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
資料分析統計
能夠理解並整理大量數據，找出關鍵趨勢與異常，協助企業做出明確決策。透過數據模型和統計方法，提升工作效率，降低風險，優化資源分配。這項技能讓你在競爭激烈的職場中，具備用數據說話的能力，增強問題解決力和策略規劃力，是現代企業非常重視的核心能力。
提升你的實力，朝專業更進一步
精選課程
充實自己，讓能力持續成長
AI財務力：從數字到決策的智慧應用【9/3】
資深經理人教你超強Excel數據力
Excel職場必學統計分析
【確認開班｜最後衝刺領６折券】第三屆－數據分析師學習營｜8/16(日)開課－3週假日線上直播課｜104獨家
【績效管理-入門】企業績效目標設定及評估
專為HR設計的：Excel招募數據分析
不寫程式的大數據分析師：數據分析之王-超強excel樞紐分析
AI快速完成專業簡報
讓數據變黃金！應用Excel制定最佳行銷策略
精選證照
考取專業證照，讓能力被市場看見
大數據與統計應用能力認證
大數據資料庫目前全世界是趨勢的發展！生活上很多事情可以用大數據資料庫來活用解決許多問題，大數據應用不僅僅統計學的範疇更多數學層面來運算。
統計學是擁有一個簡單且容易使用的計算編輯介面，讓一般使用者可以用很簡單的統計計算方式，在瀏覽器上輕鬆地完成複雜的演算撰寫。整合運算思維的統計學應用以及認證考照。
TIPCI臺灣國際專業認證學會
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)
商用數據應用師
「商用數據應用師」證照為企業在商用數據分析與管理應用過程所需要的人才。其扮演大數據分析、程式工具運用、商業流程理解與經營管理支援等角色。
中華企業資源規劃學會
網頁資料擷取與分析 R
R證照主要驗證持有者在統計分析與資料科學領域運用R語言的能力，涵蓋資料整理、視覺化、統計建模及報告撰寫等技能。此證照適合數據分析師、資料科學家及相關從業人員，有助提升專業競爭力與職場表現。透過考試評估考生對R語言語法及應用技巧的掌握，並強調實務操作能力，廣泛應用於金融、科技、醫療及行銷等產業，成為推動數據驅動決策的重要工具。
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
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
精選貼文，掌握第一手知識
「HR人資數據分析」從步驟、使用工具到10種分析面向一次懂
文：先行智庫
原文標題：什麼是HR人資數據分析？要分析什麼？從步驟、使用工具到10種數據分析面向，本文一次告訴你！
隨著數據分析技術的成熟，以及入門門檻逐漸降低，各行各業逐漸在思考如何應用數據分析，為工作帶來全新的價值，或者是提高決策品質，甚至是創造新商業機會。身為人資夥伴，我們也可以思考手上擁有的數據，例如：出缺勤數據、績效考核數據、調薪紀錄、職務異動紀錄、員工投入度、訓練課程滿意度調查、加班紀錄等，可以如何分析？該設立哪些管理指標？能用何種圖表呈現？怎麼打造員工數據戰情室？要做到什麼樣的程度才可以？使用什麼樣的工具比較合適？在今天這篇文章，我都會幫大家詳細解答。
目錄
HR人資數據分析簡介1.1 人力資源近年發展趨勢1.2 HR人資數據分析是什麼？1.3 為什麼要做HR人資數據分析？
如何做HR人資數據分析？2.1 HR人資數據能分析什麼？2.2 有哪些數據可以做HR人資數據分析？2.3 該使用何種工具比較好？Excel還是Power BI？2.4 做HR人資數據分析的6個步驟
HR人資數據分析關鍵議題3.1 招募數據分析3.2 訓練數據分析3.3 員額數據分析3.4 離職數據分析3.5 績效數據分析3.6 證照數據分析3.7 差勤數據分析3.8 薪酬數據分析3.9 人格數據分析3.10 接班人數據分析
落實人資數據分析4.1 Power BI人資戰情儀表版4.2 實踐人資數據分析可能遭遇的難題
1. HR人資數據分析簡介
1.1 人力資源近年發展趨勢
近期人力資源發展趨勢，可以概分為三個階段。
第一階段，人資主要處理勞檢、出缺勤統計、勞健保與團保、調薪與晉升公告等庶務型工作。第二階段，人資開始成為企業的策略合作夥伴，例如：規劃具備競爭力的薪資福利、根據業務發展方向擬定訓練架構、制定能鼓勵員工的績效考核辦法、優化整體招募流程以提升企業形象。第三階段，人資走向數據驅動，例如：量化個渠道的招募招募成本、量化每個部門的缺口狀況與人力結構、從課後滿意度評分問卷找出辦課重點、善用人格測評分析結果將人才擺在適當位置。
這三個階段並不是互相取代 ，而是同時並進的。換句話說，HR不僅僅要具備運營能力，在大數據時代，也必須要有數據驅動決策的技能。人力資源在過往會被認為是以人為本的行政相關工作，但在科技進步的趨勢下，也開始要涉及數字化管理。
手把手帶你掌握E化 x 數據 x AI【數位人資管理師】 >>
1.2 HR人資數據分析是什麼？
HR人資數據分析，就是運用數位工具，將與人力資源相關的數據進行分析，從中獲取洞察的過程。在這段過程，不論你是使用何種工具，如：Excel、Power BI、Tableau等都是可以的。當然也不限最終的呈現形式，如：PPT、Word、Excel、儀表板。只要HR的工作中有涉及到數字，這段過程廣義來說，就能算是HR人資數據分析了。
其實這並不是一件非常遙遠或很困難的事情，因為HR平常在做的報表或報告，基本上都會做到與數字相關的統計和分析，例如：培訓的滿意度、加班時數、敬業度調查、招募人數統計、職務異動統計等。只是在於這些統計和分析的結果，是否對於決策有正向助益。
1.3 為什麼要做HR人資數據分析？
做HR人資數據分析，最主要的目的是「做出更好的決策」，讓下決策不再憑經驗或憑感覺。例如：要去哪裡找到合適的人才？招募預算應該要如何更有效配置？招募團隊與招募工作應如何調整？我們可以透過分析「履歷收件的有效性」，做為決策的參考依據。
透過HR人資數據分析，能讓我們知道要前往的方向，與評估所需投入的資源與時間，避免將本就有限的資源，投入到代價高且多餘的項目，讓我們將精力更集中在能提升效率的工作。還能夠提高論點的說服力，也能更有底氣的協調跨部門支援。更重要的是，我們可以用數字，來衡量HR的績效表現，讓老闆可以更清楚的知道HR貢獻的價值。
2. 如何做HR人資數據分析？
2.1 HR人資數據能分析什麼？
我們可以從人資工作的流程，選、用、育、晉、留，這幾個面向先思考想解決的問題有哪些？想要知道的訊息有什麼？接著再進一步思考，要解決這些問題，需要分析哪些數據？或者是用什麼樣的數據做佐證。
例如：在招募的部份，我們就會想知道哪個招募管道效益最好？招聘預算該如何配置？在訓練的部份，老闆就會想知道辦訓練課程是否值得？如果值得，又該辦哪些的訓練對於實現業務增長是有正向助益？
2.2 有哪些數據可以做HR人資數據分析？
我們可以將數據先分成2大類，一類是HR相關的數據，另一類是非HR相關的數據。
HRIS系統、PMS系統、LMS系統、招募管理系統、證照管理系統等能倒出來的數據，都屬於HR相關的數據，例如：員工基本資料、加班時數統計、面試邀約紀錄、薪資實發清冊、獎金名冊、職務異動、晉升紀錄、敬業度調查、教育訓練滿意度調查、證照到期統計、績效分數明細表等。非HR相關的數據，像是財務數據、進出貨數據、庫存數據、不良品統計數據等。我們可以將HR數據與非HR數據做結合，這樣就能更清楚後端人力資源與前端工作的關聯性。
2.3 該使用何種工具比較好？Excel還是Power BI？
不論用什麼樣的工具，都可以用來做數據分析，沒有哪一種最好，只有哪一種最適合你，這兩種工具的使用情境是不太一樣的。如果你只是要做出一兩張圖表，而且還要將圖表貼到簡報上，Excel會比Power BI來的更容易操作。但如果你製圖的頻率很高，需要一次展示多張圖表，希望將多樣的人力資源數據都整合在一起，那Power BI會是比較適合的。簡言之，如果只是單點式的做分析，Excel就足以，如果需要做全面的整合，Power BI會是更好的選擇。
2.4 做HR人資數據分析的6個步驟
做人資數據分析有6個步驟，千萬別一下子掉入工具的選擇，我們必須依照這幾個步驟，一步一步踏穩，才能讓數據發揮它的價值。這6個步驟分別是：問題思考、資料彙整、資料清理、資料視覺化、數據洞察探索、展示報告與共享。
3. HR人資數據分析關鍵議題
你可以設計一套完整的、有系統的HR人資數據分析框架。你也可以針對招募、訓練、員額、離職、績效、證照、差勤、薪酬、人格、接班人等議題，單獨做數據分析。接下來我會針對常見的這幾個議題，做詳細介紹。
3.1 招募數據分析
大招募時代來臨，許多企業都面臨缺工與招募不到人才的問題。在招募工作中，你可以分析：要去哪裡找人？怎麼縮短人才招募時間？如何用最少成本，招募到最好的人？
要回答上述問題，我們可以從許多招募指標和數據中，找到合適的線索。還可以將這些指標建立成招募戰情儀表板，把所有的指標圖表攤在同一張儀表板上，用更宏觀的視野來看公司的招募狀況。透過客觀的數據分析，將能夠給我們足夠的決策參考情報。但如果你要做招募數據分析，就需要有招募相關的數據才行，例如：開缺報表、面試紀錄表、Offer Delivery的紀錄表。
有了情報之後，我們也可以從每一個招募工作環節，仔細檢視還能如何改善，藉由優化招募流程，解決招募工作面臨的問題，或者是採取一些創新的作法。
3.2 訓練數據分析
科技進步速度飛快，加上近期景氣低迷的因素，許多企業都意識到投資員工教育訓練的重要性。在教育訓練工作中，你可以分析：要辦什麼樣的訓練才能夠對應到公司業務發展所需？要花多少錢在教育訓練才合理？舉辦的教育訓練有沒有效？
教育訓練是一個相對比較難用數據衡量的議題，通常都只會想到分析課後回饋問卷。但如果心有餘力，也可以去蒐集前端部門有的數據，例如業務部門就有業績數據、生產線就會有不良品或停機相關的數據。接著就能夠將後端的HR數據，與前端的數據串聯做分析，以了解訓練課程的投資，對於工作成效是否有直接的助益。
3.3 員額數據分析
隨著組織不斷擴大，如何用有限的人力配置，發揮最大的價值，是做員額數據分析最重要的目的。在員額headcount的部份，你可以分析：公司員工人數和營業收入是否成正比？人力的組成結構是否健康？面對組織未來的策略發展，公司的人力配置要做哪些調整？預算數與實際員額數是否有明顯的差距？
3.4 離職數據分析
員工離職，我們除了做離職面談，其實還可以做數據分析。你可以分析：關鍵人才人才離職率、員工離職的原因統計、員工離職所產生的成本、造成員工離職的主要因素。而這些分析結果，你也可以用一些比較特殊的圖表，更精準傳遞你想訴說的訊息。
3.5 績效數據分析
人資部每年都會收到各部門主管針對部門員工做績效考核分數的數據，如果這些數據只是用來記錄就有點可惜了，我們可以將這些數字更進一步做分析，用來激發員工潛能、找出潛力人才。你可以分析：每位員工歷年來的績效趨勢、連續若干年績效表顯都很亮眼的員工、與員工績效有正相關的因素是什麼、績效與調薪之間的關係。
3.6 證照數據分析
各行業因為法規或業務發展的關係，需要考取證照。如金融業就會有壽險、證券、期貨等證照；科技製造業就會有化學品、堆高機、急救人員、工安、衛生管理等。資訊業可能就會有各原廠的認證考試。在證照的部份，你可以分析：即將到期的證照張數、證照張數的服務能量是否能滿足業務需求、每人已過期或到期的證照張數。
3.7 差勤數據分析
同仁的請假與加班狀況，會影響到員工的身心健康與工作成效。請假與加班的數據，一般都是用來通知當事人，或者是當事人的主管。但除了通知用途外，這些數據你還可以用來分析：各部門平均加班時數、哪些部門或哪些員工有異常加班的狀況、加班費的支出是否可以再降低、有哪些員工年底到了但特休使用率還未達80%。
3.8 薪酬數據分析
近期科技業大裁員的消息，讓我們意識到人事費用，對於企業而言是一筆不小的開支，需要審慎的發放與運用。該如何提高人事成本的韌性？在景氣大好時能大舉徵才？在景氣不好時又能夠有效控管人事成本？做薪酬數據分析，是首要任務。在薪酬這塊，你可以分析：公司與同業的薪資水準、人均營收與人均成本、薪資結構的合理性、薪資級距、是否逐年調薪、薪資發放的公平性。
3.9 人格數據分析
如果企業有做人格測評，通常每人都會收到一份數字化報告。但如果分開單獨看一個人的測評結果，不容易了解團隊整體的樣貌，因此我們可以將每一位員工在測評中的數據彙整後，做交叉比對，藉此分析：主管與非主管的人格特質差異、離職與在職員工的人格特質差異、各部門的人格特質是否符合業務需求。從中可以了解什麼樣的人適合擔任主管？什麼樣的人離職風險更高？團隊的組成是否有需要再調整？
3.10 接班人數據分析
許多企業在現在都面臨的接班問題，但挑選接班人除了依照主觀判斷，還要拿出客觀數據，才能夠讓接班人的挑選更具有說服力。最常見的一種方式就是人才九宮格，可以藉由績效分數和潛力分數進行判斷，找出超級明星或潛力明星。（參考文章：如何運用Power BI找出企業接班人？）當然你也可以分析每一位接班人：過往執行的重大專案數、近年績效表現、年資與年齡。
4. 落實人資數據分析
4.1 Power BI人資戰情儀表板
在做HR人資數據分析時，你可能會針對許多的管理指標，繪製出視覺化的圖表。就算準備的再周全，一樣有很高的機率，會被問到你準備資料以外的問題。而且從你取得數據，經過加工，再送到報表閱讀者手中，就已經不是即時的資料了。再加上不同的閱讀者，看報表的角度也都不盡相同，如果要針對每一個閱讀者的習慣與喜好，個別製作報表，是相當耗時耗力的工作。為了讓HR數據分析能更全面涵蓋老闆會問的問題、為了讓數據能更即時的傳到老闆手中、為了讓數據能用自助式的方式讓報表閱讀者自行篩選調整格式，我們可以透過Power BI做HR人資數據分析。請參考以下範範本：
4.2 實踐人資數據分析可能遭遇的難題
要落實人資數據分析，並不是短時間就能完成的事情，可能還會遇到許多挑戰等待你克服。最可能遇到的就是數據蒐集難題，像是缺乏重要的數據，該如何布局蒐集數據的管線與流程。也可能會遇到溝通的挑戰，像是如何讓用人單位意識到，人力資源的數據報告有利於業務增長。還可能會遇到資料整合難題，例如資料散落在各方，缺乏整合管道，如何有效率的彙整。這些問題都不是短期內就能輕鬆被解決的，但唯有這些難題被克服以後，才能夠落實人資數據分析。
了解更多Power Bi 相關的學習資源 >>
學更多【Power BI】，馬上報名 >>
Power BI 資料視覺化
Power BI HR管理分析師【招募數據視覺化】
Power BI 資料清理與建模
Power BI DAX函數運用
人資必備數據Know-how都在這裡> >
用Power BI 做視覺化數據分析，企業導入時會遇到六大階段
HR數位轉型怎麼做？以數據分析為驅動
從這15個數據指標，開始建立你的招募漏斗
你的招募數據報告，老闆看不懂？ 因為你沒有「資料視覺化」
HR這樣做數據分析報告，老闆才想聽！
精選 AI寫企劃、看數據總是不能用？4種工作先排順序再交代，第一版就能討論
請AI寫企劃、做研究、看報表，結果常常看起來很完整，卻不能直接用？
問題多半不在AI的能力，而在我們只說「幫我寫」「幫我分析」，讓它自己猜目的和標準。
四種常見工作，可以共用同一個骨架：
1. 交代目的與標準：給誰看？看完要做什麼決定？
2. 排好先後步驟：先要中間產物，確認後再往下做
3. 要求附上依據：出處、算法、引用原文，讓你能驗收
套到四種工作，各有一個先後順序：
① 寫企劃｜架構先定，內容後補
先寫明讀者與目的，請AI只給三個主張和大綱；確認後才補內容，每個數據都附出處，查不到就標「待查證」。
② 做研究｜大題切小題，說法衝突並陳
先把大問題切成四到五個能用資料回答的小題；每題比對三種來源、標出年份；說法互相衝突時，請AI並列出來，由你判斷。
③ 看數據｜問題先行，數字在後
不要只丟報表說「幫我分析」，先寫成決策問題，例如「上季回購率下滑，是哪一群顧客流失」；講好期間、欄位和比較基準，只要兩三個關鍵發現，並附計算方式。
④ 審提案｜先找漏洞，後打分數
先逐條列漏洞並引用提案原文、分出輕重；再依事先講好的配分計分；最後請AI扮反方，提出最強的反對意見。
最常見的三個錯誤：
・一開口就要整篇成品，方向錯了只能整篇重寫
・AI給的數字沒查就直接用
・一邊挑毛病一邊打分數，分數被第一印象帶走
小練習：挑一件你這週要交的工作，寫下這兩句再交給AI——
「這份東西給＿＿看，看完要他＿＿。」
「先給我＿＿（大綱／小題清單／漏洞清單），我確認後再繼續。」
比較一下，和你平常的第一版差在哪裡。
想看完整的五分鐘影音說明，104學習免費課程「AI工作術」四堂已經上線，免費報名就能看：
第1堂｜5分鐘學會用AI寫企劃
https://nabi.104.com.tw/course/104nabi/57aed01b-9d82-4438-b09e-e2367abc0207
第2堂｜5分鐘學會用AI做研究
https://nabi.104.com.tw/course/104nabi/595a665d-07a3-461d-b37e-1f8158eca70d
第3堂｜5分鐘學會用AI看數據
https://nabi.104.com.tw/course/104nabi/0f3d424e-1658-49a2-851e-6c9fff296f43
第4堂｜5分鐘學會用AI審提案
https://nabi.104.com.tw/course/104nabi/19983d11-9e93-41ae-9924-46f8d6cd47dd
也歡迎在留言分享：這四種工作，你最常請AI幫忙哪一種？有沒有哪一次的第一版特別好用（或特別難用）？
使用提醒：AI可能出錯，重要數字請自行查證；上傳資料前先確認公司規定，並去除姓名、電話等個資。文中案例皆為假設情境。
產品經理(PM)學習數據分析的好處！強化決策依據、提早發現問題等，提升你的產品市場競爭力
當產品經理 (PM) 掌握了數據分析能力後，可以更全面、深入地應用數據來推動產品成功，數據分析技能讓 PM 不僅能回答「發生了什麼」，還能進一步探索「為什麼會發生」和「我們應該怎麼做」，大幅增強了在產品開發中的核心價值。以下是數據分析對 PM 的詳細好處說明：
1. 強化決策依據
- 客觀數據支撐決策：傳統的決策過程可能依賴經驗或直覺，但數據分析可以提供具體的數字和趨勢，幫助 PM 以更客觀的角度看待問題。例如，針對某功能是否受歡迎，分析其使用數據和留存率就能提供比用戶反饋更有力的證據。
- 快速響應市場變化：透過分析市場數據（如用戶需求變化、競爭對手行動），PM 可以在市場出現變動時更快調整產品策略，搶占先機。
2. 識別問題並發現機會
- 找出用戶痛點：PM 可以通過數據分析識別用戶的困難，例如在某些功能流程中，發現有較多用戶流失，可能意味著該功能體驗需要優化。
- 發現新功能需求：從用戶行為數據中挖掘未來的潛在需求，例如發現用戶在特定情況下會頻繁使用某些功能，可能是新功能的開發方向。
- 市場細分：數據分析能幫助 PM 更清晰地識別目標客群，並了解各類用戶群的不同需求。例如，透過行為分析找出不同用戶群對產品功能的偏好，有利於制定更具針對性的產品策略。
3. 追蹤產品成效
- KPI 和指標監控：PM 可以透過分析各種關鍵績效指標 (KPI) 來判斷產品是否達到目標，如用戶留存率、活躍度和轉化率等。這有助於 PM 對產品發展進行定期檢查，確保方向符合目標。
- 衡量改版效果：每次產品的改版或新功能上線後，PM 可以透過數據分析追蹤改變的影響，如通過 A/B 測試來確定改動是否帶來正面結果，並從數據中了解具體影響程度。
- 數據驅動迭代：透過數據得出的 insights，PM 可以不斷優化和迭代產品，提升用戶體驗。例如，針對某些低互動率的功能，PM 可以根據分析結果找到改進方法。
4. 增強與數據團隊的合作
- 更好地表達需求：當 PM 具備基礎數據分析技能後，可以更精確地描述所需的數據指標和報告形式，避免因溝通不清而浪費數據團隊的時間。
- 提升分析報告的理解力：PM 可以更輕鬆地理解數據團隊提供的分析結果，快速從數據中提取重點，將結果轉化為行動方案，而不是依賴數據專家進行翻譯。
- 減少依賴並增加自主性：具備基本的數據技能後，PM 可以自己完成簡單的數據查詢與分析，減少對數據團隊的依賴，加速產品迭代過程。
5. 提升市場競爭力
- 更全面的市場理解：數據分析不僅幫助 PM 解讀自家產品的表現，也能分析市場動向、競爭對手的策略等。例如，透過第三方數據平台（如 Similarweb 或 App Annie）獲得競品流量來源、用戶行為偏好等。
- 前瞻性預測：在掌握了用戶行為、需求變化的數據趨勢後，PM 可以做出更前瞻的產品策略規劃。例如，預測某種新興需求的增長，並搶先推出對應功能
樞紐分析表這樣用！五大實用技巧提升數據處理效率，懶人包整理！
Excel樞紐分析表（Pivot Table）是 Excel 中最強大的數據分析工具之一，它能夠快速整理、匯總並分析大量數據，使決策變得更加直觀與高效。在職場上，無論是財務報表、業務數據還是市場調查，樞紐分析表都能幫助我們更好地理解數據趨勢。
以下將介紹 Excel 樞紐分析表的五大工具，幫助你最大化提升數據處理效率！
1. 值彙總方式（Summarize Values By）——快速計算關鍵指標
當我們建立樞紐分析表時，最基本的需求就是匯總數據，例如計算總和、平均值或最大/最小值。
【如何使用？】
→ 插入樞紐分析表並選取數據。
→ 在「值」欄位中選擇要分析的數據，如「銷售金額」。
→ 點擊「值欄位設定」，選擇不同的彙總方式，如總和（Sum）、平均值（Average）或計數（Count）。
這個工具適用於財務報告、業績分析等場景，幫助你快速提取關鍵數據。
2. 篩選器（Filters）——聚焦關鍵數據
當數據量過大時，篩選器可以幫助我們快速聚焦於特定條件下的數據。例如，僅顯示特定月份的銷售數據或特定地區的業績表現。
【如何使用？】
→ 在樞紐分析表中，將想要篩選的欄位拖曳到「篩選」區域。
→ 點擊篩選器，選擇想要顯示的條件。
→ 樞紐分析表會即時更新數據。
這個工具適用於市場分析或區域性業績評估，幫助我們更專注於目標數據。
3. 切片器（Slicer）——更直觀的篩選方式
切片器是一種視覺化的篩選工具，可以讓使用者直接點擊篩選條件，而不需要使用傳統的下拉選單。
【如何使用？】
→ 選取樞紐分析表，點擊「插入」>「切片器」。
→ 選擇要當作篩選條件的欄位，如「產品類別」或「銷售區域」。
→ 點擊切片器中的按鈕，樞紐分析表會即時變更。
這對於簡化數據篩選過程非常有幫助，特別適合需要頻繁切換條件的情境。
4. 數據透視圖（Pivot Chart）——將數據圖像化
樞紐分析表本身雖然強大，但數據可視化同樣重要。數據透視圖可以將樞紐表的數據直接轉換成圖表，讓趨勢一目了然。
【如何使用？】
→ 選取樞紐分析表，點擊「插入」>「樞紐圖表」。
→ 選擇適合的圖表類型，如長條圖、折線圖或圓餅圖。
→ Excel 會自動生成圖表，並與樞紐分析表保持同步更新。
這個工具適用於製作報告，讓數據不再只是枯燥的數字，而是清晰易懂的視覺化資訊。
5. 計算欄與計算欄位（Calculated Field & Calculated Item）——進階數據分析
如果內建的計算方式無法滿足需求，可以透過「計算欄位」與「計算欄」來自定義計算公式。例如，在銷售報表中，你可以新增一個「利潤」欄位（=銷售金額 - 成本）。
【如何使用？】
→ 選取樞紐分析表，點擊「分析」>「欄位、項目與組合」>「計算欄位」。
→ 輸入自定義公式，如 =銷售金額 - 成本。
→ 點擊確定後，樞紐分析表會自動新增此計算結果。
這個工具適用於需要進一步計算的商業報表，如毛利率、成長率等。
樞紐分析表不僅能快速整理數據，還可以透過這五大工具進一步提升數據分析的靈活性與效率。無論你是財務專員、行銷人員還是業務分析師，掌握這些技巧，能讓你的數據分析能力更上一層樓！
- - - - - - - - - - - - - - - - -
相關課程推薦：
ChatGPT x Excel | 職場必學商務數據分析術
https://nabi.104.com.tw/course/tibame/8ec8ed91-2d58-4d07-aa08-e342a12cb84b
數據分析師｜入門實戰：Excel x AI 打造最強數字力
https://nabi.104.com.tw/course/104nabi/700f35aa-e227-4a12-b673-3b5931342c02
從Excel到Power BI數據視覺化
https://nabi.104.com.tw/course/tibame/f9cc35cc-497a-4d9a-8bff-fa63fd483ff1
報表分析系統推薦指南：中小企業如何不靠工程師也能看懂數據
「上個月業績為什麼下滑？」這個問題，在許多公司需要等上一週才有答案：業務匯出一份檔案，會計匯出另一份，再由某位同事花兩三天比對。等報表做完，問題多半已成定局。報表分析系統的價值，在於縮短從問題到答案之間的時間。
【報表分析系統是什麼】
可以把它理解為企業營運的儀表板層，負責把分散在 CRM、會計、人事、業務與行銷等系統的關鍵數據彙整在同一處，並以圖表呈現。傳統做法依賴試算表手工拼湊，每月要花數天結算才看得到上月數字。
管理王的報表分析系統內建於平台，資料來自企業日常在系統內的作業紀錄，因此不需要另外購買串接服務。
【六項主要功能】
一、全模組數據彙整。任務完成率、團隊績效、客戶轉換漏斗、業務業績排行、行銷活動投報、客服回應時間、員工工時分布與會計收支趨勢，集中在同一個分析介面。
二、自助建立報表。報表支援自訂維度，可依時間區間、部門、個人、客戶分類或商品類別組合，並提供柱狀圖、折線圖、圓餅圖與熱力圖等圖表，主管不必委託工程師撰寫查詢。
三、匯出與排程寄送。支援 CSV、Excel 與 PDF 匯出，也可以設定排程，例如每週一早上自動把上週績效報表寄給各級主管。
四、AI 歸因分析。以一句話提問，例如上個月業績為什麼下滑，AI 會進行原因分析，指出影響較大的因素並提出建議行動。
五、績效透明。個人、團隊與部門的完成率和達成率可以並列檢視，搭配平均處理時間與逾期率，讓績效評估有客觀依據。
六、與戰情室搭配。日常以戰情室看總覽，需要深入時再進入報表分析拆解細節，兩者使用的是同一份資料。
【誰適合使用】
想從憑經驗管理走向數據化管理、但沒有資料分析團隊的企業，是主要的適用對象。
情境一：一家顧問公司的執行長，過去業務報表要延遲一週才看得到。改用平台後，可以即時查看每位顧問的工時、收入貢獻與商機進度，問題剛出現時就能處理。
情境二：一家連鎖餐飲的營運主管，各店資料分散在不同系統，月底才知道盈虧。現在可以比較各店的客單價、毛利與人事成本，異常店面不必等到月報才被發現。
【如何挑選：報表分析系統比較】
報表分析系統比較可以從三種做法切入。
第一種是自行建置資料倉儲與商業智慧工具。分析能力強，但需要專人撰寫查詢與維護資料模型，適合已有資料團隊的企業。
第二種是單點報表工具。上手較快，但資料必須從各系統匯出或另外串接，資料來源愈多，維護工作愈重。
第三種是整合平台內建的報表功能。資料與分析在同一處，免除串接，但前提是日常作業已經在平台上進行。
官網建議優先看四件事：資料來源是否完整、數字是即時還是日結或月結、系統能否把數字轉成該怎麼做的建議，以及介面是否為繁體中文並符合台灣的稅務與發票邏輯。
【讓報表真正被使用的做法】
許多企業導入報表工具之後，真正常態使用的只有少數幾張報表。這不是壞事，重點在於那幾張報表是否對應到實際的決策。建議先從三類報表開始建立。第一類是每週固定檢視的營運報表，例如業績達成、新增客戶與任務逾期率，用排程寄送給主管。第二類是每月檢討用的趨勢報表，觀察收支、客戶轉換與客服回應時間的變化。第三類是臨時性的問題分析，有疑問時再以自訂維度拆解，或直接向 AI 提問。
資料品質同樣重要。如果業務沒有即時更新商機狀態，或客服案件沒有確實結案，報表數字就會失真。導入初期可以先挑一兩個指標，要求相關人員養成登錄習慣，確認數字可信之後再擴大範圍。報表的定義也應該寫清楚，例如成交以簽約日還是收款日認列，避免各部門對同一個數字有不同解讀。當主管開始以報表上的數字作為開會依據，第一線人員自然會更重視資料的完整。
【報表與日常管理的結合】
報表不應該只在月底出現。比較理想的狀態，是把數字融入平日的管理節奏：業務主管每週以業績與商機報表進行一對一討論，客服主管以回應時間與逾期率安排人力，經營者以收支趨勢評估下一季的投入。當每一層主管都有自己固定檢視的報表，並且知道數字變化時該採取什麼行動，數據化管理才算真正落地，而不只是多了一套工具。
【費用說明】
關於報表分析系統費用，管理王採方案制，各系統內建於方案中，不需為單一系統另外付費。想先試用的團隊可以從免費方案開始：NT$0、永久免費，成員上限 10 人，儲存空間 1 GB，註冊贈 AI 點數 500 點（一次性），部分功能為 30 天試用。人數增加後可升級經濟型，每月 NT$5,000，成員上限 30 人，50 GB，每月 AI 點數 1,000 點；商務型每月 NT$10,000，成員上限 60 人，200 GB，每月 3,000 點，含 8 小時遠端導入教育訓練；旗艦型每月 NT$19,900，成員不限，1 TB，每月 10,000 點，含 16 小時遠端導入教育訓練。年繳方案的月費不打折，但加贈 2 個月（付 12 個月用 14 個月）。若標準功能不敷使用，客製化開發為每小時 NT$1,000，加購教育訓練為每小時 NT$2,000、最低 10 小時。費用以 app.ai.com.tw 官網公告為準。
【常見問答】
Q：不會寫 SQL 可以使用嗎？
A：可以。報表以自訂維度與圖表選項組合而成，不需要撰寫查詢語法。
Q：報表可以自動寄給主管嗎？
A：可以設定排程自動寄送，並支援 CSV、Excel 與 PDF 等格式。
Q：AI 分析會額外收費嗎？
A：AI 功能使用方案內的 AI 點數，各方案每月點數不同，免費方案則為註冊時一次性贈送 500 點。
Q：資料可以匯出嗎？
A：可以匯出為常見格式。資料存放於台灣。
【報表分析系統推薦】
對沒有資料團隊的中小企業，報表分析系統推薦從整合平台著手，先讓數據自然累積，再逐步建立自己的分析習慣。管理王由戰國策集團出品，集團深耕企業服務超過 25 年，服務超過 3 萬家企業客戶，並由台灣團隊提供支援。官網說明以一套平台整合多項工具，可省下約七到八成訂閱成本。有興趣的團隊可以先以免費方案試用，或來電了解導入方式。
管理王
AI.com.tw
0800-003-191
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
行為改變技術的評估與效果測量 行為改變技術 大葉大學國企系
一、章節導言
行為改變技術的設計與實施完成後，評估與測量效果是確保策略有效性、可持續性與改進的重要環節。本章將介紹行為改變效果的評估方法、指標設計、數據收集技術，以及結果分析與報告撰寫，幫助學生掌握行為改變專案的完整循環。
二、行為改變評估的重要性
1. 檢驗策略有效性
o 了解行為干預是否達到預期目標。
o 判斷技術或工具的適用性與可行性。
2. 改善與調整策略
o 根據數據分析結果，調整技術組合或實施流程。
o 避免資源浪費，提高干預效率。
3. 確保可持續性
o 評估行為維持狀況，確保改變不僅短期有效。
4. 提供研究與政策依據
o 為教育、健康、環境等領域提供科學依據。
三、評估指標設計
（一）行為量化指標
• 次數與頻率：每週運動次數、每日蔬果攝取量。
• 持續性：行為維持天數、連續達標週數。
• 遵循率：達到指定目標的比例。
（二）心理與認知指標
• 態度變化：對行為的態度評估問卷（Likert 量表）。
• 自我效能感：行為自信心、能力感提升。
• 動機指標：內在與外在動機改變。
（三）環境與社會互動指標
• 社會支持量：小組互動次數、社群回應率。
• 環境使用率：設備使用次數、工具或 App 活動數據。
四、數據收集方法
1. 自我報告工具
o 行為日誌、問卷、調查表
o 優點：簡單、成本低
o 缺點：可能有記憶偏差或社會期望效應
2. 觀察與紀錄
o 現場觀察、攝影紀錄、行為監測
o 優點：客觀
o 缺點：需人工或技術成本較高
3. 數位追蹤工具
o App 記錄、穿戴裝置（步數、心率）、線上學習平台數據
o 優點：持續追蹤、精準
o 缺點：需技術支持、隱私保護問題
4. 混合方法
o 結合自我報告、觀察與數位追蹤，提高資料可靠性
五、效果測量與分析方法
（一）前後測比較
• 定義：在行為干預前後測量指標變化。
• 應用：分析干預效果大小、顯著性。
（二）對照組設計
• 定義：設置未接受干預的對照組，與實驗組比較。
• 應用：消除外部因素干擾，提升結果可信度。
（三）統計分析方法
• 描述性統計：平均數、標準差、百分比
• 推論統計：t 檢定、卡方檢定、ANOVA
• 進階方法：多元迴歸、結構方程模型，用於行為決定因素分析
（四）質性分析
• 訪談、焦點團體、觀察筆記
• 用於理解行為背後原因、障礙與文化影響
六、章末重點整理
1. 評估與測量是行為改變技術成功的關鍵環節。
2. 評估指標包括行為量化、心理認知、環境與社會互動指標。
3. 數據收集方法包括自我報告、觀察、數位追蹤及混合方法。
4. 效果測量可採前後測、對照組設計，並使用統計或質性分析方法。
5. 評估結果可用於策略改進、行為維持及政策或研究支持。
七、討論題
1. 選擇一個行為改變專案，設計三個量化指標與兩個心理認知指標，並說明選擇原因。
2. 討論自我報告工具與數位追蹤工具在行為評估中的優缺點。
3. 如何在亞洲大學生群體中，確保社會文化因素被納入評估設計？
八、案例分析
案例 4-1：大學生運動干預專案效果評估
• 背景：某亞洲大學實施八週運動干預計畫。
• 評估指標：
1. 行為量化：每週運動次數、運動持續時間
2. 心理認知：自我效能感、運動態度問卷
3. 社會互動：小組互動次數、App 打卡頻率
• 數據收集方法：
o 運動日誌、自我報告問卷、運動打卡 App
o 結合前後測與對照組設計
• 分析方法：
o t 檢定比較前後平均運動次數
o 相關分析檢驗自我效能與運動頻率關聯
• 結果：
o 平均運動次數從 1 次/週提升至 3.2 次/週
o 自我效能問卷得分提升 25%
o 社群互動活躍度與運動頻率呈正相關
• 分析重點：
o 整合量化指標與心理指標，可全面評估干預效果
o 對照組設計提升了結果可信度
o 數位工具輔助可持續追蹤與調整策略
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。
PM 如何開始學習數據分析？由淺至深的學習步驟分享
學習數據分析對產品經理（PM）來說非常有幫助，透過掌握數據分析技能 PM 可以更深入理解用戶行為、產品績效以及市場趨勢，進而支持產品策略制定、優化功能、並做出更準確的決策。下面是更詳細的學習步驟和重點：
1. 學習基礎概念
- 統計基礎：了解平均值、標準差、變異數等統計學概念，這些基礎知識有助於理解數據的分佈和趨勢。例如，標準差可以幫助 PM 判斷數據是否集中，而變異數可以用於評估不同用戶群之間的行為差異。
- 概率和分佈：學習常見的數據分佈 (如常態分佈、正態分佈) 有助於理解 A/B 測試中的數據變異。了解基本的概率知識可以幫助 PM 理解樣本數據代表性，以便在小樣本測試中做出更可靠的決策。
2. 掌握數據處理工具
- Excel 或 Google Sheets：這些表格工具是初學者最容易上手的，且功能豐富。PM 可以學會如何使用公式進行數據篩選、樞紐分析 (Pivot Table)、VLOOKUP、篩選和排序。這些技能有助於簡單的數據清理和匯總，能快速得到初步結論。
- SQL：學會 SQL 是 PM 提升數據處理能力的有效方式。SQL 可用於直接從數據庫中提取和分析數據，如 MySQL、PostgreSQL 等。推薦練習查詢語句 (SELECT)、篩選條件 (WHERE)、分組和聚合 (GROUP BY) 等基礎語法，這些技能讓 PM 能夠有效地自助式查詢數據。
- 數據庫基礎：了解數據庫結構和基本概念（如表、字段、主鍵和外鍵）有助於 PM 更好地與數據團隊合作，並理解數據架構如何支持產品的數據需求。
3. 學習數據可視化
- 可視化工具：學會使用 Tableau、Google Data Studio 等工具來創建數據圖表，這可以幫助 PM 把複雜的數據結果以圖表呈現，更直觀地向團隊和利益相關者展示關鍵數據。
- Python 視覺化：若 PM 希望進一步加強數據分析能力，可以學習 Python 基礎語法，並使用 Matplotlib 和 Seaborn 等視覺化庫來生成高度自定義的圖表。透過這些工具，可以創建用戶行為趨勢圖、產品使用頻率圖等可視化報告。
- 了解圖表選擇：學會選擇合適的圖表來呈現數據，比如用折線圖來展示趨勢，用長條圖來比較類別數據，或用散點圖來查看兩個變量的關係。這樣 PM 可以根據數據特性選擇最佳圖表，有效呈現洞見。
4. 進階分析技能
- A/B 測試：A/B 測試是一種經常用於產品決策的方法。學習如何設計和解讀 A/B 測試結果有助於 PM 在產品改動中做出更科學的選擇，例如測試新功能的影響或不同設計版本的效果。了解統計顯著性和樣本量計算是 A/B 測試中重要的概念。
- 假設檢定：掌握 t 檢定、卡方檢定等基本統計檢定，這可以幫助 PM 驗證假設，判斷某項改變是否具有顯著性影響，從而更科學地進行功能優化。
- 回歸分析：學習簡單的線性回歸分析，這能幫助 PM 找出不同變量之間的關係，例如評估用戶行為（如登入次數）對留存率的影響，這有助於預測產品某些改動對用戶的影響。
5. 練習解讀結果
- 分析數據報告：PM 可以從定期數據報告中開始練習，學會辨別和解讀指標變化、趨勢走向，並根據數據中的異常找出原因。例如，使用者活躍度異常降低可能與某次功能改版相關。
- 數據駕駛儀 Dashboard：學會設計和使用數據駕駛儀 (Dashboard) 有助於追蹤產品的關鍵指標，PM 可以根據需要定期檢查主要數據，快速掌握產品現況，並及時反應問題。
- 形成洞見並提出建議：除了查看數據變動，PM 應練習從數據中發掘潛在洞見並提出改進建議。例如，若數據顯示用戶在某些步驟的流失率較高，可以考慮簡化操作流程，提升轉化率。
數據分析師工作內容是什麼？薪水高嗎？技術能力與職涯發展指南
在大數據與AI科技浪潮下，數據分析師需求大增。數據分析師在做什麼？需具備什麼條件？職涯發展性如何？本文將深入剖析。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
什麼是數據分析師？需要哪些技能？數據分析師薪資行情如何？技能與行業別是落差關鍵數據分析師職涯發展：轉職工程師薪水加乘哪些產業需要數據分析師？數據分析師的挑戰
什麼是數據分析師？需要哪些技能？
數據分析師工作內容
數據分析師，又常被稱為資料分析師（Data Analyst），負責「將數據轉化成對企業有價值的資訊」。主要工作包括，運用工具挖掘數據價值；並透過可視化工具，將複雜數據轉化成易於理解的圖表與儀表版，幫助企業解決痛點、提升績效。
數據分析師技能與工具能力分析
基礎Python商務分析簡報提案核心網路爬蟲SQL資料視覺化R語言TableauPower BI認證GA4數據分析認證進階雲端應用VBA資料擷取職涯資料科學家資料工程師▲ 數據分析師應具備技能、工具能力、職涯指引表，點選不同技能會對應到相關課程。
1. 數據分析師基礎工具能力
數據分析師需要熟悉專業數據分析工具，以快速整理、分析數據，特別是在行銷與銷售領域。
Python語言能力：數據分析師常用的入門工具，用於數據分析、資料處理。
商務分析能力：透過Excel的函數與數據透視表功能，執行數據清理與分析。
簡報提案能力：數據分析師須具備數據報表呈現能力，搭配AI工具提升簡報能力
[course_plugin title='數據分析師入門課程推薦' keyword='數據分析師｜入門實戰' amount=1]
[course_plugin api_type='course_id' title='數據分析師學習營課程' id='a20d4275-3867-4738-9d32-ad850fb3bc1c']
數據分析師基礎工具推薦課程
線上
Python 新手村｜練就扎實基本功
5538人感興趣
了解課程＞
線上
ChatGPT x Excel | 職場必學商務數據分析術
334710人感興趣
了解課程＞
線上
AI簡報3項思考力，ChatGPT倍速提升商業競爭力！ 目標思考、換位思考、邏輯思考
9212人感興趣
了解課程＞
延伸推薦課程 👉 成為 AI 科學家｜快速闖關 Python 語法世界，程式實作不頭痛👉 Python 基礎程式設計｜開外掛勇闖 Python 異世界👉 不寫程式的大數據分析師：數據分析之王-超強excel樞紐分析👉 無痛起步-Excel VBA超入門實戰 👉 用Excel也能玩轉統計分析
2. 數據分析師核心技能
多樣化的程式語言能力以及更進階的視覺化報表工具使用，幫助數據分析師處理大量且高效的運算與工作。
R語言：適合統計分析與資料視覺化，適用於深度數據分析。
SQL：可幫助數據分析師用於資料庫查詢與數據處理，能處理大規模結構化數據。
Tableau：用於建立互動式儀表板與高階數據可視化。
Power BI：能與多種數據來源整合，適合商業報告製作。
3. 數據分析師證照
GA4（Google Analytics 4）認證：熟練GA4分析用戶行為，評估網站效能。
數據分析師核心工具推薦課程
線上
R語言/R-Studio入門─統計分析、資料探勘與機器學習的原理與實戰演練
4057人感興趣
了解課程＞
線上
快速活用 MySQL，精準設計關聯式資料庫
15855人感興趣
了解課程＞
線上
從Excel到Power BI數據視覺化
56517人感興趣
了解課程＞
線上
Tableau數據視覺化分析快速上手
10264人感興趣
了解課程＞
延伸推薦課程👉 成為 AI 科學家｜資料分析師必備視覺化技能 Power BI👉 Power BI Desktop --從基礎到資料視覺化實戰👉 Power BI 零基礎實戰 | 培養商務數據分析力👉 輕鬆上手Tableau商用智慧互動儀表板👉 Google Analytics 4 數據分析師 國際認證保證班
4. 數據分析師進階升級技能
透過可視化工具將複雜的分析結果轉化為易於理解的圖表與儀表板。
網路爬蟲工具：常用於資料量龐大、多元來源的數據，透過程式語言工具進行資料挖掘與蒐集。
VBA自動化工具：Excel的高階巨集工具技能，透過程式語言設定，可幫助數據自動化高效產出。
雲端應用進階能力：當企業規模龐大，數據分析師需處理大量且複雜的資料分析，需具備機器學習與雲端技術技能，協助資料工程師與業務部門進行更準確、高效的數據預測。
數據分析師進階能力推薦課程
線上
Python 網路爬蟲 | 數據分析的第一步就是要學會爬
6276人感興趣
了解課程＞
線上
財會工作秒殺技! 活用VBA，開啟你的自動化工作術!
39226人感興趣
了解課程＞
線上
Oracle APEX 入門實戰！
5634人感興趣
了解課程＞
延伸推薦課程👉 成為 AI 科學家｜網路爬蟲大師教你快速完成資料擷取
搭配5大特質（軟技能） ：錄取數據分析師更容易
數據思維能力：數據分析師不僅需要處理數據，更需要具備挖掘數據背後的好奇心與敏銳度，擅長從複雜的數據中找到模式和影響變因，進而提煉出有價值的洞察。
溝通與表達能力：數據分析師常需要將技術性的數據結果轉化為非技術人員能理解的洞察，並透過簡報、報告或儀表板進行清晰的表達。
解決問題能力：數據分析師的核心價值在於解決業務中的實際問題，需理解業務需求，將模糊的問題轉化為可操作的數據分析方案，並以數據為基礎提供可行的解決建議。
自學與精進技術的能力：數據分析領域的技術更新快速，掌握自學能力是持續保持競爭力的關鍵。無論是學習新的數據工具（如雲端平台、機器學習技術），還是掌握行業最新趨勢，持續進修都至關重要。
數據安全與保護隱私的能力：數據隱私和安全問題越來越受到重視，數據分析師需確保數據的合法性與安全性，避免違反相關法規（如GDPR、CCPA），並提升對敏感數據處理的規範性。
數據分析師薪資行情如何？技能與行業別是落差關鍵
數據分析師做為數據推升關鍵角色，薪資水準因地區、行業、技能和經驗的不同而有所差，以3年以下工作經驗的平均月薪來說，行情不輸半導體工程師，加上技能門檻高，升遷與轉職機會多。
1. 台灣數據分析師薪資範圍
初階（3年以下經驗）：月均薪約5.5萬。
中階（3-5年經驗）：月均薪約 6.1萬。
高階（5-10年經驗）：月均薪約7.1萬。（以上資料來源：104薪資情報）
2. 影響數據分析師薪資的因素
技能組合：具備機器學習、大數據工具（如Spark、Hadoop）或雲端技術（如AWS、Google Cloud）等加分技能的數據分析師，薪資水準更高。
行業差異：科技、金融、醫療等數據密集型行業的薪資相對更高。
數據分析師職涯發展：轉職工程師薪水加乘
數據分析師擁有寬廣的職涯發展空間，以下是數據分析師常見的職業成長路徑：
1. 資料科學家
如果說數據分析師是透過分析蒐集現有的數據提供解決方案；資料科學家更偏向透過處理大量且複雜數據庫提供預測性分析。
技能需求：更深度的專業技能，如進階的程式語言技能、機器學習技術和大數據工具。
課程推薦：AI資料科學家全方位學程班
2. 資料工程師
資料工程師工作著重在與數據資料庫相關程式設計與技術研發方面，包括數據建模的程式語言、AI及機器學習相關技術、大數據雲端架構技術層面，資料工程師都需要涉獵。
技能需求：數據技術導向的維護與開發，需要更高階的數據應用工具技術，如使用 ETL 工具、大數據框架、SQL等。
學習指南：資料工程師學習地圖
課程推薦：資料工程師養成班
3. 軟體工程師
部分企業因組織規模關係，會將資料工程師工作內容劃分進軟體工程師的職責中，與跟資料工程師相同，軟體工程師需要具備程式設計與系統設計能力。
技能需求：設計高階數據模型，帶領數據分析團隊，參與業務策略規劃。
學習指南：前端工程師學習地圖、後端工程師學習地圖
哪些產業需要數據分析師？
數據分析師的需求已滲透至各行各業，其中以下幾個產業需求最為旺盛：
1. 科技與軟體業（AI數據分析師）
分析用戶行為，提升產品體驗；開發推薦系統等。
2. 電商與零售業（商業數據分析師）
優化促銷活動，分析購物行為，提升轉化率。
3. 金融與保險業（金融數據分析師）
信用評分模型、風險預測，優化投資策略。
4. 醫療健康產業（醫療數據分析師）
個性化治療方案，疾病趨勢預測。
5. 半導體製造業（數據分析師）
製程數據分析，設備異常檢測。
6. 行銷與廣告業（行銷數據分析師）
廣告效果分析，用戶分群，A/B測試。
數據分析師的挑戰
首先，技術的快速發展給數據分析師帶來了學習壓力。隨著人工智慧、大數據處理工具和雲端技術的日新月異，數據分析師必須不斷更新自己的技能，掌握最新的工具與技術，如Hadoop、Spark或機器學習模型。這種技術上的「追趕」需要投入大量時間和精力，特別是在同時承擔日常工作的情況下，如何平衡學習與工作的時間分配，成為許多分析師面臨的困境。
在業務層面，數據分析師常常需要與非技術背景的同事或主管合作，這也成為一項重要的挑戰。數據分析結果通常具有高度的技術性，如何將這些複雜的分析內容用簡單、直觀的方式呈現，並與業務需求對接，是數據分析師的重要責任。當分析結論無法與業務目標完全契合時，還需要通過溝通和協調來尋求共同解決方案，這對分析師的溝通能力提出了很高的要求。
[course_plugin api_type='course_id' title='數據分析師學習營課程' id='a20d4275-3867-4738-9d32-ad850fb3bc1c']
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
如何成為後端工程師？精準掌握必備核心技能＆職涯精進攻略
轉職前端工程師│工作內容、技能、薪水與職涯發展指南
想當資料工程師？工作內容、核心技能、薪水、職涯發展完整解析
[joblist_plugin title='更多104【數據分析師】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=1&jobsource=joblist_search&indcat=1001001000,1001000000&ro=1&keyword=%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90%E5%B8%AB' amount='3']
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
BA／SA／產品經理職涯升級：把需求分析經驗，變成履歷上看得見的商業分析力
如果你是 BA、SA、產品經理、PO，或正在參與系統導入、產品規劃、需求訪談相關工作，你可能早就在做商業分析。
只是很多時候，這些能力被包在日常工作裡，看起來像是：
🔸訪談使用者需求
🔸整理規格文件
🔸確認功能範圍
🔸協調業務、工程、設計與主管期待
🔸評估方案可行性
🔸排定需求優先順序
🔸處理需求變更與利害關係人溝通
這些工作看似瑣碎，其實背後都在回答一個核心問題：
這個需求，真的值得做嗎？
如果要做，怎麼做才會對組織、客戶與團隊產生價值？
這就是商業分析的價值。
很多 BA／SA／產品經理不是沒有專業，而是專業太常散落在一個個專案、一場場會議、一份份規格文件裡。
做了很多年，卻不一定能清楚整理成履歷上的能力、主管看得懂的價值，或跨部門可以信任的專業方法。
這也是為什麼，PMI-PBA® 很適合已經有需求分析、系統分析、產品規劃或專案協作經驗的人。
PMI-PBA® 的價值，不只是多一張國際證照，而是協助你把過去累積的需求經驗，整理成一套更完整、更系統化，也更容易被職場理解的商業分析能力。
對 BA 來說，PBA 可以幫助你把需求訪談、需求分析、利害關係人溝通與價值判斷整理得更有架構。
對 SA 來說，PBA 可以幫助你從系統規格與技術邏輯，再往前補上問題定義、需求釐清與方案評估能力。
對產品經理／PO 來說，PBA 可以幫助你更扎實地理解使用者需求、定義產品價值、評估優先順序，讓產品決策更有依據。
你做的不是單純寫需求文件，也不是只把大家說的話整理起來。
你真正做的是協助團隊釐清問題、看見價值、做出更好的決策。
為什麼 BA／SA／產品經理值得學 PMI-PBA®？
✅ 把需求分析經驗整理成國際認可的專業能力
✅ 強化問題定義、需求釐清與價值判斷能力
✅ 提升利害關係人溝通與跨部門協作能力
✅ 讓履歷上的專案經驗更有架構、更有說服力
✅ 從「把需求寫清楚」進一步走向「幫團隊做對決策」
如果你希望自己的專業不只是「做很多年」，而是能被更清楚地看見、理解與信任，PMI-PBA® 會是很值得規劃的下一步。
長宏 PMI-PBA® 第44屆視訊班
📅 課程日期：2026/09/05－2026/10/03，每週六
💻 上課方式：Zoom 線上直播＋錄影回放
🎯 適合對象：BA、SA、產品經理、PO、系統導入、需求分析、專案協作相關職能
📌 適合正在累積需求分析經驗，並希望把能力系統化、國際化的職場工作者
早一點開始整理自己的專業，未來在專案、轉職、升遷與跨部門協作中，就能早一點派上用場。
👉 歡迎預約報名：
https://www.pm-abc.com.tw/Member/Registration_PBA
報告有重點、有數據、有結論，為何主管就是不買單？3個誤區可能忽略了
明明資料齊全、說明完整，報告卻總是無法說服人？問題往往出在解讀方式。作者曾任貝恩顧問公司策略顧問，解析報告最常見的3個誤區：只從自身立場解讀、見樹不見林、以及硬套理論脫離現實，並整理出克服問題的3種能力，幫助從大量訊息中找出核心重點。本文節錄自《薪水翻倍的報告撰寫法》。
文／金玲瓏
本文目錄（點擊可快速前往）
報告的常見3大誤區陷阱1：侷限觀點的解讀陷阱2：見樹不見林陷阱3：脫離現實框架用錯，不如不要用避開失真陷阱，需要的3種能力
報告的常見3大誤區
到目前為止，我們已探討報告的3個要素。邏輯思維、「所以重點是什麼」與「為什麼會得出這個結論」，都是強化結構的有力工具。接下來，就讓我們一起看看，該如何巧妙運用這些工具吧。
有時，即使報告已包含所有必要要素，內容仍可能偏離主題。儘管清楚說明了該做什麼、為什麼這麼做，也加入各種數據，羅列得非常清晰，最後得出的結論卻難以引起共鳴，也缺乏說服力。這時，必須重新檢查以下3點：
侷限觀點的解讀。
見樹不見林。
脫離現實。
只要能避開以上3個陷阱，就能保證報告不會偏離主題。現在就來一同檢視這3個問題，以及該如何避開它們。
陷阱1：侷限觀點的解讀
第一個陷阱是：侷限觀點的解讀。舉例來說，A項目是公司的新事業，公司正在評估是否應持續投入資金於該事業，以及目前的經營成績。此時，負責人拿著整理好的報告說：「近期銷售增加50％，顯示已逐漸培養出忠實顧客，應該繼續經營這項事業。」
這段陳述乍聽之下相當合理，看似符合報告該有的邏輯結構。「所以重點是什麼」（繼續經營這項事業）與「為什麼會得出這個結論」（近期銷售增加50％，顯示已逐漸培養出忠實顧客）兩者均無遺漏。但這樣就能確保負責人說的正確無誤？
據了解，A項目多年來持續占用公司超過一成的資金，但銷售占比卻始終不足公司整體的1％。此外，在市場中的競爭力也不明確，最近銷售之所以成長，只是受到大型促銷活動帶動。這項事業投入的成本很多，獲利卻趨近於無，某種程度上甚至可以視為虧損。即使擁有部分忠實顧客，人數也相當有限，而且長期以來幾乎沒有新顧客。
在這樣的情況下，負責人卻表示：「A項目最近銷售表現不錯，所以應該繼續經營。」這樣的判斷，真的正確嗎？
當然，A項目負責人的發言並非毫無根據。銷售成長與擁有忠實顧客，的確是不爭的事實。只是，若從公司整體角度來看，A項目更像是花了很多錢，卻沒什麼水花的「雞肋事業」。而從負責人的立場來看，由於這是自己長期投入心力的事業，自然會希望保住它，同時也能避免因經營成果不佳而遭到批評。
越是在這樣的情況下，越需要以客觀角度看待問題。站在公司的立場，比起費心包裝A項目的業績，更希望負責人能主動指出問題，並提供替代方案。例如停止該項目，將相關資源重新投入其他核心業務，或嘗試轉向更具成長潛力的新項目。
即便是具邏輯依據的發言，也不代表一定是正確的訊息。同樣一個現象，也會因觀察角度、評斷標準與解讀方式不同，而產生截然不同的結論。隨著邏輯結構的差異，最終呈現出的訊息，可能偏向個人立場，也可能真正符合整體利益。
陷阱2：見樹不見林
偏離主題的第二個原因就是見樹不見林。有一天，負責線上服務的主管發現一項異常數據──使用B服務的人數突然下降20％，他立刻慌張的向上回報：「B服務的使用人數下滑20％，必須立刻改善該服務。」
這項提案中，「所以重點是什麼」（立即改善B服務）與「為什麼會得出這個結論」（B服務的使用人數下滑20％）看似都交代清楚了。但問題是，只要改善B服務就夠了嗎？
在急著下結論之前，不妨先檢視整體狀況。仔細查閱後會發現，不只是B服務，連帶C服務與D服務的使用人數，也都下降20％。
換句話說，最近使用整體服務的人數下降20％，因此各項服務的使用人數也因此受到影響。既然如此，難道能說問題出在B服務嗎？眼下最該做的，真的是改善B功能嗎？
在改善B服務之前，應該先釐清為何整體使用人數銳減，並確認是否能採取措施，挽回這些使用者。
工作中很常出現類似情況──忽略整體脈絡，僅憑一、兩項數據就急著判斷並下結論。即使是再聰明的人，也可能掉入這種陷阱。因此，為了避免這種錯誤，應該在解讀問題與分析情況時，不斷反問自己：「我是否忽略了整體？」、「是否有遺漏的地方？」
除此之外，我們再來看看行銷組長C的案例。某天，C突然發現這個月訪客人數暴跌了30％。驚慌之下，他立刻提出以下提案：「這個月的訪客人數暴跌了30％，必須盡快增加行銷預算。」
這個提案看起來也十分合理。增加行銷預算，的確可能帶動使用者成長。「所以重點是什麼」（立即增加行銷預算）與「為什麼會得出這個結論」（訪客人數暴跌30％），這兩個部分，也都交代清楚。
倘若此時擴大範圍檢視數據，又會發現什麼？真正該做的應該是在急著追加行銷預算前，先回頭檢視過去兩年的整體趨勢，而非只盯著最近這兩個月的數據。只要仔細查看就能發現，這個公司因為事業屬性的關係，某些季節使用者會增加，反之則會下降。由此可知，現在的數據變化，只是反映了季節波動。
由於季節因素影響，這項服務的當月訪客人數，原本就會比上個月減少約30％。若不與前一個月相比，而改與去年同期比較，會發現人數其實上升20％。既然如此，「訪客人數比上個月暴跌30％」，算是嚴重問題嗎？
雖說對企業而言，若能每月持續成長是再好不過，但像這樣季節性明顯的事業，在判斷數據時，更需要以宏觀的角度來看待。
觀察某種現象並從中獲取訊息時，必須兼顧整體與局部，以及長期趨勢與短期變化。若只關注局部現象或短期數據，可能會忽略更重要的細節，甚至導致判斷失真。
陷阱3：脫離現實
最後一個陷阱，則是脫離現實。以下是一個與多家企業合作的案例，這些合作公司原本各自經營自家工廠。然而，總部企劃負責人D卻認為：「各自運營不僅無法發揮規模經濟，也缺乏效率。」因此，他強烈主張，即使要耗費巨額資金，也應整合成一座大型綜合工廠，並表示：「蓋了大工廠後，合作公司的訂單就能統一透過總部管理，合作方也能因規模經濟獲得更大利益。」
在D看來，只要將工廠合而為一，不但能發揮規模經濟、降低成本並提高效率，也能省去經營工廠的繁瑣雜事，這份提案看起來的確不錯。關於「所以重點是什麼」（蓋一座大型綜合工廠）與「為什麼會得出這個結論」（透過規模經濟讓雙方獲利）的邏輯結構，也相當完整。
不過，這項計畫勢必要投入大額投資，總讓人覺得哪裡不太對勁。因此，團隊決定深入檢視，而後在過程中發現幾個關鍵問題。在確認合作工廠的生產流程後，發現這些製程都難以自動化。也就是說，合作工廠的產量與投入的人力成正比，並不是蓋一座大型綜合工廠就能解決的事。
另一個問題是，合作方各自負責生產的內容本就不同。只有在製程相近的情況下，才能產生協同效應，但由於產品與生產流程皆不相同，即使強行合併，也無法形成更快速、更有效率的運作模式。
此外，光是讓合作方關閉目前營運中的工廠，並將既有設備與貨物轉移至綜合工廠，就需要付出龐大成本，這本身便是一大阻礙。更何況，每個合作方早已經在工廠用地、設備等方面投入大量資金，也為了維持運營招聘不少職員，因此要讓工廠停運並不容易。
透過規模經濟改善效率、提高利潤率，是管理學常見的策略之一。但現實往往比教科書更複雜，有時甚至會與理論完全相反。不論接觸任何書籍或理論，都要時刻警惕過度套用，或認為它能適用於任何情況。若對現實缺乏足夠理解，只是一味強調理論和技巧，那麼提出的訊息表面看似合理，實際上卻可能早已偏離重點。
框架用錯，不如不要用
套用特定框架也是如此。隨着管理學發展和顧問產業興起，各種思維框架接連誕生。從大家熟悉的「SWOT分析」、「○○矩陣」，到「○○飛輪」等，在經營學書籍、教科書，以及各種部落格都隨處可見。然而，如果對現況缺乏正確理解，就貿然套用這些模板，有時可能會產生「不如不要用」的念頭。
目前許多廣為人知的框架，大多出自顧問公司。即使是曾開發過優秀框架的經營顧問，在實際工作時，也不會只依賴單一框架就想推動所有專案。因為每個產業、每家公司面臨的問題和情況都截然不同，無法用同一套模板帶入所有案例。
正因如此，比起使用既有框架，能否根據專案當下的情況，重新建立思考框架才是更理想的做法。
不同情況適用的框架各不相同，與其了解各種框架、鑽研特定框架，擁有能針對情境處理的能力更重要。所以，簡報不該只停留在形式，應以能真正影響業務和成果的訊息為主。
避開失真陷阱，需要的3種能力
到目前為止，相信你已經了解即使具備完整的邏輯結構，訊息仍可能失真的3種典型情況，分別是「侷限觀點的解讀」、「見樹不見林」及「脫離現實」。想避免落入這些陷阱，就必須具備以下能力：
客觀解讀：比起從主觀角度解釋現象，更應站在客觀立場提出合理觀點。
綜觀全盤的思考能力：從整體與長期角度得出合理結果，而非沉溺於細枝末節和短期目標。
現實感：跳脫表面包裝或固有理論，聚焦本質、傳遞具有實際意義的訊息。
前面提到的邏輯思維，以及能展現思考能力的「所以重點是什麼」與「為什麼會得出這個結論」，再加上「客觀解讀」、「綜觀全盤的思考能力」及「現實感」，等於已經具備從大量訊息中找出核心重點的能力。
節錄自：大是文化《薪水翻倍的報告撰寫法：我在全球三大顧問之一，貝恩策略公司學到的祕訣。》／金玲瓏 著
有任何收穫或想分享的，都來和大家一起聊聊吧！