NoSQL輕鬆學: 架構、設計與案例探討
104學習
NoSQL
指的是一種非關聯式資料庫技術，適合儲存大量多樣化且結構不固定的資料。相較於傳統關聯式資料庫，它更具彈性與擴展性，能有效處理大數據和即時分析需求。掌握此技能代表具備應用於現代網路服務、雲端運算及大數據平台的能力，對於資料工程師、後端開發及系統架構師等職務非常重要。具備這項技能能提升在科技業的競爭力與職涯發展空間。
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
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
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 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
AI財務力：從數字到決策的智慧應用【9/3】
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
Vanna AI Text2SQL 實戰訓練營：自然語言查詢資料庫解決方案
Spark第二部曲： SQL輕鬆處理半結構化資料技巧
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
SSE Big Data Database: NoSQL國際認證
大數據盛行之後，分散式系統成為IT行業的顯學。相對於傳統的關聯式資料庫，NoSQL其分散、非結構化、支援Hadoop、記憶體中處理以及支援MapReduce的特性，在全球各大行業都相繼採用。除了IT及網路業的巨頭(Google, Facebook, Amazon, Microsoft)、其它各行各業如Walmart, Samsung, Comcast也完全投入。可支撐起整個公司的資料儲存、分析、倉儲、串流、即時分析、商業智慧等任務。
Silicon Stone Education (SSE)
MySQL- Core
MySQL-Core證照驗證持有人具備MySQL資料庫的基本操作與管理能力，包含資料庫安裝設定、資料表建立與維護、資料查詢優化及基本安全設定，能有效運用SQL語法進行資料操作及問題排除，適用於資料庫管理、應用程式開發及資料分析等相關職務，提升職場競爭力。
Microsoft
MySQL- Professional
MySQL Professional 證照證明持有人具備熟練的MySQL資料庫管理與操作能力，能有效設計、安裝、配置及維護MySQL資料庫系統，熟悉資料庫性能優化、備份還原及安全管理，具備撰寫複雜SQL查詢與資料庫故障排除的專業技能，適合從事資料庫管理、系統開發及資料分析相關工作，提升職場競爭力。
Microsoft
TQC-DA-大型資料庫管理系統 MySQL5
企業人才技能認證（TQC）是財團法人中華民國電腦技能基金會針對企業用才需求，所提出來的一項整合性認證。這項認證是經過詳細調查、分析各職務工作需求，確認從事該項職務究應具備哪些電腦技能，再對所有電腦技能測驗項目重新歸類整合而成。不但能讓有志於從事網路管理職務的人員掌握學習的方向，對求才企業也提供了更快速、更客觀、更簡化的人才甄選程序。
財團法人中華民國電腦技能基金會
MCDBA
MCDBA
「微軟認證資料庫管理員 (MCDBA)」懂得設計、實作及管理 Microsoft SQL Server™ 資料庫。
Microsoft
BI軟體績效管理師
BI軟體績效管理師證照旨在培養專業人士運用商業智慧軟體進行數據分析與績效評估的能力，涵蓋資料整合、報表設計及關鍵指標設定等技能，協助企業提升決策效率與營運績效，適合數據分析師、業務管理及資訊科技相關職務人員取得。
尚未查核發照單位
精選貼文，掌握第一手知識
「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＞
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
「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！
「北極星指標」怎麼定？Meta行銷長揭Facebook成長決策關鍵
北極星指標（North Star Metric）怎麼選，才不會淪為口號？Meta行銷長指出，好的北極星指標必須清楚、可衡量，也要能幫助團隊判斷哪些事該做、哪些事不該做。解析Facebook如何透過北極星指標對齊團隊、加快決策，從成長指標中找到真正的長期方向。本文節錄自《點擊成長》。
文／亞歷克斯．舒茲
本文目錄（點擊可快速前往）
選擇北極星在線上連結全世界速度要快，方向要準
選擇北極星
北極星愈複雜，細節愈重要。「在線上連結全世界」是很好的北極星，但深入細節，問題就浮現。這些線上用戶是指已註冊用戶，還是每月、每週、每日活躍用戶？「世界」是指現有網路用戶，還是意味著擴展網路普及率？「活躍」又該如何定義，是登入、發文，還是按讚？衡量指標同樣必須清晰明確。營收目標可以是「年度營收」、「年度自由現金流」，或「息稅折舊攤銷前盈餘」（EBITDA）；指標也可以是季度而非年度，或是五年計畫。
臉書採用的指標是每月活躍用戶（Monthly Active User, MAU）。用戶只要在過去三十天內至少登入一次，就算「每月活躍」。營收策略必須以這個目標為前提，也就是說，不能以降低每月活躍用戶的方式獲利。例如，投放令用戶厭煩的付費廣告，導致他們停止使用網站。這個原則化解許多關於如何獲利的爭議。
這是馬克．祖克伯（Mark Zuckerberg）在臉書創立初期最有遠見的構想。他明確表示，每月活躍用戶是「在線上連結全世界」這個北極星的衡量指標。北極星持續指引公司發展與培養文化，從如何規劃行銷活動到如何跨平台吸引新用戶，奠定整個行銷哲學的基礎。不過，當初確立這個北極星時，沒有人能保證它會成功，許多投資者和財經意見領袖也認為，首要目標應該是營收。結果，他們錯了。
在線上連結全世界
在我加入臉書前不久，公司差點賣給雅虎（Yahoo!）。當時祖克伯的領導團隊積極尋求退場，但祖克伯堅決不出售。他的目標是透過社群媒體連結全世界，而非迅速退場大賺一筆。他也相信，獨立經營才是實現這個目標最好的方式。這個決策並未獲得所有人認同，許多主管紛紛離職。經過一波人事動盪之後，我加入這家重整中的公司，當時我還是二十歲出頭、不諳世事的年輕人。我認為臉書很了不起，必定會風行全世界，把公司賣掉根本是愚蠢至極。
如今回頭看，這個決定牽涉艱難的取捨。當時沒有人能保證，臉書能靠一個尚未驗證的商業模式賺錢。一般而言，新創公司的目標是成長、出售，讓投資者、員工和創辦人獲利。二十年後的今天，以使命為導向的公司能夠成功，臉書成為舉足輕重的巨頭，似乎都是理所當然，但在當時卻是相當大膽的賭注。不過，正是經歷這樣的時刻，我加入一家在烈火中鍛造出北極星目標的公司。
北極星夠清晰，衡量指標也同樣明確。如前所述，這個指標是每月活躍用戶，雖然現在已經是業界標準，當時卻很不尋常。當時大多數公司以註冊用戶數（即註冊平台或網站的人數）來描述用戶規模。問題是，有人可能註冊後幾個月、甚至幾年都沒有使用服務，因此基本上只是充場面的虛榮指標。臉書是第一家在公開報告中完全捨棄這個指標的大型公司，確實推動產業的進步。
我和團隊因北極星目標與衡量指標相結合，讓工作方向極為清晰，許多爭論也得以自行解決，無須上報給祖克伯裁決。少了爭論、多了行動，我們可以更快推進，迅速完成任務。舉例來說，北極星幫助我們在產品商業化上保持理智，避免為了短期營收魯莽的決定。當時公司面臨資金壓力，我們尚未盈利，廣告產品必須成功，因此廣告團隊有許多想法。
其中一個想法，是仿效其他社群媒體已在銷售的「首頁接管」廣告（homepage takeovers）。這種廣告以無法忽視的方式占據網站首頁，完全主導整個版面。我記得MySpace 上有一支廣告，綠巨人浩克「砸穿」首頁，把圖示打亂，讓文字和其他功能彈跳好幾秒。這類廣告讓公司大賺一筆，卻損害用戶體驗，導致當天的新用戶難以提升使用頻率，也無法順利聯繫朋友。由於這樣做會傷害每月活躍用戶，就我所知，這個極端的變現提案， 連同其他數百個類似方案，在送交高層評估前就遭到封殺。最終這套廣告系統對用戶體驗的影響微乎其微，對許多用戶來說甚至是加分的。
速度要快，方向要準
每月活躍用戶之所以有釐清指標的效果，還有另一個原因： 許多臉書同事認為，一個月只造訪網站一次的用戶，不該算是活躍用戶，只有每日活躍用戶（DAU）才是計算活躍度的有效方式。這種觀點有其道理，但整體而言我不同意，至今依然如此。每日活躍用戶偏重使用頻率和參與程度，每月活躍用戶衡量的則
是實際使用服務的人數。每月活躍用戶代表你還有機會引導這些用戶更深一層的使用服務，每日活躍用戶用戶則已經高度投入， 基本上你已經贏得這位用戶。
我們、以及由我提供諮詢的多數公司，一向把自己當成目標用戶來設計產品，而且自己也成為重度使用者。這帶給我們許多從其他途徑難以獲得的洞察。以預設通知設定（notification defaults）為例，我們發現，整天頻繁使用網站的用戶，所需的通知設定必須和一天只訪問一次、或剛開始使用的用戶有所不同。
節錄自：天下文化《點擊成長：Meta行銷長親授，數位廣告投放、轉換、數據分析全攻略》／亞歷克斯．舒茲 著
[joblist_plugin title='更多104【數位行銷】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E6%95%B8%E4%BD%8D%E8%A1%8C%E9%8A%B7' amount='3']
推薦閱讀：
數位行銷新手如何選對管道？Meta行銷長：5步驟找到成長突破口
數位行銷是什麼？想進入數位行銷的領域，應該要怎麼開始？
.NET 開發者必看！學會滲透測試思維，加速修補資安漏洞並提升系統穩定性
恆逸開課時間查詢：https://www.uuu.com.tw/Course/Show/1501/1
恆逸學員徐英智：
C# 全端開發兼顧穩定與資料安全
我目前在一家以軟體開發為主的科技公司擔任全端工程師,主要使用 C# 和 .NET 平台開發各類應用程式。工作上,我負責的範圍涵蓋後端系統架構設計到前端畫面的串接。我也會與美編人員、測試人員一起討論技術方案,並處理系統整合的問題。我們的客戶大多是公部門,因此系統在穩定性、擴充性及資料安全方面的要求都非常高。
🎯 藍紅軍攻防實務滿足工作所需
公司正在計畫投標更多不同領域的專案,在證照要求上需要有更多同事擁有 C# 相關證照。我覺得這門課最大的吸引力是內容非常完整,從防禦到攻擊的部分都有涵蓋,特別是針對藍軍防禦與紅軍攻擊等主題,都有搭配實務講解。這些正好是我目前工作上非常需要了解的內容。
🛡️ 從攻擊視角掌握資安防護精髓
講師的教學方式非常豐富,不只侷限於課本內容,而是從多個角度搭配實際案例來說明重點。印象最深的是在講解「程式撰寫的資安防護」時,講師不只是單純地說明理論與原則,而是透過實際的攻擊範例,來展示網站在有防護與沒防護時的差別。透過這樣的實作演示,我能夠更直觀地理解各種漏洞的成因與攻擊手法,也學會了如何在開發階段就建立正確的安全意識。這對我特別有幫助,因為我在工作中經常需要修補系統漏洞、分析滲透報告。課程讓我更清楚地了解滲透測試人員在檢測時的思維與方式,能更有效地從防禦角度思考問題,預先避免潛在風險。這樣的實務教學方式,讓我在資安防護上不再只是照著規範執行,而是真正了解背後的邏輯與意義。
🔍 Proxy 工具實戰應用發現潛在弱點
讓我印象深刻、甚至覺得意想不到的收穫,是學到了 Proxy 工具在滲透測試中的進階應用。以前我只知道這類工具能攔截封包做基本分析,但在課程中,講師深入示範了如何利用 Proxy 來模擬實際攻擊、測試網站的安全防護機制,這才讓我意識到這類工具的潛力。透過上課,我發現可以在專案系統上線前,先用這個工具自行進行測試,檢查是否存在漏洞或防護不足的地方,這不僅能提早發現問題,也能減少上線後修補的時間與成本。上完課的隔天,我立刻將這些方法運用到工作中,重新檢查過去負責的專案系統,找出一些過去未注意到的潛在弱點。實務操作的經驗,也幫助我在考證過程中,能更快速地判斷並找到問題的答案。
🚀 資安課程助學員快速理解攻擊手法強化防護爭取升遷
這門課對我工作的幫助可說是立竿見影。回到公司後,我剛好收到幾份滲透測試報告需要修補漏洞,便立刻回想課堂上學到的觀念與技巧。以前看到這類報告時,常需要花時間去理解攻擊手法與漏洞成因,但現在我能更快掌握滲透人員的思維角度,也能準確判斷問題所在,迅速找到程式中需要修補的部分並完成防護強化。更重要的是,這次的學習讓我對資料防護與網路架構的整體概念有了更深入的理解,能夠以更全面的視角來思考系統安全。我現在也能更直觀地提出自己的建議與想法,並主動分享課程中學到的資安觀念與防護技巧。最後,我希望自己能順利在下個月取得 CASE .NET 的證照,爭取公司提供的額外獎勵與升遷機會。
索取課程優惠：https://www.uuu.com.tw/Forms/CourseInfoRequest?courseId=CASENet&mediaSrc=104
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>>
量天測地、解構力學——深入成大南工土木科，從材料試驗到現代營建實務的養成記
土木工程往往不像建築設計那樣容易受到矚目，但每一棟建築、每一座橋梁的安全與品質，背後都少不了土木工程專業的支撐。國立成功大學附屬臺南工業高級中等學校土木科便以「專業、實作、創新」為核心，透過扎實的理論課程、多元實作訓練與工程現場接軌，培養兼具工程知識與實務能力的人才。 土木科教師方偉烈表示，建築與土木外界看來似乎差異不大，但兩者的定位並不相同，「建築比較著重空間設計與規劃，而土木更關注工程技術與結構安全」。建築師負責完成整體建築設計，土木工程專業人員則負責讓設計安全落實、順利施工，兩者始終是相輔相成、不可或缺的重要夥伴。
從基礎到專業，逐步建立工程能力
土木科的課程依照學生不同階段循序漸進安排。高一以基礎能力培養為主，除了國英數等一般科目外，專業科目則會修習如土木建築工程與技術概論、構造與施工法，搭配測量實習、製圖實習，建立學生的基礎專業。
到了高二課程逐漸加深加廣，逐步深入專業核心，學生將修習工程力學、營建技術實習、電腦輔助製圖實習、工程測量實習、地形測量實習、材料與試驗等課程。此階段學生將投入許多時間在實習課程中，先學習基礎理論，再透過大量的做中學，在理論與操作中深化自身專業。以材料與試驗課程為例，學生會接觸粒料分析、混凝土拌合、混凝土養護、混凝土抗壓等內容，實際了解建築材料背後的工程原理。同時，學生也會實際進行砌磚、木工、鋼筋施工、模型製作及室內配線等內容，並有機會親自操作，透過大量實作累積工程現場所需的經驗與判斷力。
圖：學生參訪鋼筋加工廠了解實際製程
高三時課程則以專題帶領學生整合三年所學，學生透過組隊合作完成專題作品，專題主題以興趣為導向，鼓勵學生發揮專業視角，利用創意解決實際問題。有學生設計改善生活問題的木工作品，也有人規劃建築模型，從選址、結構到功能規劃，都必須活用過去累積的知識完成完整專題，不局限於土木內容，反而讓學生更能發揮創意和觀察力。此外，成大南工土木科更致力於課程的創新，透過加入無人機測繪等內容，讓學生接觸數位測量技術，讓學生在已有的知識基礎上，持續拓展在工程應用的新視野。
理論與實作並重，真正理解工程的本質
許多學生入學前往往認為土木科就是不斷動手施工，但真正進入課程後，學生才發現實作背後需要扎實的理論支撐。
方老師表示，材料試驗就是最好的例子，學生必須先理解材料性質、混凝土比例及相關理論，再進入實驗室完成實驗，驗證結果是否符合工程標準。土木科並非只有操作技能，更需要具備數理分析與工程判斷能力。這樣的學習歷程，也讓不少學生重新認識土木工程。
圖：學生合作組裝工程結構模型
土木科二年級林同學分享，原本以為土木科就是每天在戶外施工、砌磚，實際就讀後才發現，還必須學習材料、測量、力學等專業理論。「它（土木科）不是只有曬太陽做工程，也要學很多理論架構。」另一位二年級郭同學也有相同感受。他原本認為土木科以實作為主，真正接觸課程後才發現有比想像中更多的理論知識。
成大南工扎實深厚的課程設計，帶領學生在每一項工程操作之前，先建立完整的知識基礎，才能在實作中更深刻理解背後的原理，也讓學生在實際操作中更深入理解工程原理 。
大量實作、接觸現場，從實務中累積出專業即戰力
除了課堂上的操作，土木科也積極透過競賽與專題，引導學生將知識真正應用於實際問題。
例如，學生曾組隊參加正修科技大學木橋載重競賽，從木材裁切、打磨到橋梁組裝，歷經兩個月反覆製作與調整，最終獲得外觀特別獎。土木科二年級王同學表示，雖然橋梁承載能力仍有進步空間，但看到團隊一步步完成作品，仍讓他感到十分有成就感。
圖：學生參加橋樑載重競賽展示成果
方老師也指出，土木科最大的特色，就是讓學生「做中學」。學生不只是完成作品，而是在反覆操作、修正與驗證中，逐漸培養工程判斷能力，學生也會在不同年級，分別考取測量丙級、建築製圖應用-電腦繪圖項丙級、工程測量乙級等三張證照，累積未來升學或就業的競爭力。若直接投入職場，畢業學生將具備基本施工與監造能力；若選擇升學，也能良好銜接土木工程、營建工程等相關科系。
除了校內課程，土木科每學期也安排企業參訪，帶領學生走進建設公司、工程顧問公司、鋼筋工廠及材料檢驗中心，了解不同工程環節的實際運作。部分學生更有機會參與寒暑假的校外實習，親身進入工地現場，提前體驗工程工作的內容。透過一次次與業界接觸，學生不只是認識未來職涯，更能理解課堂所學如何真正應用於工程實務。
專業、實作、創新，培養面向未來的工程人才
談到土木科最重要的特色，受訪教師以「專業、實作、創新」三個關鍵字作為總結。「專業」代表扎實的工程知識；「實作」代表大量操作與現場經驗；而「創新」則是持續導入無人機測繪等新技術，讓學生能與時俱進，接軌產業發展。
圖：學生學習操作無人機設備
方老師也觀察到，許多學生在三年的學習中，最大的改變並不是學會多少技術，而是逐漸不害怕動手，也願意主動尋找解決問題的方法。從學生觀點來看，王同學認為，只要喜歡動手做、願意學習，就能在土木科找到自己的舞台；郭同學則認為，具備邏輯思考能力、願意面對挑戰的學生，都很適合投入這個領域。
從基礎理論、工程實作到創新技術，成大南工土木科不只是教學生如何完成一項工程，更希望培養學生面對問題時的工程思維，讓每一位學生都能在未來的升學與職涯道路上，穩穩築起屬於自己的專業基礎。
開箱土木科學習日常！更多科系探索，歡迎追蹤104高職生IG
在 Instagram 查看這則貼文 104高職生（@104v.hs）分享的貼文
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
用「優勢公式」找對夥伴！Google與DeepMind工程師如何用AI改寫能源產業
Google與DeepMind工程師如何用AI讓數據中心省電40%，並創辦AI節能新創？看懂能力、動機與洞見組成的「優勢公式」。本文節錄自《商品決勝點》。
文／傑克納普、約翰澤拉斯基
你的優勢是什麼？優勢會以能力（capability）、動機（motivation）與洞見（insight）三種形式出現。為了解釋這三種優勢如何發揮作用，我要帶你回2014年認識三個人。他們日後成為公司創辦人。看看你能否從接下來的段落，找出三人替專案帶來的優勢─並猜一猜他們最終建立哪一種公司。
首先是機械工程師凱蒂．霍夫曼（Katie Hoffman）。
2014年的一個平常日，凱蒂在各種工業設備之間走來走去，手上沾滿灰塵和油汙。她的視線順著亂七八糟的線路走，一下子接這台機器，一下子接那台機器。凱蒂帶領的團隊負責翻新工廠，裝上新型控制系統以發揮最佳效能。這份工作很重要的一環，就是找出舊系統是如何運作，而實際情形永遠和設計文件說的不一樣。
凱蒂盯著的那條線，連到又一個工廠文件上沒提到的感應器。她用手機拍下照片，備註幾句話，然後嘆氣。成功破解舊系統並改善效率，的確會帶來滿足感─但凱蒂心知肚明，再過幾年，又會有另一批人跑來這，拆掉她所有的心血，再度翻新工廠。在那之前，系統將停留在這次的更新，永遠不會改善，直到再度大改造。凱蒂感覺這樣很浪費，想必還有更好的辦法，但是該怎麼做？
接下來是吉姆．高（Jim Gao）─也是機械工程師。
2014年一個普通的一天，吉姆坐在控制室裡，地點是Google位於愛荷華州的龐大數據中心。這座數據中心當初在設計時，吉姆就參與了，但他今天和凱蒂一樣，想著有什麼辦法能改善效能。
廠內漆成亮色的藍綠紅黃管線，通往四面八方，讓這座數據中心看起來有如《超級瑪利歐》（Super Mario）遊戲被搬到現實世界，只不過沒有蘑菇和飛行龜，只有一排排的伺服器機櫃。
一年12個月，一週7天，白天黑夜不停歇，隨時有冷水流過那些五彩繽紛的管線，負責吸收與帶走伺服器產生的熱氣。冷卻管的確有用，但吉姆檢視控制室的讀數，忍不住感到失望。這個系統太耗電。每次機櫃開始升溫，管理數據中心的團隊就必須加快冷卻系統的輸出。加速時耗用的能源愈來愈多，但也不能不加速─伺服器過熱就會當機，網路將斷線。或許這樣的效率不彰是無法避免的，或許工程技術頂多就只能做到這樣，但吉姆總覺得哪裡怪怪的。他到底漏掉什麼？
最後一位是電腦科學家維達．潘奈薛凡（Veda Panneershelvam）。
在2014年平凡無奇的一天，維達坐在倫敦的桌旁寫程式。他和世界級的軟體工程師團隊合作，一起尋找人工智慧研究的聖盃：寫出能在圍棋賽中打敗人類的電腦程式。
如果你不熟悉圍棋，只需要知道很複雜就夠了。西洋棋有10123種可能的走法，但圍棋有10360種，令人難以置信。圍棋棋盤可能呈現的棋局狀態，還要多過宇宙裡的原子數！
如果要在圍棋取勝，維達和同事必須開發出新型的人工智慧做法，創造能看見未來的程式。2014年的時候，大部分的人認為這是癡人說夢，但維達只覺得興奮。如果AI連圍棋都能勝出，誰知道還能替人類解決其他哪些問題。
我們來回顧一下，先從顧客和問題講起：
凱蒂正在解決大型製造商的工業控制系統缺乏效率的問題。
吉姆正在解決Google有如吃電怪獸的數據中心。
維達正在解決……這個嘛，我不認為他實際上是在解決圍棋的問題。我認為他真正在處理的，其實是人腦處理複雜問題的能力有限。我認為他的「顧客」是全人類。我知道，這聽起來有一點過於宏大，但我認為確實如此。
好，那凱蒂、吉姆和維達的特殊優勢是什麼？剛才提過，優勢有三種。
首先是能力。能力是指你能做到很少人能比得上的事。如果你在大公司上班，你可能享有知名品牌的好處，或是專案有很多預算；如果你替迷你的新創公司工作，你的能力有可能是專注與快速行動。不過，最能派上用場的能力通常是傳統的專業技能（know-how）：
凱蒂是機械工程專家，主要做工業控制。
吉姆也是機械工程師，專長是數據中心。
維達是電腦科學專家，專門做人工智慧。
凱蒂、吉姆和維達在各自的領域都是世界級的人才─有如女籃的凱特琳．克拉克（Caitlin Clark）與男籃的「詹皇」詹姆斯（LeBron James）─但光是他們的能力，還不足以完整呈現他們的獨特優勢。
接下來，我們來看第二種優勢：動機。動機是你想解決這個問題的特殊原因；你願意傾盡心力的事，別人不一定願意。動機也很重要，因為動機能指明一條路，讓你躍躍欲試，知道該在何處以什麼方式發揮長處。
凱蒂、吉姆和維達三位未來的創辦人，全都想要解決重要的問題，帶來正面的改變。這種精神令人欽佩，但過於籠統。我是說，很多人當然都想「讓世界更美好」─但唯有動機十分明確的時候，才能協助你決定該做什麼，所以講得再明確一點：
傳統的工業控制系統升級方式讓凱蒂沮喪。
實體系統的限制讓吉姆沮喪。
維達想運用AI替人類解決大型的問題。
注意到了嗎？以上三人中的兩人，主要是沮喪帶來了動力。如果你的動機也一樣，嘿，沒關係的。世上最優秀的產品，有的就是源自為現況感到憤慨、困惑、惱火、痛苦或抓狂。你不一定要從偉大的願景起步，憤怒也能帶來力量。
好，能力和動機加在一起後，三位未來創辦人的優勢變得更獨特。但他們分別會開哪種公司？讓我們進一步了解他們的故事。
兩年後，在2016年3月9日，維達站在南韓首爾四季飯店的會議室，透過現場影片串流，目不轉睛地看兩個人比賽圍棋。
棋桌的一方坐著李世乭，他是拿過18次世界冠軍的專業棋士。另一方則是業餘人士兼維達的同事。
維達看著同事下一個白子，接著注意力一下子回到會議室。電腦螢幕顯示數十張圖。「勝率圖」頓時表示對白方有利。
電腦認為能打敗看似無敵的冠軍李世乭。
過去幾天，維達和團隊成員─15名剛從倫敦飛來的電腦科學家─把會議室改造成臨時的控制中心。AI程式AlphaGo就是他們設計的。他們在控制中心把AlphaGo認為棋子該怎麼下，轉告給維達的同事，那名同事負責把棋子擺到真實世界的棋盤上。
那場比賽的贏家可以獲得100萬美金的獎金。有沒有人跟我一樣，覺得這個場景像是15名科學家合演高科技搶劫片《瞞天過海》？只不過李世乭其實是在和AI比賽，不是什麼祕密。裁判知道，李世乭知道，每個人都知道。全球各地轉播這場比賽，數百萬人觀戰，不過大部分的圍棋專家都認為圍棋太複雜，電腦不可能獲勝。
然而，在那個首爾的三月天，AlphaGo贏了。
數千英里外，吉姆仍在設法改良Google數據中心的冷卻系統。AlphaGo的故事如火如荼展開時，他偶然聽到這件事，備感著迷，開始追蹤首爾的最新情形，一點細節都不放過。
吉姆挖掘細節時得知，AlphaGo的AI使用「深度強化學習」（deep reinforcement learning）這個突破性的方法。吉姆冒出一個瘋狂的點子。深度強化學習會不會有助於冷卻數據中心？畢竟隨時找出最佳的控制配置，有一點像是在圍棋賽中找出最好的一步。
維達的團隊替DeepMind工作，而DeepMind是Google旗下的公司。這不正好。雖然吉姆沒見過他們，但嚴格來講大家都是同事。維達於是寄電子郵件給DeepMind團隊，解釋他的瘋狂點子。
維達認為這個數據中心的挑戰很吸引人，同意試試看。接下來密集的幾星期，維達、吉姆和DeepMind的工程師團隊，寫出新的深度強化學習程式，把Google數據中心的冷卻系統，交給這個新AI負責。
電力使用起初暴增，因為AI做起實驗，隨機調整控制設定，就像小朋友亂按汽車音響上的鈕。不過，AI也和幼兒一樣會學習，強化有效的策略，用電因此出現改善，再改善，持續改善，最後和AlphaGo一樣超越人類，Google數據中心的用電因此銳減四成。
我等一下會繼續說這則故事，但先來看維達和吉姆合作後發生的事。他們整合雙方的能力─吉姆的數據中心專業能力，加上維達的人工智慧魔法─打造出單打獨鬥生不出來的東西，發揮特殊的優勢。不過別急，好戲還在後頭。
2019年，吉姆和維達結識凱蒂─那位擅長翻新工業控制系統的機械工程師。三人開始討論如何能在Google以外的世界，減少能源浪費。廠房在加熱、冷卻與操作各種設備時，耗用大量的電力。AI也能在這方面幫上忙嗎？
吉姆和維達相信他們能大幅改善工廠的能源使用─但需要借重凱蒂的實務知識，才有辦法設計、販售與裝設解決方案。凱蒂曾在詮宏空調（Trane）、英格索蘭工程技術公司（Ingersoll-Rand）、雷神國防承包商（Raytheon）等企業，帶領過工程與創新團隊。她清楚製造商如何作決定，也了解工業控制系統的缺點。吉姆和維達熟悉的是Google經過精心設計的數據中心，而工業廠房的世界遠比那混亂─凱蒂則熟悉這個領域。三人決定放手一搏，辭去工作，在2019年底成立新創公司淮德拉（Phaidra）。
淮德拉是我們Character資本最早投資的一批公司，他們的故事深深啟發了地基衝刺。他們從大膽的專案起步：企圖運用AI讓各種工業廠房更有效率。他們測試點子，學習如何建立顧客的信任感，談成第一筆生意。淮德拉先在大型藥廠展開試行計畫，隔年拿到第一筆大訂單，在5座工業廠房部署AI，最終還把服務拓展至數據中心。維達、吉姆與凱蒂在2014年渴望見到的超越人類、具備適應性、能預測未來的系統，如今成真。
三人能成功的原因是第三種優勢也登場：洞見。
洞見是指對問題與顧客有深入的了解。洞見讓你擁有別人沒有的觀點。吉姆有數據中心的洞見，維達有深度強化學習的洞見，但淮德拉的策略能成真，仰仗的是凱蒂具備工業廠房─以及擁有那些工廠的企業─如何運作的洞見。
淮德拉三位創始人的能力與洞見加在一起，得出獨特的東西。你可以想成一條等式：
能力＋洞見＋動機＝特殊優勢
凱蒂、吉姆和維達見面時，心想：「天啊！想想我們聯手能做到的事！」淮德拉公司或許算極端的例子，但你也能和團隊利用特有的優勢，帶來屬於你們的「天啊！」時刻。
節錄自：時報出版《商品決勝點：全球最成功的產品設計師如何讓顧客買單》／傑克納普, 約翰澤拉斯基 著
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 >>
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
別只會開ChatGPT！寫企劃、查資料、解任務該找誰？全球數據揭職場AI的「真實專長」
為什麼同一份指令，換個工具效果差這麼多？本文帶你從Similarweb最新全球數據，拆解幾個主流AI的「隱藏性格」與分工邏輯，教大家用最高效率搞定所有職場任務！
文／《104職場力》
本文導覽
數據解密：從「對話習慣」看懂AI的真實定位Claude耐得住性子、能深度思考，最適合當「資深幕僚」ChatGPT是點子多、懂職場又懂生活的「全能特助」Gemini和Copilot講求效率，是很棒的「即時情報員」別忘了還有Perplexity！它是自帶資料來源的專業市調員職場高手用AI工具都採「混合雙打」策略！
打開AI對話框，明明輸入了各種詳細指令卻還是不停碰壁？
叫AI幫忙寫一篇嚴謹的專案企劃，它卻給了一堆空泛的漂亮話？
只是想查個技術名詞或快速對答案，它卻長篇大論回了800字？
寫程式或校對文件時，改到第3輪它就開始邏輯打架、亂燒Token？
當瓶頸過不去，很多人會直接下結論：「AI好難用，根本沒傳說中那麼神！」但扣除Prompt出問題外，還有一種可能是「你一開始就用錯工具」了！
在Similarweb在最新的《2026生成式AI版圖：AI搜尋的演進》研究報告中，分析了全球使用者的對話行為，其中一項數據指出：主流AI平台早已走出各自的「專長分野」，其背後的「受眾特徵到使用習慣」差異非常大。
數據解密：從「對話習慣」看懂AI的真實定位
Similarweb交叉比對了各平台使用者的「提示詞長度（Prompt Length）」與「單次對話的提示詞數量（Prompts per Session）」，繪製出底下這張AI分工圖，打破了「只用ChatGPT就能搞定所有事」的迷思。
圖片來源：Similarweb研究報告
從使用行為來看，不同平台在使用者心目中，早已演化成完全不同的「職場同事角色」。
Claude耐得住性子、能深度思考，最適合當「資深幕僚」
從數據來看，Claude的使用者每次輸入的提示詞長度是所有平台中最長的，而且單次對話的來回次數也直接拿下第一！再看這群人的背景，他們造訪大專院校與學術研究機構的比例，是一般網路用戶的整整25倍，造訪程式開發與商務專業服務網站的頻率也是別人的3倍之多。
這代表全球很多工程師、學者和專業經理人，早就把Claude當成處理燒腦難題的智囊團。
所以如果大家的需求是「架構龐大的年度企劃、消化上萬字的訪談與會議紀錄」，或是「寫複雜程式碼、抓出邏輯漏洞」時，可以使用Claude！它讀長文章跟邏輯推理的能力非常強，就算你一口氣丟給它好幾頁密密麻麻的背景資料和限制條件，它也不容易失憶或亂回答，能陪大家一輪又一輪地精雕細琢出嚴謹的成果。
ChatGPT是點子多、懂職場又懂生活的「全能特助」
觀察ChatGPT的對話數據，會發現它走的是「無所不聊的高頻率互動」路線，在熱門對話主題中，除了科技應用，佔比最高的還有行銷廣告、內容創作與商業法規在內的「專業服務」，接著是教育、娛樂，甚至連心理諮商也榜上有名；另外，它的使用者在生活消費、美食外送與時尚美妝等網站的造訪率，都高出平均2倍以上。
這些數據顯示ChatGPT是目前最深入大眾工作與日常的靈感發想機。
因此，當大家卡在「行銷文案想不出新梗、跨部門提案寫不出吸睛標題」，或是「不知道該如何委婉又得體地回覆一封棘手的客戶抱怨信」時，找ChatGPT來回拋接點子可能最有效率！它的語言組織力與情境適應力不錯，特別適合用在創意發想、快速產出初稿或模擬職場人際溝通的應對場景中。
Gemini和Copilot講求效率，是很棒的「即時情報員」
Gemini和Copilot跟前面兩種AI工具截然不同，它們在數據圖表是落在「提示詞最短、單次對話次數最少」的區間，這表示大家用它們不是為了聊天討論，比較像是丟出某個具體問題，並追求「問完、拿到答案、立刻轉身去執行」的節奏。
細看數據會發現，Gemini的使用者在網頁設計（4.8倍）、電腦資安（3.1倍）及硬體設備（2.2倍）等網站的黏著度特別高，偏向重視效率的科技族群。
這種工具性格，正好能完美搞定辦公室裡的零碎雜事，當職場人開會到一半突然要「快速查個冷門名詞定義、比對兩套軟硬體規格優缺點」，或是需要「搭配Google和微軟工具快速摘要Email與文件重點」時，Gemini和Copilot的優勢最明顯，因為只要指令明確，它不需要冗長的背景鋪陳也能用最快速度幫大家把零碎任務清空。
圖片來源：Similarweb研究報告
別忘了還有Perplexity！它是自帶資料來源的專業市調員
除了上面3種工具，圖表中還有一個不能漏掉的狠角色Perplexity，它的對話長度剛好卡在中間，大家用它也不是為了閒聊，通常都是帶著明確的調查任務來的。
根據報告數據來看，大家用它找最新資料的比例正大幅飆升，尤其在「旅遊規劃、商品比價、金融與市場分析」這類需要最新情報的領域，Perplexity附上即時參考連結的比例最高。
所以當大家需要「做競品調研、找產業最新數據」，或是被主管要求「報告寫的內容要附上可查證的資料來源」時，找Perplexity就對了！這類工具就在回答問題時會直接給參考出處，省去自己到處Google慢慢比對查證的時間。
職場高手用AI工具都採「混合雙打」策略！
看完各家AI的專長，你現在可能在想：「所以我到底該固定用哪一個？」
報告裡給出一個很有意思的現象，其實有高達95%的ChatGPT用戶，平常依然天天狂用Google搜尋；而且在主流AI之間，同時混用好幾款的人非常多！這項數據也點出一個關鍵：職場上的AI高手，都不是只會「死忠」用單一工具的人！
真正的神人都怎樣搭配？可以舉個例子供大家參考：
先開ChatGPT發想5個企劃點子
選定方向後，把架構丟給Claude擴寫成邏輯嚴密的大綱
寫到一半遇到不確定的市場數據，順手開Perplexity抓出正確出處
統整完寄出Email前，用Gemini或Copilot快速檢查重點有沒有漏掉
現在的AI就像各有所長的同事，所以有時比下對Prompt更重要的是「知道何時該派誰上場」！下次工作卡關、覺得AI怎麼又在胡說八道的時候，先別急著生氣，試著換個工具再問一次，也許就能找到正確的神隊友！
[course_plugin api_type='course_id' title='其他AI應用推薦課程' id='b6c9c165-0c8b-4eb7-b2a0-6a105afc5e24']
有任何收穫或想分享的，都來和大家一起聊聊吧！