」，課程每人每年最低33元起/堂，最低$10,000起搞定全公司整年度的AI導入培訓。亦可團購或授權課程，歡迎點擊下方專人諮詢。
免費試閱
了解方案
專人諮詢
提升員工帶動企業的成長！最划算的 AI 教育訓練方案首選>>
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 >>
待辦清單要寫什麼？該用什麼方法完成？改善拖延的拆解任務法
常常面對待辦事項越寫越長，卻不知道從何開始的窘境？待辦清單是提升效率和改善拖延的好幫手，但是要用什麼方法才能順利完成待辦清單呢？本文為《箱型時間：高速時代的15分鐘深度專注力》書摘精選，作者解析如何拆解任務、專注執行，幫助你實現工作生活平衡，改善拖延、突破時間管理瓶頸！
文／馬克‧曹–桑德斯
本文目錄（點擊可快速前往）
待辦清單包含的內容？待辦清單要寫什麼？該用什麼方式完成待辦清單？
待辦清單是列出你預計要完成的任務，通常會用來幫助我們記憶該做的事項；行事曆則是用來記錄、規劃活動的工具。箱型時間將這兩者結合——把待辦清單中的適當項目排入行事曆，並確保該活動會在規劃時間內完成。待辦清單和行事曆可以說是本書的兩樣前導元素。
待辦清單包含的內容？
待辦清單是箱型時間的先決要件，所以我們必須先了解什麼是待辦清單。讓我們順著前因後果想想：待辦清單上的事項是怎麼來的？主要有五個來源：
1. 想法
你想起上星期答應別人一件事；你淋浴時閃過一個靈感；在火車上看見跟老同學長得很像的人，突然想跟同學敘敘舊；做白日夢時，你腦中飄過充滿創意、可能有用的點子。我們的大腦一直處在活動狀態，而且有很多無法預料的事。很多來自環境的外在刺激，也都無法預料。因此念頭、想法、事件、靈感，提供了行動構想。建議你在待辦清單中規劃一個待學區，寫下你有興趣，但還沒有時間去學的事物。
2. 訊息
我們每天收到超過一百封電子郵件，簡訊和社群媒體應用程式產生的訊息量更是不遑多讓。這些訊息很多是自動產生或自動發送，不僅不相關，也沒重要到必須去處理。但是某些需要思考和回應的訊息，就可以寫進待辦清單。其實，即使是只需要略做回應的小事，也會是需要處理的待辦事項。
3. 會議或與人對話
我們每天的工作有四分之一花在開會上，有調查顯示每天至少會有二十七段對話，這些即時的人際互動引來各式各樣的任務。有可能是老闆直接指派給你，有可能是因為跟年長的鄰居閒聊，所以答應幫忙修理籬笆，也有可能是在一場業務會議結束時，被指派要做什麼事。
4. 工作本身
你會在寫完銷售簡報後發現需要事先演練；你會在撰寫商業企劃時發現需要研究市場；你會在使用客戶關係管理軟體時發現有幾項內容需要補齊；你會在登入任務管理軟體後發現有一系列工作等待完成……工作就是這樣，會衍伸出更多工作。
5. 生活瑣事
我們有很多私人事務要打理，包括：洗衣、打掃、購物、付帳單、煮飯、保養汽車、修繕房屋、整理花園農圃、運動、個人健康、假期規劃、照顧家人或寵物、丟垃圾、做資源回收、打理社區事務等。在這當中，有許多固定重複的事，也有較難預料的事；有些事情跟家庭成員有關，特別是住在一起的家人。這些都是要處理的事，不管我們想不想做都得完成。
待辦清單要寫什麼？
待辦清單上的事項可以做成時間箱，寫進行事曆。當你準備花時間使用數位行事曆，在適當環境、以正確心態規劃時間箱時，你會需要製作時間箱的素材，而這些素材就來自你的待辦清單。將待辦事項寫進時間箱，完成這一天的任務後，原本的任務清單就會變成你的「達成清單」。
此外，不是每個點子都是好點子，不需要的待辦事項必須送進垃圾桶！再說，從把想法寫進待辦清單，到真正要實踐時，事情可能已有變化，讓這件事變成多餘的想法。請注意，想「把待辦清單上的事項統統完成」是個錯誤的念頭。
該用什麼方式完成待辦清單？
雖然世界上有數十億人口會寫待辦清單，但是對於待辦清單究竟該怎麼寫或完成，卻沒有個共同概念。以下內文是我讀過相關內容後，加入箱型時間元素，希望能幫助大家把這個被忽略的重要事項做得更好。
1. 拆分成可處理的單位
將任務拆解成可以處理的塊狀。某人可以處理的單位不一定適合另一個人，因此一般共識是時間不要超過半天，理想狀態是最多一、兩個小時。我也贊同這樣的時長。但是有些任務需要的時間可能很短，例如提醒自己寄追蹤郵件或回家途中買牛奶。所以採用箱型時間的時候，你可以先把下個要做的事記在心裡，再去進一步拆解或統整，不需要一次做完任務的拆分。
請記下任務的細節，以便你回頭審視清單時，可以快速想起要做的事。例如，「研究靈魂旅行」這個待辦事項，如果只寫「研究」的話，幾小時或幾天後，你就看不懂意思了。至於預估時間、重要程度、緊急程度、依存性、合作者、截止期限、最終目的、類別等，有可能是有用的額外資訊，但並不一定要寫出來。
2. 流程
請參考前面提到的資訊類別，為任務歸類，並配合最重要的生活面向，將這些類別系統化。舉例來說，全世界有十二億人使用微信、兩百萬人使用WhatsApp、五百萬人透過簡訊發送和接收訊息。你若不願意忘記履行承諾或完成任務，就需要一套系統，幫助你分辨何時要把聊天訊息變成該執行的任務。例如，標上星號或書籤的訊息表示要有後續動作，以及根據訊息需要處理的時間，來製作有可能需要循環出現的時間箱。重點在於將會形成後續任務的事項，移至待辦清單及時間箱，整套流程才不至於中斷。
其他會形成後續任務的活動，也要建立待辦清單寫入行事曆。不要相信你的記憶力，因為記憶不完全靠得住，要是發生意外，你可能會嚴重受挫。
有些人會寫好幾張待辦清單，細分成：工作、社交、財務、居家修繕、家庭活動、個人活動等。對大部分的人來說這樣做會降低生產力，因為我們必須把這些放在不同地方的清單互相比較，以辨別各項任務的重要和緊急程度。而最後，我們每一個人只會有一套自己的時間計畫。從這個角度看，一個人只要有一份涵蓋全部事項的待辦清單就足夠。這對區分寫進待辦清單的事項，尤其有幫助。
請以「動詞」為開頭，因為動詞代表你要去「做」某一件事。
依照重要性替任務分類，並維持分類——這是最重要的一點，不過在細節上卻有許多不同的意見。包括卡爾．紐波特在內的一派人士提倡把類似任務集合成一組，分批次處理，並在不同批次的任務間安插休息時間，好讓我們能在處理下一項任務前，消除先前的認知脈絡。這麼做非常合理，但缺點是，可能無法及時處理藏在一大批任務裡的緊急任務。另外一派包括我在內的人士，則是提倡要依緊急或重要程度來分類。以下提供一套非常簡單的規則，幫助你從一長串的可能任務中，挑出適合歸為一組的任務：
將任務貼到電子試算表上。
在任務名稱旁邊的欄位，使用一到十的數字，標示任務的緊急或重要程度。
依照數字大小整理欄位順序。
把焦點放在前幾項的任務（排在後面的就是比較次要的）。
原本一大串五花八門、分不清重要程度的煩人事項，已變成一張精簡的「必須完成的事項清單」，你可以鬆口氣了。
這一長串非重要事項也需要好好處理。你可以刪除，也可以另外安排時間重新審視。有些事項過段時間後，重要程度會提高。
請想想哪一種分類方式比較適合你，但不管你選用哪種方式，都需要將事項分門別類。當你缺乏一套值得信任的排序方式時，你會不斷地自我質疑、看輕待辦清單、心想是不是該把另一項任務排在前頭。井然有序的清單可以消除選擇的焦慮，這也是一次做一件事的力量。
你要有固定刪減待辦清單的習慣。刪減待辦清單也是個可以排進行事曆的任務，而且非常適合設成重複的週期性行程。將待辦清單上需要刪除的事項扔進垃圾桶，是正常且重要的工作。
提醒你，只要上網搜尋，就可以找到許多現成的待辦清單格式，也許會對你有幫助。這些清單可能會涵蓋：旅行、露營、有趣的對話、購物、居家打掃、搬家、為面試做準備、居家安全、裝修、人生願望清單等，所有別人的好點子和分享的好方法你都可以去學習使用，甚至也可以請生成式AI幫忙你製作待辦清單。
3. 做法
我最喜歡的做法是使用數位科技和把待辦清單儲存在雲端空間。那樣就可以有超連結、與他人共享、複製、貼上，備份起來也比較方便。這些也是數位行事曆使用者喜歡的優點，但不管寫在哪裡，你一定會想要快速存取待辦清單。好不容易有靈感閃過，你不會希望還來不及記下，就忘記了，我們要盡力地減少阻力。
我自己是有開Google文件隨手記錄待辦事項的習慣。如果事情太多，開始感覺手忙腳亂（像是休假完累積一堆事要做時），我會依照前面的方法，把待辦清單貼進電子試算表，依照重要性排序，進行分類、製作時間箱。
4. 勇敢作夢
待辦清單上會有許多平凡無奇的事。目前為止，本章所提的例子大多是這種類型。但是把待辦清單侷限在此，也就侷限了你的人生。你也許會覺得夢想很遙遠、難以企及，但是你跟夢想之間的距離，也許只是一條待辦清單上的事，少了幾個時間箱。不管你是想學習新語言、轉換工作跑道、宣傳你的理念，還是成為更善良的人，你都需要先踏出一小步，而待辦清單可以是你的臨時棲所。
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：
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
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
什麼是「MarTech」？為什麼企業需要行銷科技來輔助營運？│職場百科
你聽過「MarTech」（行銷科技，Marketing Technology）嗎？為什麼很多知名企業、大品牌都認為建立完整的「MarTech」系統不只是能讓產品行銷更有效率，甚至能協助營運更上軌道？原因在於優異的「MarTech」將可以結合軟體、數據分析和自動化技術，做到高效率、省人工，有效讓數據來輔助決策，協助企業精準觸及目標受眾、最佳化行銷策略。
文／《104職場力》
本文導覽
什麼是「MarTech」？為什麼「MarTech」很重要？為什麼企業需要「MarTech」？「MarTech」的 六大領域1. 廣告與推廣（Advertising & Promotion）2. 內容及使用者體驗（Content & Experience）3. 社群與客戶關係管理（Social & Relationships）4. 商務與銷售（Commerce & Sales）5. 數據分析應用（Data）6. 整合管理（Management）「MarTech」和「AdTech」有什麼差別？
什麼是「MarTech」？
「MarTech」（行銷科技）是什麼？只要使用自動化技術就算是一種嗎？
簡單來說，「MarTech」是指運用軟體、數據分析與自動化技術來最佳化行銷策略，協助企業精準觸及目標受眾、提升運營效率並優化顧客體驗。
「MarTech」是由 Marketing 和 Technology 兩個單字組合而成，最早這個概念是在2011年由美國的工程師企業家 Scott Brinker 製作的「行銷科技地圖」（Martech Landscape）所提出，並且將行銷科技劃分為六個主要的領域：廣告與推廣（Advertising & Promotion）、內容及使用者體驗（Content & Experience）、社群與客戶關係管理（Social & Relationships）、商務與銷售（Commerce & Sales）、數據分析應用（Data）、整合管理（Management）。
簡單來說，「MarTech」要解決的問題是：
降低企業在行銷工作上的重複性與勞力密集的繁瑣工作。
讓過去持續累積、但始終無法被妥善運用的資料（Raw Data）發揮其效用。
延伸閱讀：數位行銷是什麼？想進入數位行銷的領域，應該要怎麼開始？
為什麼「MarTech」很重要？
現代企業的營運中，「數據與自動化」在行銷工作中的作用越來越重要。
由於行銷情境不斷變化、使用者行為變多、數位足跡龐大，因此「MarTech」的內容也越來越複雜，使品牌更能貼進過往被視為「碎片化」、「無從辨識」的消費者旅程。因此更突顯活用「MarTech」的重要性。
行銷技術會從頭到尾考慮執行需求，讓行銷人員能夠完整的擴展行銷工作。最後，MarTech 很重要的另一個原因，就是能夠改善我們與對手和顧客的溝通及合作方式。改善這些B2B和B2C關係（感覺你似乎更懂我了），對您與顧客建立的關係產生正面的雪球效應。
為什麼企業需要「MarTech」？
自動化執行： 將繁瑣的例行行銷工作（如 EDM 寄送、社群回覆）自動化。
數據驅動決策： 告別憑感覺猜測，依據精準的數據儀表板調整行銷預算。
優化顧客體驗： 透過系統記錄用戶足跡，提供高度客製化的內容與推薦服務。
[course_plugin api_type='course_id' title='【MarTech輔助行銷】一次搞懂GA4網站分析' id='ef846d56-f66a-4f57-9dba-188ac542e8d7']
「MarTech」的 六大領域
以實際應用面來說，被譽為「MarTech」之父的 Scott Brinker 將行銷科技切分為以下六種領域：
1. 廣告與推廣（Advertising & Promotion）
以科技技術優化關鍵字、社群等各種廣告形式，提供詳盡的報表資訊或自動優化服務，包含建議投放時間、TA輪廓、推廣形式與素材建議等等，藉此提高廣告投放的成效。
常見的工具如：Google Ads 與 Meta 廣告管理員。
[course_plugin api_type='course_id' title='Google Ads廣告投放認證保證班' id='1abeea86-5289-4d4d-910b-fad952bcdfd4']
2. 內容及使用者體驗（Content & Experience）
包含內容管理、網站建置及個人化體驗，運用科技打造更吸引消費者、讀者興趣的內容，打造更好的瀏覽閱讀體驗。內容包括影音、社群貼文、部落格文章、圖文資訊或電子報；體驗則包含UI及UX設計，甚至AR、VR等各種線上線下互動裝置等等。
常見的工具如：WordPress 與 HubSpot CMS。
[course_plugin api_type='course_id' title='AI內容企劃力實戰課' id='51189062-5156-4dec-9153-8464c6732b13']
3. 社群與客戶關係管理（Social & Relationships）
專注於社群媒體管理及客服自動化，在社群及客戶經營啟用更多的AI輔助工具也是一種，藉此提供更多元的互動方式或情境，協助企業更輕鬆的管理顧客資料、舉辦線上線下活動，以及經營社群、規劃合適的形象和宣傳素材。
常見的工具如：聊天機器人 BotBonnie 與 ManyChat。
[course_plugin api_type='course_id' title='數位行銷：社群、數據與銷售的13堂應用課' id='8030c976-04bc-48ce-acd2-6934b1f34d8d']
4. 商務與銷售（Commerce & Sales）
驅動銷售轉換與電子商務，透過「行銷科技」優化銷售系統與網站介面，包含支援線上支付、後端業務分潤與財務管理等服務，藉此提升銷售成效、改善企業內部作業效率，打造一站式的體驗。
常見的工具如：Shopify 與 B2B 常用的 Salesforce CRM。
[course_plugin api_type='course_id' title='零經驗也能學會電商行銷：一次搞懂邏輯架構、操作經營與數據指標' id='c52e5f9a-49f8-4f9b-8db0-08f5d25f5819']
5. 數據分析應用（Data）
追蹤、衡量並分析行銷成效。數據運用其實是「Martech」最核心的概念，以數據為基礎才能精準分析成效，進而應用在優化其他五大領域的行銷策略。
常用的工具如：Google Analytics 與 Mixpanel。
[course_plugin api_type='course_id' title='GA4 x Looker studio跨資料源整合＆動態報表實戰' id='3211ef4b-a0df-4e47-898b-450cbf8f2e5b']
6. 整合管理（Management）
統籌行銷專案與團隊協作，以科技協助規劃完善的行銷策略，包含各項資源與預算管理、系統與平台整合管理與分析。
常用的工具如：Asana 與 Trello。
[course_plugin api_type='course_id' title='Power BI 零基礎實戰 | 培養商務數據分析力' id='68e834c3-e940-4ec5-bce1-bd78da37cc46']
「MarTech」和「AdTech」有什麼差別？
根據《amazon ads》的說明，像行銷和推廣有所不同，「MarTech」和「AdTech」（廣告科技的縮寫）兩個術語也不能互換使用。主要差別在於「AdTech」僅用於透過促銷商品來影響買家行為，而「MarTech」則用於實際建立，運行和管理廣告活動和其他行銷工作。
具體來說，「AdTech」是廣告策略和管理工具的總稱（如供應方平台 (SSP)、廣告交易平台和需求方平台 (DSP)），而「MarTech」則是顧客關係管理 (CRM) 軟體、社群媒體管理工具、電子郵件行銷解決方案等的使用方式，大部分涵蓋行銷人工作日常會使用的相關工具。
本文參考《amazon ads》、《wikipedia》資訊，經整理改寫。
有任何收穫或想分享的，都來和大家一起聊聊吧！