資深經理人教你超強Excel數據力
104學習
資料key-in
指將各種文件或資訊準確且快速地輸入電腦系統或資料庫，確保資料完整無誤。這項技能在行政、會計、客服等職務中非常重要，因為正確的資料輸入是後續作業順利進行的基礎。具備良好的打字速度與注意細節能力，能提升工作效率並減少錯誤率，對職場表現有直接助益。
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
【進階函數】Excel高效秘訣！上班族不可不知的進階函數
不寫程式的大數據分析師：數據分析之王-超強excel樞紐分析
【資料整理術】Excel資料整理分析入門
卓越績效管理與提升
【績效管理-入門】企業績效目標設定及評估
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快速完成專業簡報
Excel職場必學統計分析
精選證照
考取專業證照，讓能力被市場看見
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)
SSE Data Power Today國際認證
統計是目前處理不確定性最成熟的一門科學，俱備良好的統計知識，透過統計方法的整理與分析就能有效快速地將資料轉成一種數據資訊，進而提升決策品質與商業價值。具備基本的統計分析能力，有助於爾後適切的使用各種的高等統計方法，提升對於未來的決策分析與品質，也有助於職場上之所需。
Silicon Stone Education (SSE)
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
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
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
精選貼文，掌握第一手知識
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
「HR人資數據分析」從步驟、使用工具到10種分析面向一次懂
文：先行智庫
原文標題：什麼是HR人資數據分析？要分析什麼？從步驟、使用工具到10種數據分析面向，本文一次告訴你！
隨著數據分析技術的成熟，以及入門門檻逐漸降低，各行各業逐漸在思考如何應用數據分析，為工作帶來全新的價值，或者是提高決策品質，甚至是創造新商業機會。身為人資夥伴，我們也可以思考手上擁有的數據，例如：出缺勤數據、績效考核數據、調薪紀錄、職務異動紀錄、員工投入度、訓練課程滿意度調查、加班紀錄等，可以如何分析？該設立哪些管理指標？能用何種圖表呈現？怎麼打造員工數據戰情室？要做到什麼樣的程度才可以？使用什麼樣的工具比較合適？在今天這篇文章，我都會幫大家詳細解答。
目錄
HR人資數據分析簡介1.1 人力資源近年發展趨勢1.2 HR人資數據分析是什麼？1.3 為什麼要做HR人資數據分析？
如何做HR人資數據分析？2.1 HR人資數據能分析什麼？2.2 有哪些數據可以做HR人資數據分析？2.3 該使用何種工具比較好？Excel還是Power BI？2.4 做HR人資數據分析的6個步驟
HR人資數據分析關鍵議題3.1 招募數據分析3.2 訓練數據分析3.3 員額數據分析3.4 離職數據分析3.5 績效數據分析3.6 證照數據分析3.7 差勤數據分析3.8 薪酬數據分析3.9 人格數據分析3.10 接班人數據分析
落實人資數據分析4.1 Power BI人資戰情儀表版4.2 實踐人資數據分析可能遭遇的難題
1. HR人資數據分析簡介
1.1 人力資源近年發展趨勢
近期人力資源發展趨勢，可以概分為三個階段。
第一階段，人資主要處理勞檢、出缺勤統計、勞健保與團保、調薪與晉升公告等庶務型工作。第二階段，人資開始成為企業的策略合作夥伴，例如：規劃具備競爭力的薪資福利、根據業務發展方向擬定訓練架構、制定能鼓勵員工的績效考核辦法、優化整體招募流程以提升企業形象。第三階段，人資走向數據驅動，例如：量化個渠道的招募招募成本、量化每個部門的缺口狀況與人力結構、從課後滿意度評分問卷找出辦課重點、善用人格測評分析結果將人才擺在適當位置。
這三個階段並不是互相取代 ，而是同時並進的。換句話說，HR不僅僅要具備運營能力，在大數據時代，也必須要有數據驅動決策的技能。人力資源在過往會被認為是以人為本的行政相關工作，但在科技進步的趨勢下，也開始要涉及數字化管理。
手把手帶你掌握E化 x 數據 x AI【數位人資管理師】 >>
1.2 HR人資數據分析是什麼？
HR人資數據分析，就是運用數位工具，將與人力資源相關的數據進行分析，從中獲取洞察的過程。在這段過程，不論你是使用何種工具，如：Excel、Power BI、Tableau等都是可以的。當然也不限最終的呈現形式，如：PPT、Word、Excel、儀表板。只要HR的工作中有涉及到數字，這段過程廣義來說，就能算是HR人資數據分析了。
其實這並不是一件非常遙遠或很困難的事情，因為HR平常在做的報表或報告，基本上都會做到與數字相關的統計和分析，例如：培訓的滿意度、加班時數、敬業度調查、招募人數統計、職務異動統計等。只是在於這些統計和分析的結果，是否對於決策有正向助益。
1.3 為什麼要做HR人資數據分析？
做HR人資數據分析，最主要的目的是「做出更好的決策」，讓下決策不再憑經驗或憑感覺。例如：要去哪裡找到合適的人才？招募預算應該要如何更有效配置？招募團隊與招募工作應如何調整？我們可以透過分析「履歷收件的有效性」，做為決策的參考依據。
透過HR人資數據分析，能讓我們知道要前往的方向，與評估所需投入的資源與時間，避免將本就有限的資源，投入到代價高且多餘的項目，讓我們將精力更集中在能提升效率的工作。還能夠提高論點的說服力，也能更有底氣的協調跨部門支援。更重要的是，我們可以用數字，來衡量HR的績效表現，讓老闆可以更清楚的知道HR貢獻的價值。
2. 如何做HR人資數據分析？
2.1 HR人資數據能分析什麼？
我們可以從人資工作的流程，選、用、育、晉、留，這幾個面向先思考想解決的問題有哪些？想要知道的訊息有什麼？接著再進一步思考，要解決這些問題，需要分析哪些數據？或者是用什麼樣的數據做佐證。
例如：在招募的部份，我們就會想知道哪個招募管道效益最好？招聘預算該如何配置？在訓練的部份，老闆就會想知道辦訓練課程是否值得？如果值得，又該辦哪些的訓練對於實現業務增長是有正向助益？
2.2 有哪些數據可以做HR人資數據分析？
我們可以將數據先分成2大類，一類是HR相關的數據，另一類是非HR相關的數據。
HRIS系統、PMS系統、LMS系統、招募管理系統、證照管理系統等能倒出來的數據，都屬於HR相關的數據，例如：員工基本資料、加班時數統計、面試邀約紀錄、薪資實發清冊、獎金名冊、職務異動、晉升紀錄、敬業度調查、教育訓練滿意度調查、證照到期統計、績效分數明細表等。非HR相關的數據，像是財務數據、進出貨數據、庫存數據、不良品統計數據等。我們可以將HR數據與非HR數據做結合，這樣就能更清楚後端人力資源與前端工作的關聯性。
2.3 該使用何種工具比較好？Excel還是Power BI？
不論用什麼樣的工具，都可以用來做數據分析，沒有哪一種最好，只有哪一種最適合你，這兩種工具的使用情境是不太一樣的。如果你只是要做出一兩張圖表，而且還要將圖表貼到簡報上，Excel會比Power BI來的更容易操作。但如果你製圖的頻率很高，需要一次展示多張圖表，希望將多樣的人力資源數據都整合在一起，那Power BI會是比較適合的。簡言之，如果只是單點式的做分析，Excel就足以，如果需要做全面的整合，Power BI會是更好的選擇。
2.4 做HR人資數據分析的6個步驟
做人資數據分析有6個步驟，千萬別一下子掉入工具的選擇，我們必須依照這幾個步驟，一步一步踏穩，才能讓數據發揮它的價值。這6個步驟分別是：問題思考、資料彙整、資料清理、資料視覺化、數據洞察探索、展示報告與共享。
3. HR人資數據分析關鍵議題
你可以設計一套完整的、有系統的HR人資數據分析框架。你也可以針對招募、訓練、員額、離職、績效、證照、差勤、薪酬、人格、接班人等議題，單獨做數據分析。接下來我會針對常見的這幾個議題，做詳細介紹。
3.1 招募數據分析
大招募時代來臨，許多企業都面臨缺工與招募不到人才的問題。在招募工作中，你可以分析：要去哪裡找人？怎麼縮短人才招募時間？如何用最少成本，招募到最好的人？
要回答上述問題，我們可以從許多招募指標和數據中，找到合適的線索。還可以將這些指標建立成招募戰情儀表板，把所有的指標圖表攤在同一張儀表板上，用更宏觀的視野來看公司的招募狀況。透過客觀的數據分析，將能夠給我們足夠的決策參考情報。但如果你要做招募數據分析，就需要有招募相關的數據才行，例如：開缺報表、面試紀錄表、Offer Delivery的紀錄表。
有了情報之後，我們也可以從每一個招募工作環節，仔細檢視還能如何改善，藉由優化招募流程，解決招募工作面臨的問題，或者是採取一些創新的作法。
3.2 訓練數據分析
科技進步速度飛快，加上近期景氣低迷的因素，許多企業都意識到投資員工教育訓練的重要性。在教育訓練工作中，你可以分析：要辦什麼樣的訓練才能夠對應到公司業務發展所需？要花多少錢在教育訓練才合理？舉辦的教育訓練有沒有效？
教育訓練是一個相對比較難用數據衡量的議題，通常都只會想到分析課後回饋問卷。但如果心有餘力，也可以去蒐集前端部門有的數據，例如業務部門就有業績數據、生產線就會有不良品或停機相關的數據。接著就能夠將後端的HR數據，與前端的數據串聯做分析，以了解訓練課程的投資，對於工作成效是否有直接的助益。
3.3 員額數據分析
隨著組織不斷擴大，如何用有限的人力配置，發揮最大的價值，是做員額數據分析最重要的目的。在員額headcount的部份，你可以分析：公司員工人數和營業收入是否成正比？人力的組成結構是否健康？面對組織未來的策略發展，公司的人力配置要做哪些調整？預算數與實際員額數是否有明顯的差距？
3.4 離職數據分析
員工離職，我們除了做離職面談，其實還可以做數據分析。你可以分析：關鍵人才人才離職率、員工離職的原因統計、員工離職所產生的成本、造成員工離職的主要因素。而這些分析結果，你也可以用一些比較特殊的圖表，更精準傳遞你想訴說的訊息。
3.5 績效數據分析
人資部每年都會收到各部門主管針對部門員工做績效考核分數的數據，如果這些數據只是用來記錄就有點可惜了，我們可以將這些數字更進一步做分析，用來激發員工潛能、找出潛力人才。你可以分析：每位員工歷年來的績效趨勢、連續若干年績效表顯都很亮眼的員工、與員工績效有正相關的因素是什麼、績效與調薪之間的關係。
3.6 證照數據分析
各行業因為法規或業務發展的關係，需要考取證照。如金融業就會有壽險、證券、期貨等證照；科技製造業就會有化學品、堆高機、急救人員、工安、衛生管理等。資訊業可能就會有各原廠的認證考試。在證照的部份，你可以分析：即將到期的證照張數、證照張數的服務能量是否能滿足業務需求、每人已過期或到期的證照張數。
3.7 差勤數據分析
同仁的請假與加班狀況，會影響到員工的身心健康與工作成效。請假與加班的數據，一般都是用來通知當事人，或者是當事人的主管。但除了通知用途外，這些數據你還可以用來分析：各部門平均加班時數、哪些部門或哪些員工有異常加班的狀況、加班費的支出是否可以再降低、有哪些員工年底到了但特休使用率還未達80%。
3.8 薪酬數據分析
近期科技業大裁員的消息，讓我們意識到人事費用，對於企業而言是一筆不小的開支，需要審慎的發放與運用。該如何提高人事成本的韌性？在景氣大好時能大舉徵才？在景氣不好時又能夠有效控管人事成本？做薪酬數據分析，是首要任務。在薪酬這塊，你可以分析：公司與同業的薪資水準、人均營收與人均成本、薪資結構的合理性、薪資級距、是否逐年調薪、薪資發放的公平性。
3.9 人格數據分析
如果企業有做人格測評，通常每人都會收到一份數字化報告。但如果分開單獨看一個人的測評結果，不容易了解團隊整體的樣貌，因此我們可以將每一位員工在測評中的數據彙整後，做交叉比對，藉此分析：主管與非主管的人格特質差異、離職與在職員工的人格特質差異、各部門的人格特質是否符合業務需求。從中可以了解什麼樣的人適合擔任主管？什麼樣的人離職風險更高？團隊的組成是否有需要再調整？
3.10 接班人數據分析
許多企業在現在都面臨的接班問題，但挑選接班人除了依照主觀判斷，還要拿出客觀數據，才能夠讓接班人的挑選更具有說服力。最常見的一種方式就是人才九宮格，可以藉由績效分數和潛力分數進行判斷，找出超級明星或潛力明星。（參考文章：如何運用Power BI找出企業接班人？）當然你也可以分析每一位接班人：過往執行的重大專案數、近年績效表現、年資與年齡。
4. 落實人資數據分析
4.1 Power BI人資戰情儀表板
在做HR人資數據分析時，你可能會針對許多的管理指標，繪製出視覺化的圖表。就算準備的再周全，一樣有很高的機率，會被問到你準備資料以外的問題。而且從你取得數據，經過加工，再送到報表閱讀者手中，就已經不是即時的資料了。再加上不同的閱讀者，看報表的角度也都不盡相同，如果要針對每一個閱讀者的習慣與喜好，個別製作報表，是相當耗時耗力的工作。為了讓HR數據分析能更全面涵蓋老闆會問的問題、為了讓數據能更即時的傳到老闆手中、為了讓數據能用自助式的方式讓報表閱讀者自行篩選調整格式，我們可以透過Power BI做HR人資數據分析。請參考以下範範本：
4.2 實踐人資數據分析可能遭遇的難題
要落實人資數據分析，並不是短時間就能完成的事情，可能還會遇到許多挑戰等待你克服。最可能遇到的就是數據蒐集難題，像是缺乏重要的數據，該如何布局蒐集數據的管線與流程。也可能會遇到溝通的挑戰，像是如何讓用人單位意識到，人力資源的數據報告有利於業務增長。還可能會遇到資料整合難題，例如資料散落在各方，缺乏整合管道，如何有效率的彙整。這些問題都不是短期內就能輕鬆被解決的，但唯有這些難題被克服以後，才能夠落實人資數據分析。
了解更多Power Bi 相關的學習資源 >>
學更多【Power BI】，馬上報名 >>
Power BI 資料視覺化
Power BI HR管理分析師【招募數據視覺化】
Power BI 資料清理與建模
Power BI DAX函數運用
人資必備數據Know-how都在這裡> >
用Power BI 做視覺化數據分析，企業導入時會遇到六大階段
HR數位轉型怎麼做？以數據分析為驅動
從這15個數據指標，開始建立你的招募漏斗
你的招募數據報告，老闆看不懂？ 因為你沒有「資料視覺化」
HR這樣做數據分析報告，老闆才想聽！
ChatGPT分析數據資料會出錯嗎？修正盲點教學，制定策略更高效精準
運用ChatGPT分析數據和提供策略建議，分析準確嗎？實例示範運用ChatGPT解析Excel數據，從購買行為洞察、客群分群，到制定具體銷售策略，以及最關鍵的查核與修正盲點，才能真正發揮AI的輔助價值。本文節錄自《三秒鐘的出其不意！Excel × AI 幫你工作超省力》。
文／Excel 廣播電台｜張予
本文目錄（點擊可快速前往）
【ChatGPT數據洞察1】用戶購買行為洞察【ChatGPT數據洞察2】銷售策略【ChatGPT數據洞察3】短中長期策略與行動方案【ChatGPT數據洞察4】AI分析準確嗎？如何查核與修正？
ChatGPT不僅能根據你的指令提供數據摘要，還能根據分析結果給出實用建議！舉例來說，當你看到前一篇的折線圖，你可能會好奇：「為什麼6月的銷售額表現最好？」或者想知道：「如何改善4月和9月銷售下滑的情況？」這時候，善用ChatGPT，它能幫你深入分析數據，提供洞察與策略，讓決策更加精準！
【根據數據提問】問題示範：為什麼6月的銷售額表現最好？如何改善4月和9月銷售下滑的情況？
（圖／旗標出版提供）
（圖／旗標出版提供）
用「三個臭皮匠，勝過一個諸葛亮」來形容ChatGPT給予的協助，無疑是個最佳比喻。即便是經驗豐富的資料分析師，也可能會因為盲點而忽略關鍵資訊。但ChatGPT就像是一個全方位的數據顧問，能夠從多個角度切入，提供你可能沒想到的分析觀點，甚至具體的行動建議，幫助你從資料中挖掘出隱藏的黃金資訊。如果你能提供更完整的背景資料，它的建議將會更加貼近實際需求，甚至能針對你的分析需求量身打造具體的策略。
除了根據分析結果提供見解，你還可以直接告訴ChatGPT你的目標，請它根據目標設計行動策略。舉例來說，假設你希望以今年的用戶購買行為為基礎，制定隔年的銷售策略，ChatGPT就能根據數據表現，幫助你制定具體方案。現在，就來看看ChatGPT如何發揮數據分析的實力吧！
指令：「協助分析用戶的購買行為，並制定隔年的用戶銷售策略」
由於ChatGPT的回覆較長，以下將分為三部分介紹：
【ChatGPT數據洞察1】用戶購買行為洞察
（圖／旗標出版提供）
（圖／旗標出版提供）
ChatGPT根據我提供的Excel資料表，快速整理出用戶購買行為分析結果，包含購買次數、平均消費額、地區等關鍵資訊。接著，它透過購買次數與平均消費額的關係，將用戶分群，識別出高價值客戶和忠誠客戶，並清楚定義分類標準。最後，它還深入分析北、中、南地區的消費行為差異。這一切，只需短短幾秒鐘！
想像一下，如果要手動完成這項分析……你需要先整理資料表，再用肉眼觀察購買次數與平均消費額的關係。或許可以透過數據視覺化來加速分析，但問題來了――該選擇哪種類型的圖表？講了一堆，是不是很複雜？那麼下次不妨交給ChatGPT，讓它幫你快速整理、分析，省時又高效！
【ChatGPT數據洞察2】銷售策略
（圖／旗標出版提供）
（圖／旗標出版提供）
在完成用戶行為分析後，ChatGPT進一步推導出2024年的銷售策略，針對高價值客戶、忠誠客戶、不同區域用戶，以及不同註冊時間的客群，提供個別的行動建議。這些策略不是憑空想像，而是根據Excel資料表中的實際數據，所推論出的具體建議，讓決策更有依據，提升執行效率與成功機率！
【ChatGPT數據洞察3】短中長期策略與行動方案
（圖／旗標出版提供）
最後，ChatGPT收斂並整理出2024年的短、中、長期銷售策略，確保這份分析報告能立即轉化為可執行的行動方案。如果你希望獲得更詳細的策略細節，或需要更多具體的行動建議，只需輸入指令，ChatGPT就能提供進一步分析，讓數據真正為決策帶來價值！
【ChatGPT數據洞察4】AI分析準確嗎？如何查核與修正？
你可能會好奇～AI進行數據分析的準確度如何？會不會出錯？
其實，ChatGPT並非完美，這點從聊天室下方的提示「ChatGPT可能會發生錯誤，請查核重要資訊」便可看出。
（圖／旗標出版提供）
如果對結果有疑問，你可以直接詢問ChatGPT它的推論依據。舉例來說，在分析區域消費差異時，ChatGPT提出：「台北與高雄的用戶消費較高，而台南用戶的消費額相對較低」。若你想知道它是根據哪些數據推論的，只需請它提供數據支持，結果如下：
（圖／旗標出版提供）
ChatGPT已經整理出各地區的消費表現表格，從總消費來看，台南的消費力確實較台北和高雄弱，這證明AI並非憑空猜測，而是基於數據分析得出的結論。然而，再重申一次～AI並不完美，你是否注意到「台中」的數據被忽略了？從表格來看，台中的總消費額其實是四個地區中最低，理論上應該比台南更值得關注，但ChatGPT並未主動提及這點。
總消費額為最低（圖／旗標出版提供）
當你發現這類問題時，可以直接指正，並要求ChatGPT修正。例如：請它補充台中的數據分析，確保結果更加完整。
（圖／旗標出版提供）
（圖／旗標出版提供）
ChatGPT已經根據指令進行修正！（圖／旗標出版提供）
AI工具雖然強大，但仍有其不足。最理想的方式是將AI視為協作助手，而非完全取代人的判斷。透過人機互補，不僅能提升分析的精準度，也能確保結果更加全面。掌握這樣的心態，你將能更高效地運用AI進行數據分析，讓決策更加精準。
節錄自：旗標出版《三秒鐘的出其不意！Excel × AI 幫你工作超省力》／Excel 廣播電台｜張予 著
更多【AI工作術】推薦：
ChatGPT生成Excel圖表不卡關！xy軸設定、中文顯示問題輕鬆搞定
打造ChatGPT行政小助理：專屬AI助理幫你處理瑣碎行政工作
ChatGPT可以產生流程圖嗎？用Excalidraw和ChatGPT快速搞定
Excel公式讓ChatGPT幫你寫！輸入指令就能懂的Excel公式教學
好的報告不能缺少這項「關鍵要素」！工作報告兩大類別重點解析
一份好的工作報告能幫助你精準傳遞資訊，但許多人卻經常忽略關鍵要素「數字」。為什麼報告一定要用數字？究竟如何讓你的報告更具說服力？本文節錄自《解決問題快10倍的數字工作法》，解析工作報告的兩大類型，並分享讓報告更具說服力的數字思維！
文／盧泫兌
週五10:00A工廠的意外狀況報告雖然是臨時提交，但有些部分好像還可以再完善。我覺得已經做得很好了。這是緊急報告，能準確傳達當前情況就已經很有價值了。而且能在短時間內整理出意外規模和受損情況的數據，真的很不簡單。不過還是有些遺憾。如果能補充對狀況的持續監控及後續處理進展，報告就會更加完善。
只要有職場經驗的人，應該都深刻體會過報告的重要性。一份出色的報告能滿足所有需求，但拙劣的報告卻可能製造原本不存在的問題，甚至讓主管不安到坐立難安。為什麼報告這麼難做呢？
根據字典定義，報告是「向他人告知事情的結果或狀況」。雖然這個定義看似有些抽象，但只要將報告簡化為「向主管傳遞所有與工作相關的資訊」就容易理解了。甚至像是因病無法上班，向公司請假也是一種報告。
然而，報告的定義中缺少了一個關鍵要素，那就是「How to」，也就是「如何傳遞這些資訊的方式」。如果將「How to」納入考量，重新定義報告，可以歸納出以下的結論。
報告的定義
我們所知悉的報告我們應該做的報告What事情的結果與狀況Who主管與同事When狀況報告－（即時、期限內）結果報告－成果報告How to-用數字來傳達或解釋報告
在將近20年的職場生涯中，我做過無數次報告，即使到了現在，仍然每天都要進行。而這些報告的核心始終如一，那就是「數字」。如果一份報告中缺少數字，或者對數字的解釋和邏輯不足，即便其他內容再怎麼完善，也難免會被要求重新確認後再次報告。請記住，報告的本質在於用數字清晰地呈現事情的結果或狀況，並能夠讓對方充分理解這些數字的意義。
為什麼報告一定要用數字？原因在於，每個人在工作中使用的語言和解讀方式都有所不同，也就是說，每個人會根據自身的思維框架去理解對方的話語。而在純粹依靠語言交流的報告中，溝通誤解的風險自然就會提高。
如果你已經透過工作經驗，充分了解主管和同事的溝通習慣，或許能準確捕捉他們的語言重點。但如果你在有限的時間內無法做到這一點，那麼使用明確、直觀的數字來進行報告，就成了不可或缺的方法。
以下舉例說明，假設報告中以「困難」、「很難」或「不可能」等模糊詞彙來描述，若改以數字表達，其內容將變得更具體明確，修改後的結果如下：
達成目標有一定難度。→目前距離目標還差30％
按照現在的情況，幾乎不可能達成目標。→距離目標營業額還差15億韓元。若要100％達標，接下來每個月至少需要達成5億韓元的營業額。
因為銷售狀況不如預期，很難達標。→距離目標銷售量還差2,500個
工作報告的兩大類別
依照目的不同，工作報告可以分為兩類：一類是「緊急通報」，另一類是「計畫報告」。
緊急通報：突發事件、事故或無法預測的狀況
緊急通報通常針對突發的事件、事故或不可預測的狀況，要求快速傳遞核心資訊。例如，假設某工廠發生火災，若因追求完美的報告內容，花時間整理起火原因、分析詳細數據或提出防範對策，工廠可能在這期間就已燒毀殆盡。在這種情況下，「迅速」才是通報的核心，最重要的是用最少的資訊快速回報當前狀況。然而，追求快速並不代表可以省略數據支撐。
即使是緊急通報，也需要包含一些關鍵數字，例如：是否有人員傷亡？火災規模有多大？火勢大約需要多久才能撲滅？這些可以立即掌握的數據，哪怕簡單，也應列入報告，以解答主管的疑問並協助決策。
計畫報告：公司內的日常報告
計畫報告則涵蓋了公司內大部分的日常報告類型，包括預測、分析、業績、應對方案等內容。這類報告的核心重點在於「準確」和「邏輯」。
在公司中，經常需要透過報告來分享進度或匯報成果。例如，假設收到指示要評估某項業務的可行性，或預測某產品的銷售與生產量，在收到指示時，通常也會被告知報告完成的期限。此時，比起快速完成，準確的數據和合理的邏輯才是計畫報告的關鍵。計畫報告需要提出精準的數據，並透過清晰的邏輯進行詳細解釋。
為了提升計畫報告的品質，建議回顧STEP1，檢視自己是否已經建立起良好的數字思考力，這將成為計畫報告成功的基礎。
節錄自：采實文化《解決問題快10倍的數字工作法：韓國三星經理教你4步驟用數據思考，從企劃、分析、決策到報告都事半功倍，獲得賞識和成就感》／盧泫兌 著
推薦閱讀：
你的KPI是什麼？工作也要像背九九乘法，2招牢記「關鍵指標」重要數字
寫工作報告，別只想當「好孩子」！掌握「2個要領」寫出主管想看的
亞馬遜開會為何禁用PPT？貝佐斯談「6頁報告」如何提升效率
Excel資料篩選卡關？AI教你IF、COUNTIF、自動篩選一次看懂
Excel進階篩選工具功能強大，卻也是許多上班族最容易卡關的操作。該怎麼下判斷公式？這篇實測用ChatGPT、Copilot等AI工具提示如何解決資料篩選問題、生成包括IF、COUNTIF等函數，並結合自動篩選與進階篩選技巧，就算不熟Excel公式，也能靠AI輕鬆解題！本文節錄自《超有料！職場第一高效的 Excel ✕ AI 自動化工作術》。
文／施威銘研究室
本文目錄（點擊可快速前往）
先一窺正規Excel書教的篩選解法請AI提示如何解決Excel資料篩選問題：AI生成IF函數 + 自動篩選器教學跟AI提示如何用「某某」功能完成任務：AI生成條件式公式 +進階篩選器教學請AI重新生成新的函數、公式：AI生成COUNTIF函數任何微不足道的Excel操作卡關都儘管問AI：AI 提供自動篩選器操作提示
【使用AI】AI聊天機器人 （ChatGPT、Copilot、Gemini…都可以）
ChatGPT網址：https://chatgpt.com/
Copilot網址：https://copilot.microsoft.com/
Gemini網址：https://gemini.google.com/
前一節看到，請AI直接篩選Excel資料實在太方便了，不過，若讀者怎麼操作就是試不出來（有可能您的檔案結構偏複雜）、或者對於提供商業內容給AI有顧慮、又或者ChatGPT的免費上傳額度滿了不能用…，不管任何原因，任何資料篩選需求請AI提示我們用Excel怎麼做行得通嗎？
當然！筆者也建議讀者不要完全捨棄這種解法，畢竟以AI聊天機器人來說，不是每一個都支援上傳Excel檔，而免費的ChatGPT也有上傳附件、圖檔的額度限制，萬一急用時免費額度卻用完了，一定會有請AI輔助解決的那一天，而且，用這一招學一些Excel基本技巧也不錯！
以資料篩選工作來說，Excel的自動篩選、進階篩選功能，及其搭配函數的使用是一定要稍微熟悉的，當操作上卡關時，可以隨時搬出AI來解圍。
先一窺正規Excel書教的篩選解法
延續前一節的範例，底下先快速看一下以往 Excel 書會教的進階篩選做法 (稍微有點高竿喔！沒學過不會是正常的)，做個比較才會有感覺。我們先回顧一下這個例子的需求：
想從經常變動的商品資料中，篩出各分類的最新資料，並單獨存放方便檢視
【第1步】開始做看看。首先，在E3儲存格用函數建立一個篩選條件，這是為了判斷「目前的分類名稱跟下一列名稱是否不同」，假設查出A7那一格的名稱跟A6的不同，就可知道A6那一列是該分類的最新（最後一筆）資料：
在E3用函數建立篩選條件，顯示為FALSE(假)
看一下公式，比較儲存格內容是否一樣時，用了<>「不等於」的符號。此公式表示「判斷A3跟A3的下一格是否一樣」，OFFSET(A3,1,)就表示A3往下一格走，指的是A4儲存格
E3之所以顯示FALSE，是因為A3往下一格，即A4的分類名稱跟A3是一樣的（都是冷氣機），因此會顯示FALSE。若兩儲存格的值不一樣，E3儲存格則會顯示TRUE(真)
【第2步】接著，叫出Excel的「進階篩選器」來操作，進階篩選的基本概念是設定一個條件式，然後用此條件式來篩選資料。下圖的設定就是用剛才的條件式把原始資料篩過一遍：
點選表格內的儲存格，再按下資料頁次排序與篩選區的進階鈕
開啟進階篩選交談窗後，點擊將篩選結果複製到其他地方項目
將資料範圍欄位設為儲存格A2：C14
這一步是重點，將準則範圍欄位設為儲存格E2：E3
將複製到欄位設為儲存格G2，表示將篩出來的資料放在G2
按下確定鈕
呼～完成了！各分類的最新商品都被自動篩選至表格裡
【TIP】Excel進階篩選在執行時，會將E2：E3準則範圍內的條件公式套用到資料範圍的每一列，因此在檢查完A4跟A3的名稱是否一樣後，會繼續往下檢查A5跟A4是否一樣、A6跟A5是否一樣....，依此類推。
請AI提示如何解決Excel資料篩選問題：AI生成IF函數 + 自動篩選器教學
前面的步驟確實能完成Excel篩選任務，而Excel進階篩選器的設定看起來也幾個欄位而已，但本例設計條件式絕對需要經驗，若對Excel不熟，光是「公式該怎麼下（我哪知道該用OFFSET函數！）」、「篩選窗那些設定要怎麼設…」都會卡關。
在沒有提供檔案給AI聊天機器人的情況下，這樣的例子該如何請AI幫忙呢？底下就來試試看，只要我們沒有直接丟資料給AI，它所回覆的通常就會是解法思路，而大部份情況都會教我們用函數搭配一些內建功能來解決問題：
【TIP】提醒讀者，如同第一章提到的，AI聊天機器人絕對會提供我們看似很詳盡的操作步驟，嘗試後出錯是常有的事，但做為操作的參考思路還是有幫助。
如1-5節的說明，最佳的資料提供做法就是上傳資料的截圖給AI
描述需求，務必要指明儲存格，而且我們還附了截圖，AI會錯意的機率小了許多
ChatGPT給的指示很明確，上圖圈起來那一段是要我們在 D3貼上公式，此公式可以識別目前所在的這一列是不是每個分類的最後一筆資料
接著按住填滿控點"+"，往下拉到D14儲存格
最後一筆資料都被識別出來了，目前AI教的結果都正確
接著，上圖AI聊天機器人教筆者用內建的自動篩選器把資料篩出來，這一步也沒問題
【TIP】回顧最開頭所下的提示語，筆者是希望AI把篩出來的資料「額外」統整在G2儲存格，這部分 ChatGPT就沒有回答到。這是常有的事，此時您可以繼續提要求，但以本例來說，步驟6已經把資料篩出來了，直接複製起來貼到其他地方也就完事了，不見得要繼續花時間向AI提問。
跟AI提示如何用「某某」功能完成任務：AI生成條件式公式 +進階篩選器教學
當然，若您稍微知道進階篩選器提供了「把篩選出來的資料額外存放到某儲存格」的功能（如前面的示範），也可以請AI提供這方面的做法給我們參考（再次提醒，只能做為參考，不要期望過高）：
AI這一步是要我們先建立用來篩資料的條件式（也就是前面步驟4的準則範圍）
所教的公式跟前面所用的OFFSET函數稍有不同，沒關係先試試看
先照上圖AI指示的建議，在F2儲存格建立條件式（在Excel內是稱準則範圍，AI是稱條件範圍，這樣的小出入要自己稍微變通一下）
接著就照左圖AI給的「進階篩選器」操作指引一步步做，還是需要抓Bug，例如資料範圍應該是A2:C14，這種小錯誤算是容易修正的
本例照著AI的指引操作完進階篩選器，結果「電風扇」這個分類的最後一筆資料沒被篩出來
前面一再說過，即便照著AI的指引也不見得能保證成功，若遇到像本例「電風扇」的最後一筆資料未被篩出來的問題，我們就得進行除錯，通常不外乎是函數、公式或篩選條件需要調整，是否能糾出問題會很考驗個人的Excel功力。
【TIP】結合前面所學的看起來，問題應該是出在做為準則範圍的那個條件式公式：此問題的關鍵在於兩個公式的邏輯不同，OFFSET函數提供了更靈活的參考範圍，能應對數據結尾的特殊情況，而「=A3<>A4」則單純比較當前列和下一列的值，但當到達最後一列時，下一列並不存在，就不會觸發篩選條件，導致最後一列的電風扇資料被忽略。
請AI重新生成新的函數、公式：AI生成COUNTIF函數
當然，卡關的當下我們通常不會知道可以採用什麼替代函數來做，別忘了可以再次向AI發問，讓它進一步提出修正方案：
繼續追問，直接把遇到的錯誤情況提供給AI：「照你的做法，電風扇這個分類的最後一筆資料沒被篩出來」
但一開始回的好像沒什麼改善，滿常「跳針」講一樣的內容，這是常有的事
重提需求，目標講明確一點，例如請AI改個公式看看
最後AI新給了=COUNTIF(A$3:A$15,A3)=COUNTIF(A$3:A3,A3)這段公式。AI也會幫我們解釋函數用法及公式的邏輯
照AI的給的公式，貼到F3儲存格（需自行將A3:A15改成A3:A14）
再操作進階篩選器一次，成功解決最後一列篩不出來的問題了
【TIP】AI真的很厲害，新給的公式是改用統計次數的COUNTIF函數來處理，這樣就不會有前面=A3<>A4這個條件式所遇到「最後一列沒有下一列，導致最後一列篩不出來」的問題。因此，讀者只要遇到卡關，可以請AI多試不同的公式，這個做法會比請AI在舊公式上除錯來得快。
任何微不足道的Excel操作卡關都儘管問AI：AI 提供自動篩選器操作提示
除了看起來稍微有點學問的進階篩選功能外，爾後讀者如果遇到任何Excel內建操作的問題，都可以把截圖丟給AI聊天機器人，請它給出操作提示。不用怕，任何小功能都行。
【1】例如面對一些不複雜的篩選需求時，Excel的自動篩選功能也常被使用，這是使用率最高的篩選工具：
位於資料頁次/排序與篩選區的篩選鈕是最常用的Excel篩選工具
可以直接勾選要篩選的條件，例如勾選萬華區結果如右
也可在此輸入部份的值，例如大安區做為篩選條件
這裡也提供一大堆自動篩選條件
【2】雖然自動篩選操作起來很直覺，不太需要教，但如果一時不曉得如何指定篩選條件，不妨就把「卡關的截圖」+ 「想篩出什麼資料」請AI給出提示吧：
例如想篩出「請款單編號」中含"10" (月份) 的項目，光點點按按是篩不出來的。這時就可以搬出 AI 聊天機器人來協助：
附上資料截圖
建議附上自動篩選器的截圖，這樣AI聊天機器人的回答才不會太發散
描述需求
本例AI教筆者用萬用字元符號來處理
看到左邊AI聊天機器人的提示，雖然對這個位置的指示沒到很精準，但至少AI有提供篩選的思路(若對於在哪裡輸入不清楚，可以再繼續逼問AI)
【TIP】但提醒讀者，如同第1章所提到的，「請AI教你Excel怎麼操作」比較適合對Excel有一定熟悉的人（以本例來說，至少你自己要用過自動篩選器！），因為AI聊天機器人對操作位置的指示不會100%精準，若您對某功能壓根不熟，光看AI聊天機器人的步驟操作極有可能會白花時間。
節錄自：旗標出版《超有料！職場第一高效的 Excel ✕ AI 自動化工作術：生成公式 + 函數、做自動化，用 AI 解決所有 Excel 難題！》／施威銘研究室 著
推薦閱讀：
AI寫Excel公式這樣最省時！ChatGPT、Copilot描述需求、生成函數、錯誤修正一次學會
ChatGPT整理Excel表格超快速！用AI輕鬆搞定複雜資料
【Graphy AI教學】AI自動生成圖表、數據分析4技巧！連報告都能一鍵生成的靈感救星
AI生成數據分析簡報3招搞定！ChatGPT、MassiveMark、Gamma打造最強組合技
還在為數據分析報告與簡報抓狂嗎？只要善用ChatGPT、MassiveMark、Gamma等3大神器，就能搞定數據分析＋簡報設計，從Excel到PPT一條龍完成，馬上開啟你的高效職場模式！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）
【1】ChatGPT分析Excel檔案數據【2】複製ChatGPT分析結果，生成Word報告【3】生成Gamma / PPT簡報
在現今的職場環境中，數據分析已成為決策的重要基礎。但面對龐大的資料集，如何高效整合AI技術，打造「職場組合技」，來提升分析效率與決策精準度，成為提升競爭力的關鍵。
想像一下，你是一家連鎖零售企業的數據分析師，公司希望透過數據來驅動決策，優化銷售策略、提升客戶體驗，並最大化營收。來看看如何透過AI + Excel的組合技，達成這些目標？讓我們一步步拆解應用方式！
【1】ChatGPT分析Excel檔案數據
使用工具：ChatGPT
網址：https://chatgpt.com/
輸入以下指令給ChatGPT：
「協助分析Excel檔案的數據，生成摘要和視覺化圖表，並使用我提供的字型來呈現圖表內容。然後，制定隔年的用戶銷售策略，最後整理成一份Markdown格式的銷售分析報告。」
以下為它整理的結果：
（圖／旗標出版提供）
【2】複製ChatGPT分析結果，生成Word報告
使用工具：MassiveMark
網址：https://www.bibcit.com/en/massivemark
接下來是關鍵的一步，如果你直接複製內容並貼到Word，你僅會得到一個只有「內文」樣式的報告。
全文皆為內文樣式（圖／旗標出版提供）
但如果你希望保留報告的標題層級（標題1、標題2、標題3…，如下圖）。首先，你必須透過點擊複製按鈕取得報告內容，此時複製到的文字是「Markdown格式」的資料。
【什麼是Markdown格式？】Markdown是一種輕量級標記語言（lightweight markup language），也就是簡單、結構化的格式，能讓報告結構更清晰。
使用標題樣式可於左側看到大綱（圖／旗標出版提供）
一般對話中的複製按鈕和畫布中的複製按鈕（圖／旗標出版提供）
接著，透過一個免費的線上轉換工具──MassiveMark，自動產生有大綱層級的Word文件，減少手動編輯的時間。
免費的線上轉換工具──MassiveMark（圖／旗標出版提供）
（圖／旗標出版提供）
最後，再將之前生成的圖表，下載成圖檔、添加到Word文件，一份銷售分析報告就完成啦！
【AI生成Word報告的優勢】‧ 一鍵輸出完整分析，包含數據摘要、趨勢分析、視覺化圖表‧ 提供具體的商業策略，協助決策者擬定行動方案‧ 快速下載報告，減少手動整理時間
【3】生成Gamma / PPT簡報
使用工具：Gamma
網址：https://gamma.app/
「除了Word報告外，AI也能生成簡報嗎？」只要準備好報告後，可以將報告內容直接丟給AI簡報生成神器──Gamma。不到幾秒鐘的時間，簡報就完成了，而且還非常有設計感！要再進一步編輯也沒問題。來看看如何操作吧！
點擊「新建AI」免費註冊完Gamma後，從首頁開始建立AI簡報。點擊「匯入檔案或網址」( 也可點擊「貼上文字」) ，並上傳剛剛建立的Word檔案（圖／旗標出版提供）
選擇 「簡報內容」，免費版一次最多可生成10張卡片，挑選喜歡的主題後點擊「產生」（圖／旗標出版提供）
一份銷售分析簡報就完成啦！（圖／旗標出版提供）
一起來看看生成的結果如何吧！
【Before】條列式的數據摘要
【After】自動改以卡片式呈現
（圖／旗標出版提供）
【Before】表格式的產品分析
【After】自動轉成圖表形式，而且還是互動式圖表！游標移上去可看到詳細數據
（圖／旗標出版提供）
【Before】表格式的產品分析
【After】美化過的表格樣式。也可能維持原有表格形式（AI生成，每次結果都可能不同！）
（圖／旗標出版提供）
版面配置十分豐富，還有AI自動生成的圖片，讓畫面不呆版！
（圖／旗標出版提供）
若想展示簡報，點擊右上角的「展示」按鈕即可。
點擊「展示」（圖／旗標出版提供）
進入簡報模式（圖／旗標出版提供）
Gamma簡報也能下載成PowerPoint檔案，十分方便！
點擊「分享」、「匯出」、「匯出至PowerPoint」、「完成」 （圖／旗標出版提供）
（圖／旗標出版提供）
Gamma是一款免費註冊即可使用的線上簡報工具，並且提供中文介面，讓使用者能輕鬆上手。使用AI生成簡報時會消耗點數，但新用戶註冊後可獲得免費試用點數，讓你能直接體驗AI簡報的強大功能。免費版限制每次生成最多10張簡報卡片，但仍可手動新增與編輯內容。若對AI生成的內容或設計不滿意，可自由調整版面配置、圖片、圖表等。如果你還沒試過Gamma，強烈推薦你體驗看看！這麼方便的AI簡報工具，真的不能只有我知道啊！
AI讓數據分析更高效、更精準，現在就開始應用，提升你的職場競爭力吧！
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
推薦閱讀：
Excel公式讓ChatGPT幫你寫！輸入指令就能懂的Excel公式教學
ChatGPT生成Excel圖表不卡關！xy軸設定、中文顯示問題輕鬆搞定
【Graphy AI教學】AI自動生成圖表、數據分析4技巧！連報告都能一鍵生成的靈感救星
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
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>>
搜尋檔案還是找不到…提升搜尋效率，命名至少加入「2個關鍵字」
花時間找檔案是省時的大敵！作者曾在多間外商企業擔任高層秘書，傳授檔案命名原則：以「搜尋」為前提，加入「2個關鍵字」。只需改變一個小習慣，就能讓工作效率翻倍，不再為了找資料而心累。本文節錄自《節省工時的100種方法》。
文／森田幸（森田ゆき）
花時間找東西，是省時的敵人。凡是可能讓你心想「東西跑到哪去了？」的情況，都應該事先排除，才能真正省下無謂的浪費。.
雖然清楚知道「什麼東西放在哪」是基本原則，但對於資料檔案，還有一個重點應該特別留意：命名。
如果你在資料夾裡找不到想要的檔案，或是只記得幾週前下載過，卻完全不記得自己放在哪，這時候你會怎麼做？你大概會選擇搜尋吧？而在這個時候，你必定會一邊回想檔名是什麼，一邊輸入關鍵字。
反過來說，在替檔案命名時，你必須以「搜尋」為前提來思考。具體來說，就像是以下這樣的概念。
不好的範例
「202501 銷售匯總」
「202501 A公司簡報資料」
好的範例
「202501 月度銷售匯總_ 關東分店_ 最終版」
「202501 A公司簡報資料_ 系統建置提案」
重點是，要加入2個以上的關鍵字。在搜尋時，如果只輸入1個詞彙，幾乎都會跳出多筆符合條件的資料。但只要輸入2個詞彙，一次就找到檔案的可能性將會提高。
此外，郵件的標題或內文也是同樣道理。請一邊思考「如果之後要搜尋，我會輸入哪些字？」一邊將這些關鍵字都寫進去。回覆對方寄來的郵件也一樣，只要你撰寫句子時意識到這一點，搜尋效率必然提升。
POINT：資料要以「搜尋」為前提，加入2個以上的關鍵字來命名。
節錄自：大是文化《節省工時的100種方法：我在巴克萊銀行、AIG、安聯等外商主管身邊學會，品質與速度兼顧的時短工作術，不用拚命就有高績效。》／森田幸（森田ゆき） 著
HR工具箱必備：自訂動態報表模組，幫助人資快速成為數據分析高手
你也時常遇到老闆突然叫你產出各種人事報表嗎？「早上說、下午要」的情況屢屢上演，是否常想著若能快速產出老闆要的資料就好了，不想在各式報表中切來切去、貼來貼去？其實，你一點都不孤單！104 HR Max 提供全方位的自訂報表功能，幫助 HR 從繁瑣的報表管理工作中解放。
文章導讀：
自訂報表是什麼？跟標準報表差別？人資標準報表有哪些？最常用到哪些資訊？自訂報表如何準確運用？最實用的人資儀表板整合BI系統，打造專業WorkFlow總結人資自訂報表優勢
在企業經營的過程中，資料與報表的管理總是非常關鍵，尤其對於人力資源部門而言，能夠有效地追蹤與分析員工數據，可以大大提升決策和優化組織結構的效率。104 HR Max 提供全方位的自訂報表功能，幫助 HR 從繁瑣的報表管理工作中解放，從欄位到分析邏輯，完全自行定義，打造真正屬於團隊需求的數據視角，進而提升決策的效率和品質。
自訂報表是什麼？跟標準報表差別？
104 HR Max提供內建超過150張已設定好欄位邏輯的標準制式報表，能夠滿足大部分企業的日常需求，但時常會遇到特殊情況，需要增減報表欄位，或是調整欄位顯示順序，因此104特別開發可以根據企業的特定需求，透過5大步驟 x 750+欄位，輕鬆完成專屬於您的自訂報表。
▲簡單5步驟輕鬆完成屬於您的報表。
自訂報表與標準報表有哪些不同？
比較項目標準報表自訂報表欄位格式設定固定欄位及格式，無法更改。可彈性自訂格式、欄位，提供750+跨模組功能的欄位。資料整合數據整合能力有限，需要手動整併資料。依照不同種欄位功能，整合各類數據，高度客製化。資料分析需下載後整理，才能執行分析與統計。可於系統直接設定樞紐分析報表。便利性系統提供150+標準報表可直接使用，無須設定。依照HR需求設定，前置過程花費較多時間，但可直覺調整，No Code!適合對象適合初階的報表使用者。適合需要客製化分析的HR，或有特殊報表需求的部門。
人資標準報表有哪些？最常用到哪些資訊？
104 HR Max提供150+張的標準報表，包含組織、人事、出勤、薪資、員工Portal使用相關，共5種模組。常見的員工人數、績效成果、證照數、差勤明細、薪資狀況等數據，系統都直接能下載報表，一次獲得各種項目的精準數據。而依據104人資F.B.I調查近三年人資最常利用數位工具處理的前三名依序為「員工出缺勤及請假作業」、「HR表單電子化」及「用手機打卡及處理假勤簽核」，調查也顯示2023-2024年已經有超過半數的企業已經開始運用數據分析進行人力資源管理，這些都在在展現數位化管理及數據報表資料的重要性。
▲104人資F.B.I調查近三年人資作業數位化項目使用率。
自訂報表如何準確運用？
了解了標準報表之後，現在就來告訴你自訂報表功能對人資夥伴的幫助有哪些，以下模擬各種情境能幫助您了解該如何應用人資自訂報表。
案例1：A公司老闆在4月2日當日因應美國關稅政策，想了解調節人力的可能性，請HR在1天內就要提供「2025年3月31日之前入職的員工名單，並依照入職時間、年齡進行排序」。首先，HR 只需在欄位設定中選擇部門、姓名、到職日、年齡等欄位，其後設定資料排序規則及篩選條件，即可快速生成所需報表，省去以前繁雜的手動數據整理過程。
案例2：B公司頻繁遇到員工離職，主管了解員工離職率是否與部門、工時相關，HR使用標準報表可能只能獲取到基本的離職數據，而自訂報表則可以進一步在離職資料中，加入離職員工的出勤與加班時數、年齡、學歷、任職部門等綜合資訊，並且產出樞紐分析，幫助HR與主管能快速深入分析離職原因與風險因素。
以上案例看起來簡單，但過去可能需要從不同功能下載報表後，接著在 Excel 另外整併資料，有了自訂報表功能後，可以直接從自訂報表挑選橫跨人事、出勤、薪資模組的資料欄位，進行報表產出與分析，大幅提升數據分析效率。
另外也提供一些報表設定情境供大家參考，可依照自身企業需求調整。
員工多元性ESG報（104 HR Max甚至提供一鍵生成ESG報告功能。）
員工績效與出勤時數相關報表
不同時期員工組成與薪資結構分析
政府機關資料報告
與財務相關的人事報表
104 HR Max報表功能共有5種模組x 750+欄位，無論想分析什麼，只要直接勾選相關欄位即可跑出相關數據，同時提供樞紐分析功能，讓您快速獲得精準的數據。
不只自訂報表，人資儀表板更是所有HR的最愛功能！
除了報表功能外，HR Max 還提供預設的人資儀表板，以圖表呈現關鍵的人資數據，幫助 HR 和主管快速掌握人才現況，例如：
員工性別、年齡、離職、育嬰留停等統計。
公傷病假、產假/產檢假/陪產假等統計。
主管職/非主管職的薪資結構統計。
讓HR可一目了然掌握現況，並且還能將圖表下載放進簡報中，可以直接與老闆報告說明，榮獲HR最愛的功能之一！
人資系統整合BI系統，打造專業WorkFlow
為了進一步提升人資數據的價值，HR Max 提供 OPEN API，可與企業的 BI（商業智慧）系統進行介接，打造更專業的人資洞察儀表板。 透過整合 ERP、CRM、HRM 等各種系統的資料，可以產出更具策略意義的分析結果，例如：
HR 總覽：即時掌握人力資源狀況。
團隊分析：了解團隊結構與能力，輔助任務分派。
新人管理：掌握新人留任情況，提升招募效率。
離職分析：分析離職原因，降低離職率。
出缺勤管理：掌握整體出勤狀況，提升員工效率。
以上這些功能與串接不僅是方便人資作業而已，更能展現人資的價值與決策能力。
數據說話！幫助HR提升價值與效率
自訂報表功能的推出，對企業管理好處已經提了很多，以下整理幾點優勢讓企業與人資能更加瞭解，選擇有自訂報表、儀表板、OPEN API串接的人資系統，如何真的能在人事工作上提升效率與價值。
靈活性與客製化：自訂報表允許HR根據特定需求選擇和調整報表欄位，能針對個別企業或部門的需求進行客製化設計，從而提高數據的實用性。
加速數據與深入分析：自訂報表功能大幅提高數據處理的效率，使HR可以快速生成報表，無需手動整理數據，能進行更深入的數據分析。
自動化數據更新：一旦設置報表，HR每次下載只要調整報表資料的篩選條件，隨時自動更新報表資料，確保獲取最新及準確的資訊，減少手動輸入錯誤。
數據驅動決策：自訂報表可提供所需的關鍵數據，幫助HR和管理層做出明智的決策，尤其在招募、留才及其他人力資源策略上能夠提供有力的數據支持。
即時應對突發需求：在面對突發狀況，如主管要求特定報表或即時資訊，自訂報表能確保HR能迅速回應和提供所需數據，提升人力資源部門的應變能力。
104 HR Max 的自訂報表功能不僅是工具，還是一個協助企業與人資發掘數據價值的專業夥伴，使人資的管理工作變得愈加有價值與效率。強大的報表功能，讓各個企業能夠在數據驅動的時代中，取得優勢！
立即了解104 HR Max：https://104ha.com/XA0Te
「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＞
那份檔案、Email放在哪？工作總在「找東西」，5招減少工作區
每天花多少時間找檔案、Email、待辦事項？工作區太多，容易讓資訊分散、增加尋找時間。作者分享5個工作區整理技巧，從待辦工具、標籤分類到數位化管理，減少東翻西找，提高工作效率。本文節錄自《時間不夠用？先減掉八成雜事》。
文／飯田剛弘
本文目錄（點擊可快速前往）
打造一個「工作區」「丟棄」紙張、「保留」數位檔案──建立工作區的技巧1. 找到適合自己的待辦事項管理工具2. 善用標籤、關鍵字與篩選功能3. 減少工作區的數量4. 從小範圍開始5. 不確定是否該丟棄時，「丟掉」實體物品，「保留」數位檔案
打造一個「工作區」
各位是否每天為了尋找物品或資料而花費許多時間呢？像是「那封電子郵件到哪裡去了呢？」、「那張備忘錄跑去哪了？」、「那個檔案存在哪裡啊？」、「那份文件擺去哪了？」之類的情況。其實，花在尋找上的時間，比我們想像中奪走更多寶貴的時光。
因為這些動作往往在不知不覺中進行，所以不容易發現。可能在一天之內就發生好幾次在找東西的情況。
或許這樣說會有點太過直接，但這些「尋找」的時間，幾乎不會產生任何價值。
更麻煩的是，愈是在忙碌的時候，愈容易發生不清楚所需的資料或訊息在哪裡，結果反而花更多時間到處尋找。
要減少這些時間浪費的方式，就是打造一個「工作區」。
所謂的「工作區」，指的是儲存與管理必須處理的事項和工作，以及相關資訊與資料的地方。像待辦事項清單、筆記本、電子郵件、聊天訊息、桌面上，或是抽屜、書架、包包等等，都可以成為「工作區」。重點是在平日就要養成習慣，除了「工作區」之外，不要隨意擺放。
不過，如果「工作區」過多，反而會使工作無法順利進行。以下是一些常見的情況：
找不到需要的工具，花了很多時間尋找，甚至最後不得不再去購買。
找不到他人之前曾經告知的資訊，導致工作無法繼續。
瀏覽過覺得有參考價值的網站，沒有加入書籤，結果再次搜尋時，耗費許多時間與心力。
記錄過和他人約定時間的筆記，不知道擺去哪裡，令人十分困擾。
事先調查的資訊筆記不小心弄丟，只能靠自己模糊的記憶回想。
找不到付款所需的文件或帳號資訊。
忘記購買必要的物品，卻買了其他多餘的東西。
直到要出門前，才慌張地到處翻找需要的票券或文件。
雖然有事先預約，卻找不到預約號碼或確認的郵件，而感到非常焦急。
當我們覺得自己不擅長安排時程時，上述這些情況往往更常出現。要讓事物順利進行， 最好是盡量把「工作區」集中在一個地方。若是把需要的東西或資訊放在不同地方，自己也會搞不清楚究竟放在哪裡，最後只會徒增尋找的時間。
因此，若要快速且輕鬆地找到所需資訊，最理想的做法是將所有待辦事物集中在同一個地方。
即使要將所有待辦事項完全集中在一個地方並不容易，但只要能盡量減少「工作區」的數量，就能縮短尋找的時間，讓工作更順利進行。
重新檢視自己有多少個工作區？
首先，請先參考下頁的表格，也就是數一數自己目前有多少個「工作區」。
數位資料的存放地點
工作區數量電子郵件（收件匣、寄件匣、草稿等）待辦事項清單（電子郵件、筆記本、Word檔等）雲端儲存區（Google 硬碟、OneDrive 等）電腦（桌面、各檔案夾）或 3C 設備（手機、平板）通訊軟體（Slack、Teams、LINE 等）其他應用程式和軟體
非數位、實體的存放地點
工作區數量筆記本或備忘錄行程表或月曆便條紙或便利貼檔案夾或文件夾各種盒子或箱子層架或書桌周圍床上包包或錢包裡白板自己的大腦其他人（同事或秘書等）家中衣服或褲子口袋
數出來的結果有幾個呢？我自己在舉辦研討會或培訓課程時，總會請學員統計自己的工作區數量，結果因每個人的工作內容與職務類型不同而有很大差異。
例如，擔任出納會計、總務等行政職的人，有時可能多達數十個工作區。而管理階層或外勤的業務人員，也有人少於十個工作區。
關鍵在於，先掌握自己目前的工作區數量，接著思考如何縮減那些花在「東翻西找」上的時間浪費。
「丟棄」紙張、「保留」數位檔案──建立工作區的技巧
以下介紹幾個在安排工作區時的重點：
1. 找到適合自己的待辦事項管理工具
市面上的待辦事項管理工具琳瑯滿目，有的只提供簡單的製作備忘錄與清單功能，有的 則是可管理完整專案的專業系統。選擇時要符合自己的需求與個性，這點至關重要。
若一開始就挑選過於複雜、使用不易的最新款高階工具，反而容易半途而廢。當自己想 要嘗試新工具時，建議優先選擇操作簡單、能與電腦和手機同步的雲端服務為佳。
2. 善用標籤、關鍵字與篩選功能
為了能快速找到待辦事項與相關資訊，可以用資料夾、透明文件夾或標籤，依照一定規則進行分類。不過更建議在整理時，能以數位化為前提，運用容易聯想的關鍵字、標籤、標記或篩選等功能，確保資訊能快速搜尋，管理也會更加輕鬆。
3. 減少工作區的數量
要降低「漫無目的尋找」所浪費的時間，最關鍵的做法就是把工作時需要的東西全部集 中在同一個地方。前面的內容也有提到，盡量減少工作區的數量非常重要。雖然實際數量會因工作環境和職務不同而有所差異，但原則上最好控制在個位數以內，以避免混亂。
4. 從小範圍開始
如果要處理的事情太多，要整理所有事物往往非常耗時費力。建議先從當下最需要處 理、最重要的部分開始整理，再慢慢拓展到其他部分。在熟悉工作區使用環境的同時，也能專注在盡量減少「時間浪費」和「找東西」上。
5. 不確定是否該丟棄時，「丟掉」實體物品，「保留」數位檔案
在試著減少工作區的數量時，常會出現不知道該不該留下的文件或資料。這時，我個人建議可以依照資料的類型處理。基本原則是若屬紙本資料，可「先掃描儲存成數位檔案後，再丟棄」，如果屬於數位檔案，則「暫時保留」。
紙張只會愈積愈多，占據空間又降低效率，因此建議能盡量數位化，達到減少紙張的效 果。如果擔心一下子全部丟棄會有風險而感到猶豫不決時，可以先掃描或拍照存成電子檔，再逐步進行斷捨離。
再次強調，工作區的數量一旦過多，即代表相關的資料與資訊分散各處，不僅增加尋找時間，也容易在管理和保存上出現困難，進而導致錯誤和疏失。
因此，要先掌握自己目前的狀況，再逐步減少工作區的數量，才能有效提高工作效率。
節錄自：寶鼎出版《時間不夠用？先減掉八成雜事：不加班也能升職的高效工作法》／飯田剛弘 著
有任何收穫或想分享的，都來和大家一起聊聊吧！