《科技島》精選三款數據分析師不可或缺的AI輔助工具，分別針對程式與數據處理工具「GitHub Copilot」、數據視覺化工具「Tableau」與統計分析工具「Julius AI」，分析其特色跟優勢。記者孫敬／整理報導

隨著人工智慧（AI）越發成熟，數據分析早已不只是「寫程式、建報表」，還能大幅提升資料處理、視覺化與統計建模環節的效率與創新力。《科技島》精選三款數據分析師不可或缺的AI輔助工具，分別針對程式與數據處理工具「GitHub Copilot」、數據視覺化工具「Tableau」與統計分析工具「Julius AI」，分析其特色跟優勢。

GitHub Copilot

GitHub Copilot由GitHub與OpenAI共同開發，是一款結合AI的程式碼輔助工具，能根據用戶語意自動補全多種語言（如Python、R、SQL、JavaScript）程式碼，強化開發效率與質量。

對於數據分析師的使用優勢在於：

• 自動完成程式碼、快速生成函數：只需輸入註解或描述，就能讓AI自動補全Python、R、SQL等主流程碼，快速產生資料清洗與分析腳本，節省新手摸索與資深人員敲鍵盤的時間。
• 自動Debug與修正：即時偵測錯誤、建議更有效率寫法，減少Debug心力，提高開發品質。
• 學習新技術意外快：搭配AI建議，能迅速學會陌生語法或遇到新資料型態的處理方式。

Copilot目前須付費訂閱（個人版月付/年付），在Visual Studio Code等主流IDE即可一鍵安裝及啟用，搭配GitHub帳號登入即可開始體驗。不過，目前主要以英文介面為主，中文提示詞還未完全支援，但對臺灣用戶常用的Python、R，以及國際流行語法都有極佳範例與智能補全建議，新手自學進階語法也很方便。

Tableau

Tableau是一款主打商業智慧（BI）的數據視覺化工具，具備拖拉式操作介面，適合不擅長程式碼的分析師使用。它能連接多種數據來源，並利用AI技術自動生成智慧圖表和互動儀表板，支援自然語言查詢，以訂閱制收費，使用者可選擇雲端或電腦版進行操作。

對於數據分析師的使用優勢

• AI一鍵探索資料：透過自然語言詢問與自動分析，AI自動產生智慧型視覺報表與圖表、找出趨勢與異常，讓資料說故事更容易。
• 拖拉即用，降低視覺化門檻：不會寫程式也能產生互動式儀表板，縮短視覺化開發時程。
• 多資料源整合、AI自動建議最佳視覺模式：AI會根據資料自動推薦最合適的圖表（折線、長條、散點等），降低「選圖困擾」。

Tableau以訂閱制計價，提供免費公開版；專業/企業版則視需求採分級付費。介面有多語言版本，支援中文操作，新手有大量上手範例與社群資源。無論是桌面App還是雲端操作都十分便利，大數據企業也常以伺服器架構部署全公司分析。

Julius AI

Julius AI是一款專為統計檢定、回歸分析、資料自動判讀而生的AI工具。用戶使用網頁即可隨時登入上傳數據，描述分析問題後，Julius AI能智慧推薦適合的統計方法（如t檢定、ANOVA），並逐步解釋分析過程與結論，大幅降低新手學習曲線。

對於數據分析師的使用優勢

• AI輔助進行統計檢定、回歸分析：只需描述你的問題，Julius AI能自動判斷該用何種統計方法（如t檢定、ANOVA、多元回歸），甚至協助你撰寫統計分析報告。
• 互動解說每一步驟，幫助學習：每個統計計算步驟都有詳細解說，即使是新手、老師也可以快速掌握統計流程。
• 支援多類資料，模組自訂：無論是小數據、問卷、巨量公司營運資料或預測建模，都能快速適應。

Julius AI的基礎功能免費，高階分析和批次運算需付費，網頁平台支援多語介面，附有情境教學範例，非常適合中文用戶快速體驗。

這篇文章 【AI工具】數據分析師愛用的AI工具全解析！精選3款口袋名單 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

未來想應徵、轉職數據分析師的工作，需要具備什麼專業能力？又有什麼分析、報表相關工具是需要事先熟悉？

記者／孫敬 Archer Sun

談到「數據」這項資源，想必不論是大小公司、跨國企業都會認同它的重要性，然而光是擁有數字、懂得跑報表或系統還不夠，要怎麼從一堆數字中「分析」並清楚「用圖表」給出「有價值的資訊」，考驗數據分析師（Data Analyst）對身處的產業及市場的理解，以及管理層期望的未來發展方向。

如果你是個希望能參與高層決策、改變產品服務甚至公司發展的人，發揮數據的力量就是不可或缺的能力。未來想應徵、轉職數據分析師的工作，需要具備什麼專業能力？又有什麼分析、報表相關工具是需要事先熟悉？

數據分析師職務攻略

數據分析師必備技能及專業​

需要具備哪些能力

想要從數字裡面找到答案，第一步便是要懂得如何操作資料分析工具及報表，最基礎的第一步入門像是如何運用Google Sheet或Excel（RFM、NES、Cohort Analysis）功能，當有一定熟悉後可再進階深入到SQL、Python來清理、整理資料的數據庫。

整理完數據項目之後，數據分析師下一步要思考的是，如何把資料用圖像化的方式呈現。除了Google Sheet或Excel外，可搭配Tableau、Microsoft POWER BI，部分公司會用到Python、R語言來處理，但Tableau普遍較多數據分析師在使用，基本上想踏入這個領域都要熟悉此項工具。

其他建議具備的能力

對數據分析師來說，花費最多心力的地方不是跑數據做報告，反而是「跨部門溝通」及「釐清各部門需求」，不論小從幾十人的公司，又或者大到幾百人的企業，在沒有彼此協作的基礎上，要一個個去摸清其他同事的習性是相當具有挑戰性，有些部門因為不具備數據分析相關背景，數據分析師還要幫忙釐清、聚焦問題給出答案。

日常工作內容

聚焦各部門需求的會議

舉凡公司大小部門決策，數據分析師都有很大的概率必須要參與討論，有時對外的客戶會議也必須根據數據與圖表提出建議。簡單摘要的話，每天數據分析師都需要處理：a.問題釐清、b.數據清理及整理、c.視覺化圖表內容、d.匯集重點與結論提供方案。

相關進修與證照

求職、轉職數據分析師現在還會非常要求證照、學經歷嗎？Google開設的資料分析證照班、SQL for Data Science相關認證的確可以起到一定的加分作用，然而現今越來越多產業、職缺，更看重的是技術及實戰能力，即便沒有對應證照，也能善加利用實作、自學經驗佐證實力。

另外，想轉職數據分析師也建議準備作品集，比如說你共同執行過某個行銷專案，利用真實數據的回饋跟表現分享執行的成果，再結合一份簡報擴大自己的思考邏輯、執行方式跟策略。

薪資區間​

大學畢業

大學畢業1年以下約新台幣35,500、1~3年約40,100、3~5年約43,400。 

研究所畢業

研究所畢業1年以下約新台幣45,200、1~3年約49,600、3~5年約50,200。

大學和研究所畢業的台灣數據分析師，薪資水平參考來源為1111人力銀行薪資公秤統計，統計出處為人力銀行公開職缺招募的平均月薪，不代表所有產業的數據分析師薪資。如果只有基礎的了Google Sheet或Excel操作經驗，起薪會相對低許多，不過只要慢慢熟悉、掌握硬實力工具如Tableau、分析方法論、R、Python薪資會有大幅的成長空間。

未來職涯發展​

數據分析師一職在不同產業裡面，其實有多種不同的名稱，營運分析師、專案分析師、行銷分析師、商業分析師等，雖然名稱不同但做的事情大同小異：了解公司、部門的營運決策，拆解問題、整理並給予相對應的數據佐證支持、解決方案，監測最後的成果做調整。

換言之，當你具備上述的能力，坦白說換到哪一個公司的任何職位，這些能力都是可以通用的。若要具體瞄準特定職位，牽涉財務、市場布局、產品開發等職位都很有競爭力，能做決策、能用實際案例及數據說話，對市場有敏銳度，當員工當老闆都絕對吃香。

延伸閱讀：大模型鬧「數據飢荒」的因應之道｜漫談【主筆室】

討論區：https://www.1111.com.tw/1000w/fanshome/discussionDetail.asp?d0=140503

精選影音

https://www.youtube.com/watch?v=R4vezK1rgS0

想了解更多的科技業職缺嗎？由科技島與1111人力銀行攜手合作、透視上百種科技工作內容與薪資行情的「職缺百科」正等著您前往探索！

這篇文章 數據分析師　數據圖像化與關鍵決策者的重要夥伴 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

。分析這件事，大多數理科較好的人都能輕而易舉辦到：過去每日活躍用戶的平均數、用戶付費轉換率、熱門文章前十名等，這些台灣的數學教育都已經讓我們能夠很快速地得到解答 — — 然而這些在工作上卻遠遠不夠。

文／吳牧真 Jennifer

到新公司上班一個多月，loading 開始加重了，主管說她們預計要再 hire 一個人，但是已經面了快十個人，都還是找不到理想的人選。這不禁讓我有一點納悶，我一直認為數據／商業分析是一個進入門檻不高，市場供過於求的行業，怎麼到了主管口中，就變得人才難找呢？

簡單了解過後，大約理解 Candidate 與職缺需求之間最大的差距在於「如何將生硬的數據轉化成能引起想像的商業藍圖」。分析這件事，大多數理科較好的人都能輕而易舉辦到：過去每日活躍用戶的平均數、用戶付費轉換率、熱門文章前十名等，這些台灣的數學教育都已經讓我們能夠很快速地得到解答 — — 然而這些在工作上卻遠遠不夠。

計算平均數，做加減乘除，這些實習生也會做，那為什麼要專門花更高的人事費用聘請一個正職呢？分析的價值，往往不在於數據，而是在於對數據的解讀，以及數據能夠帶來的實際幫助。

因此下次在做分析時，不妨先想一想，對方提出這個問題是要解決什麼事情？45% 這個數據是高還是低？為什麼高／低，是跟誰做比較，為什麼拿這個 baseline 做比較？高／低的表現是好還是不好？不好的話要怎麼改善，好的話是否還可以更好？ 如此不斷問自己 Why? How? — — 這些才是分析師真正的價值所在。

舉個例子來說，當初在面試 Dcard 前有兩項作業要先完成，其中一項的作業題目是：

請透過 Google Demo Account 的數據中 Google Merchandise Store 的數據，選擇前五項重要的指標，使用 Google Data Studio 製作 Dashboard，並簡單解釋選擇該指標的理由。

我當初做的看板老實說我覺得不是很滿意，因為對於資料定義理解不清且時間有限，因此只放了一些粗淺數據與分佈圖。但分析師的工作並不只是拉一拉看板這麼簡單，解讀數據與提供見解才是分析師所應該做的工作，因此我在寄出作業的同時附帶了以下分析與建議：

Summary

針對 Google Merchandise Store 的數據，我選擇使用者、網頁瀏覽量、點擊、交易次數、收益這五項重要指標，其中使用者可做為北極星前瞻指標

• 收益是平台最終且最重要的目標，分析平台收益通常會透過漏斗分析以及維度拆解兩種方式，其中漏斗分析更能看出平台整體情況，例如以目前得到數據可知，網頁瀏覽量高，但點擊相對較低，因此平台短期目標可能會是優化網頁內容或搜尋結果以提高點擊率，進而提高交易量及平台收益
• 選擇使用者做為北極星指標是因為使用者最終可轉化為廣告流量或交易，是影響收益的重要因子
• 除此之外，平台流量變化也是必要的觀察，因此我選擇其中四項指標做曲線圖以此了解平台流量，交易等趨勢及變化

User Demographic

了解平台大略表現後，我會再更細部觀察使用者的輪廓

• 將近 90% 用戶為新使用者，說明這是一個非常新且正在快速成長的平台，也有可能是既有用戶留存率過低，這裡可以延伸了解用戶留存率
• 使用者男性比女性稍多，這跟一般網購平台的架構不同，代表平台有機會從男性為切入點打造以男性為主的網購平台，避開已成為紅海的女性網購市場
• 以使用者的年齡範圍與興趣來說，分布大致平均，這是一個不錯的資訊，說明平台用戶的多樣性是沒問題的

User Behavior

同樣使用漏斗分析去切不同階段使用者的行為

• 從入站->網頁瀏覽，中間轉換率 19.9% 我認為不錯，但 49s 的停留時間過短，這很可能說明搜尋結果不符使用者預期，因此用戶在短時間內大量瀏覽搜尋
• 商品曝光->交易，以我過去的經驗來說，點閱率及交易轉換率都是非常漂亮的數字
• 透過以上兩點驗證了我在 summary 中的猜測：目前平台需要朝網頁內容或搜尋結果的方向優化以提高用戶停留時間及之後的轉換
• 44% 瀏覽量來自男裝網站，呼應上一頁的男性用戶比例，但我認為還需要專門 breakdown 確認是否特定網站帶來極高瀏覽量導致數據歪斜

Revenue

以電商平台來說，平台收益大多來自交易及廣告，因此在第四頁我同樣將收益拆分成產品收益及廣告收益

• 產品收益: 可以很明顯看出大多數的產品收益來自collections，這部分我認為可以增加投資預算，提供更多曝光，做更多 branding 廣告，提供免運 ／折價等誘因，先將這個類別的產品做起來，再帶動其他類別的產品
• 廣告收益：目前這部分的數字官方似乎沒有提供，但我還是將廣告相關的指標列出參考

上方例子中，應該能看得出來粗斜體的部分，都是對於數據的“評論”。像是我認為這個數據好不好，或是這個現象代表了什麼事情，或是針對現在的情況，我們接下來可以做的方向等。

雖然題目只要求選擇五個指標並說明原因，但 Analyst 不是資料 ATM，我們建報表，出數據是因為分析需要數據的支援，如何獲取資料只是一個工具，一種手段，千萬別把這當成分析師真正的工作內容。

這篇文章 關於如何成為一個「好的」數據／商業分析師 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

數據分析師（Data Analyst）又稱資料分析師，一般定義是能將原始數據轉化成可用於制定決策的資訊，具有數據洞察力有能力處理數據轉化成知識的人。

圖文／ALPHA Camp

什麼是數據分析師（Data Analyst）？

數據分析師（Data Analyst）又稱資料分析師，一般定義是能將原始數據轉化成可用於制定決策的資訊，具有數據洞察力有能力處理數據轉化成知識的人。

「數據分析師」也是資料產業中一個重要的職能之一，而且這個位置在資料科學熱潮之前就存在已久。

資料科學家和數據分析師的差別是，數據分析師比較強調的是「如何找到適合資料可以解決的問題」，對資料理解與定義問題的敏銳度。數據分析師在資料探索及資料視覺化的要求會高一點。而資料科學家則更重視模型與理論，需要比較完整的資料知識體系，例如統計，最佳化及資料模型這方便的了解。

如何成為數據分析師：必備的工作技能

三個成為數據分析師的學習重點：專業技能、產業知識、及批判性思考：

• 專業技能：Excel、程式語言 SQL、R / Python。此外資料視覺化工具例如Tableau、統計知識，也是資料分析師需要培養的能力。
• 產業知識：不同產業的分析面向，差異很大。建議「一開始就先選定特定產業，了解它如何運作、自己又該補足哪些知識。」
• 批判性思考：多運用框架幫助思考，如 AIDMA 行銷框架、AARRR 產品框架，把宏觀的現象拆解成一個個可驗證的步驟。另外，目標導向思考也很重要，能幫助自己「了解對方為什麼要做這件事？我們的觀點又是什麼、該如何幫助對方？」做到目標導向的思考，才能釐清對方的需求、真正解決問題。
• 軟實力：能夠團隊合作解決問題的能力，關注數字的細節和準確性，擅長口頭與書面的溝通表達包含寫報告和進行presentation。

資料分析師兩大工作內容：需求確認及分析

資料分析師一天的時間分配，工作有一半時間在做分析工作「SQL 跑資料、畫報表」，然而每天花最多時間的，反而是「需求確認」！與部門同事討論、了解他們的資料分析需求。例如：

• 為什麼他們需要資料？
• 這些資料能夠解決他們的問題嗎？
• 除了他們所需的資料，我們如何挖掘其他資料，幫助他們了解的更多？

從事數據分析工作通常要經歷幾個步驟

1. 定義要解決的問題
2. 收集正確數據
3. 清理數據
4. 數據分析與解讀

數據分析的類別大致上有這四種：

• 描述分析（Descriptive analysis）：描述性分析回答 What happened 這個問題，確定已經發生的事，雖然沒辦法從中做出預測，但是整理好的描述分析能確認數據以有意義的方式呈現，並打好進一步分析的基礎。
• 診斷分析（Diagnostic Analysis）：診斷分析幫助你了解 Why did it happen 為什麼會發生這樣的狀況，資料分析師能找到過去存在類似的模式，將可能導致這個結果的因素建立相關性，例如電商結帳失敗提高的原因，可能是結帳頁面要填的資料太多導致客戶流失，可以從過去與現在填寫完成率做比較。
• 預測分析（Predictive Analysis）：預測分析則是回答 What will happen 未來可能會發生什麼，透過找到過去數據的規律，預測未來的可能趨勢和潛在問題。例如透過過去數據的觀察，第四季是電商購物的旺季，廣告投放產生的效益和其他季有明顯差異。
• 處方式分析（Prescriptive Analysis）：處方式分析則是混合了其他數據分析，因為你知道希望的結果是什麼，為了達成這個目標，可以事前做出哪些相應的動作。例如保險業想要獲利最大化，就通過數據搜集預測誰是高風險族群，將他們的保費提高。

數據分析師工作機會

根據Glassdoor的資料，在台灣的數據分析師工資大概在年新月薪4萬到14萬之間，基本上是看資歷與工作經驗。電商的數據分析師職缺也很多，大部分的薪資都在四萬之上，根據1111人力銀行統計，目前數據分析師這個職缺就有近8000個工作機會。

不同的產業也都對數據分析師的需求非常旺盛，從軟體業到傳統的金融業、房仲業，都需要數據分析師的相關人才。

這篇文章 數據分析師( Data Analyst) 的 3 個必備技能與 2 大工作內容 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

「大數據」是指數量龐大而無法以傳統方式處理的資料，大數據的興起使資料探勘、統計領域成熱門科目，且造就許多新興職 …

「大數據」是指數量龐大而無法以傳統方式處理的資料，大數據的興起使資料探勘、統計領域成熱門科目，且造就許多新興職業，根據知名印度教育公司Great Learning指出大數據人才已是各行各業不可或缺的人力資源，並依序介紹當今歐洲五種數據科學職業，分別是「數據科學家」、「數據分析師」、「數據工程師」、「數據架構師」、「機器學習工程師」。

許多產業皆透過大數據分析預測未來趨勢，使大數據成為各行各業必定發展的數位技術，而Great Learning提供分析、數據科學、大數據、機器學習、人工智能、網絡安全、全棧開發、雲端計算、深度學習等職業關鍵課程，下列將說明Great Learning所提及歐洲五大數據科學職業的職責，以及在業界扮演的角色。

一、數據科學家

數據科學家是種需要一系列技術和基於所在領域的技能，來管理和分析數據以解決業務問題的職業。

所需技能：

1. 具R、SAS、SQL、Hive、Pig、Spark、Python 等知識。
2. 具量化研究和大數據分析的專業能力。

二、數據分析師

數據分析師是指具數據洞察力，將原始數據轉化成可用於制定決策的資訊或知識的職業。

所需技能：

1. 具R、SAS、Python、HTML、C++、SQL 和 Javascript 等知識。
2. 需熟悉使用多種工具的「數據檢索」、「資料倉儲」、「數據可視化」。

三、數據工程師

數據工程師是開發、實施和維護數據系統，擁有建立「創建軟體解決方案」能力的職業。

所需技能：

1. 具Apache Hadoop和 Apache Spark、C++、AWS、Azure 等專業知識。
2. 了解數據庫系統、資料倉儲解決方案、ETL工具以及 Python、Java 等編程語言，並對其算法和數據結構有充分知識。

四、 數據架構師

數據架構師負責建立和維持公司資料儲存的技術基準，策劃硬體和軟體的結構，確保資料儲存系統可支持未來的資料量和分析需求的職業。

所需技能：

1. 應用數學和統計學於基本編程語言。
2. 擅長數據可視化、數據遷移、數據處理、數據建模、數據庫管理和數據挖掘。

五、機器學習工程師

機器學習工程師是創建機器學習程序和運用演算法，使其機器能不受指示的情況下採取行動。

所需技能：

1. 具應用數學、計算機科學、軟件工程、數據分析和特徵工程等概念。
2. 具機器學習演算法和交叉驗證等方面知識。

上述歐洲5種數據科學職業，各有特色，沒有所謂的優劣，取決於個人所任職的行業和工作類型，加上大數據已是主流趨勢，也替數據人才開創職業生涯的黃金機會。

這篇文章 大數據時代產物 5種數據科學頂尖職業 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

寫這篇文的初衷並不是想勸退所有準備成為分析師的人們，而是希望透過自己的觀察讓更多人了解職場的現實狀況是什麼，因為公司對於分析師的需求可能會逐年遞減。

文／Tom Sung

Master of Business Analytics 無疑是全球近三年最夯的program，沒有之一。

除了因為多數MSBA不會要求申請者一定要有技術背景之外，Business analysis也是職場必備的能力，在Linkedin上要求business analysis 的職缺甚至超越了Project management，也因此MSBA畢業的學生職涯出路相當寬廣，幾乎每家公司都可以找到MSBA畢業的人在擔任公司內部的business analyst, data analyst, data scientist 或是data engineer。

然而根據我自己還有身邊許多做數據相關朋友的經驗，我們一致覺得上述出路最普遍的 business analyst 和 data anlayst（以下會統稱數據分析師）正在趨近飽和，理由很簡單，就是市場對於分析師的需求真的沒那麼高。

在進入正文之前，我想先定位釐清這篇文章想探討的是「數據分析師」，而不是「數據工程師data engineer」或「數據科學家data scientist」。儘管這三者間或多或少都有重疊，但若以主要工作內容來劃分，數據分析師是用數據來回答業務端的問題、數據工程師的任務是把數據庫架好、數據科學家則是運用比較複雜的技術來發掘business insight。

除了上述提到的分類以外，另外一種常見的business analyst也會在管理顧問公司看到，但由於其角色更類似初階的consultant，因此不會在這篇討論。

1. 關於數據分析師的工作

首先，數據分析師的工作類型可以簡單切分為「廣」和「深」兩種。

顧名思義「廣」指的就是平時合作對象比較多，處理的需求類型也比較多樣化，但大多數任務都不需要用到複雜的研究工具。

比較常見的工作是跟業務團隊討論需求、SQL拉數據、然後用視覺化工具製作報表，雖然對複雜的分析技巧能力要求不高，但對於分析師了解公司整體業務的程度以及需求處理速度會有比較高的期待，所以一般來說這類型的分析師比較容易出現在追求快速成長的公司。

以我目前的公司為例，公司規模300人，但我是公司唯一負責商業分析的分析師，工作內容像是早上和compliance團隊合作找出可能的fraud case、下午用SQL找出最近有參與行銷活動的用戶清單再請工程師空投代幣、傍晚和歐洲的BD團隊討論該怎麼設計發給用戶的月報，最後是和data engineer開會討論最近有哪些常用到的query能夠請他們協助進行modeling。

儘管聽起來很像是在扮演專案經理的角色，但這樣的情境在許多分析師的日常早已見怪不怪，畢竟讓業務團隊知道數據團隊會怎麼樣協助他們也是分析師每天的責任之一，而這也是為什麼有些分析師會說自己是BAPM (Business analyst + Project manager) 的原因。

至於工作範疇相對較「深」的研究型分析師則是以技術為導向的分析師，對統計分析能力會有一定程度的要求。然而真正需要這類型分析師的公司大多都是本業已經相對穩定，需要透過專業的分析師協助找出新的Insight；又或是需要依靠數據分析維生的公司，因此有需求的公司多半會直接選擇雇用由data scientist來負責。

根據我自己在新加坡職場五年半的觀察是，除了規模千人以上的科技公司因為業務廣泛所以能將這兩種類型的分析師職責劃分清楚以外，其餘公司幾乎不可能同時存在一個分析師同時要負責又廣又深的工作內容，除了兩種職責本質上的衝突以外，研究型分析師若被放在一間仍然在追求擴張的非數據新創公司裡面，那只能說是大材小用；反之如果要求一個擅長專案管理的分析師花幾個月的時間產出一個深度分析報告，那也很容易使不上力。

至於為什麼在Linkedin上時常會看到很多公司要求數據分析師「精通」Python或R ？

個人看法是有約80%的公司是需要請人來維護之前的分析師所寫的程式碼，而剩下20%的公司則是抄襲別家公司的Job description複製貼上而已。

以上大致介紹完分析師的工作後，接下來我會說明為什麼我認為市場上不需要這麼多分析師的理由。

2. 公司只會讓極少數人有數據庫的權限

數據庫權限可以說是數據分析師的工作命脈，然而公司只會讓極少數人擁有數據庫的權限。

其實這點應該不難理解，因為資料安全對於任何一間公司來說絕對是數一數二重要，換句話說，讓越少的人拿到這些數據肯定是相對安全的做法。

過去在前東家的時候，儘管公司員工逼近2000人，但所有的數據報表都來自我們不到7個人的數據分析團隊。我們的權限可以看到公司所有主要業務產品的營收、流量、用戶數，甚至是每樣產品的利潤我都可以算出來。

因此若非特殊情況，在分享數據報告的時候我們也必須依據分享對象所屬的團隊來做分類，例如我們不能將各個國家的商戶數據透露給其他國家的業務團隊知道，也不能將營收數字分享給非銷售團隊的同事們。

除此之外，我也能隨意查到任何一個用戶在哪段時間買了哪些產品或是瀏覽了哪些網頁，又或是商家的成本是多少，要不要犯罪說真的只是個人的良心問題，這也是為什麼很多分析師都需要像公司的高階管理幹部一樣簽比較複雜的保密協定，或是離職的時候跟同職級的同事比起來也會有比較長的garden leave，因為這些數字幾乎是公司的生存命脈。

3. 所謂的Insight真的沒那麼多

除了MSBA以外，Insight 也是近幾年非常夯的字，在Linkedin上搜尋 ”Insight analyst”也可以找到不少職缺，如果用中文解釋，網路上對於Insight普遍的定義是：「以某種思考模式推演出獨一無二的觀點」。

毫無疑問的找出Insight 也是大多公司對於分析師的要求，然而現實的情況是那些真正有價值的Insight從來就沒那麼容易被找到，絕大多數被稱為充滿「Insight」的報告都只是畫個趨勢線就能解釋的「Findings」。

我個人認為提出有意義Insight的首要前提是分析師需要對於產業和公司業務有相當程度的了解，但對於一個剛入行的分析師來說，光是熟悉業務可能就已經得花至少半年以上的時間；再來，Insight 並不是一個人坐在電腦前面就會突然想到的東西，而是得花大量時間和其他團隊研究討論才有可能從數據中挖掘出以前沒有注意到的新觀點，畢竟如果沒有業務團隊的知識或意見，所謂的Insight很容易就淪為沒有Action item的findings。

要達到這樣的能力，如果沒有大量的實戰演練對普通人來說根本很難辦到，這也是為什麼管理顧問公司的Business analyst在離開公司以後往往都會有很好的職涯發展，因為他們有大量來自不同產業客戶的問題實戰演練，這絕對是其他公司所找不到的獨特經驗和優勢。

此外，對於很多還在想辦法穩定盈利的公司來說，找到Insight 的重要性往往不及開發一個大客戶或是研發一個新產品重要；而對於那些營運模式已經相對穩定的大公司來講，找出Insight 的任務則早就交給data scientist進行了。

既然如此，一般公司真的有必要請這麼多數據分析師來找出Insight嗎？

由分析師提出的Insight真的不是其他業務團隊就能發現的Findings嗎？

又或者説，Insight真的有那麼多嗎？

4. Self Service 才是未來

如果在職場中我們每個人的工作都是為了讓公司更快速地做出正確的決策，那公司推動數據Self service就是個必然。

隨著越來越多的數據分析工具被打造出來，從Excel 到 Google sheet; Google analytics到Mixpanel; 外加數不完的分析工具像是Tableau, Talkwalker, Optimove.. etc ，所有的工具都以模組化且或是更簡易操作介面為方向而設計，目的就是為了減少業務團隊和分析團隊的溝通成本，進而加速決策流程。

這些工具的誕生除了讓業務團隊能夠自己撈資料跑分析之外，也讓數據不再是只掌控在分析師手中，而是真正下放到各個團隊，其中Tableau所設計的3種不同License 就是最經典的Self service 例子。

Creator license - 一般會分配給數據分析師，擁有可以在Tableau上建立和管理數據庫和Dashboard的權限。

Explorer license - 一般會分配給業務團隊內數據能力較好的人，擁有建立Dashboard的權限，但需透過連結Creator所建立的數據庫才能製作報表。

Viewer license - 分配給大部分的業務團隊同事和老闆，只擁有觀看Dashboard 的權限，無法建立Dashboard 或資料庫。

Tableau: https://www.tableau.com/zh-tw/pricing/how-to-decide

透過以上Tableau的模式，會發現隨著數據分析師逐漸將業務數據庫搭建好，許多分析的工作將能夠由各個團隊內部的explorer執行，從而提升各團隊決策速度，而數據分析師則會轉變為類似data consultant的角色，工作上會著重和data engineer合作創造更有效率的數據庫、管理數據權限、或是以宏觀角度提供業務團隊數據建議、並確保數據來源及各項指標定義的準確性，又或是有些分析師會轉往資料科學的範疇，透過分析更龐大的公司數據並提供給管理層有價值的Insight。

對我來說，Tableau目前已經取代許多需要使用Excel或Google sheet 畫圖的使用場景（又或是直接用Tableau簡報）。相對的，如果幾年後在SQL或Python上出現類似邏輯的工具我也完全不會意外，因為讓公司從「等待數據分析師提供數據」轉變成「每個團隊都能夠自己處理數據」才是公司能否加速決策的關鍵。

5. 數據分析師的職涯發展

分析師這個職位永遠不會消失，但產業性質和公司的規模會大大影響分析師的職涯。

首先，每間公司對於分析師的定位和不同產業間的成熟度真的不能以相同的標準看待，例如Tier 1科技公司和剛創立三年的新創公司對於分析能力的要求肯定不一樣；客服產業和電商產業的分析師所負責的Scope肯定有差別；金融業和旅遊業對於分析師處理需求細節程度和關注重點肯定也不一樣，久而久之在不同環境下養成的分析師在做事風格上都會有顯著的差別，間接導致自己適合待的產業及規模逐漸定型，所以每個分析師在轉職路上將會漸漸的踏上完全不同的道路。

再來，根據我過去5年的觀察，若職涯目標是成為數據總監，即使撇開產業和公司規模的限制最少都要滿足以下2個條件：

- 擁有Data analyst 背景

- 擁有Data engineer 背景

- 擁有Data scientist 背景

- 公司的數據元老，幫助公司從0到1架好數據庫跟數據報表

以上的條件雖然看似困難，但在分析數據的過程中其實或多或少都會接觸到資料庫或是基本的統計技巧，因此很多分析師可能會逐漸發現自己更熱愛建模寫Code、或是對於資料庫的優化很有熱誠，進而轉職成為Data scientist或是Data engineer，久而久之很自然地對於數據領域也有更全面的了解。

即使不往上升遷，成功轉職為數據產品經理、商業顧問、或是擬定策略的幕僚在數據行業裡面也是大有人在，因為分析師們除了得熟知所有業務團隊的狀況以外，老闆們也都需要仰賴數據才能訂定目標或是了解現況，因此有經驗的數據分析師常常是上述類型工作的不二人選。

然而以上的例子也是造成許多人誤認數據分析師是一個非常有發展的工作的主因，彷彿只要當上分析師以後未來就一片光明，但現實情況是「儘管全世界都在喊大數據和Data driven，絕大多數的公司做決策的時候從來就不會參考數據團隊的意見，並且把數據團隊定位在 Support 的角色。」而這個現象也打破許多剛入職的分析師對於這個職業的想像，導致大多數人還是處在一個迷茫的階段中打轉。

最後，寫這篇文的初衷並不是想勸退所有準備成為分析師的人們，而是希望透過自己的觀察讓更多人了解職場的現實狀況是什麼，因為公司對於分析師的需求可能會逐年遞減。

如果對於分析師的職涯發展還是很好奇的話，我建議直接用Linkedin搜尋過去2-3年內擔任數據分析師的人現在都在幹嘛，田野調查有時還是最有效的辦法。

這篇文章 數據分析師會走向泡沫化嗎? 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

資料科學是橫跨多領域的學術知識之一，其中包括統計學、數據探勘人工智慧 （AI） 和資料分析等，主要的目的是從資 …

資料科學是橫跨多領域的學術知識之一，其中包括統計學、數據探勘人工智慧 （AI） 和資料分析等，主要的目的是從資料中發掘價值。而資料科學的理念是在 1997 年初一場叫做「統計=資料科學？」的講座中， C.F.Jeff Wu 教授提出的。

2008 年DJ Patil 和 Jeff Hammerbacher 第一次用數據分析師（Data Scientists）這個詞來描述他們的團隊。在兩年後大家也見證了數據分析以及資料科學家之發展，最主要的原因是企業開始在交易中應用到相關技術。在大數據這個概念的建立於「3V」，數量、速率以及真實的理念。而大數據的時代中，最重要的三個需求就是要大量的、快速的、真實的資料。儘管儲存大量的資料是一直以來都沒問題，不過分析和處理這些資料的方法卻有限。

據了解，「準備資料再進行分析」也是數據分析重要的環節之一，過程包含了清理、彙總及處理資料。而寫程式雖然不是數據分析師主要的工作內容，但是因為統計的運算不運用工具會相對的花時間，再加上通常數據量都會很大，沒有使用 Python或 R 來協助整理。現在世界處於一個資料科學模型自動化的階段。靠著數據分析，模型自動化將會越來越被廣泛使用。

然而，關於數據分析師們都必須要對機器學習與人工智慧有一定的掌握度，原因是它們資料撇不開的關係。沒有數據就無法做到機器學習或開發人工智慧。在數據分析自動化已經成為了我們生活中的一部分，根據業內專業人士的預估，數據分析自動化將會很短的時間內有更加突破性的發展。

對此，數據分析師的薪資在台灣堪比軟體工程師，以沒有經驗的社會新鮮人來說，起薪大約也能達到 44K，一至兩年經驗的數據分析師的薪水就能翻倍，達到 80K 左右。年資再更久一點的人，年薪沒有破百萬都很奇怪。若是身處在外商公司，一位數據分析師的薪資還有機會再達到更高的境界。（記者／宋柏瑜）

這篇文章 數據分析師  年薪破百萬不是夢 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

天氣預報對現代的人來說每天出門之前，多數人都會留意的事物，新資訊能讓個人決定自己要不要多準備預防配備。然而，除 …

天氣預報對現代的人來說每天出門之前，多數人都會留意的事物，新資訊能讓個人決定自己要不要多準備預防配備。然而，除了個人外，「天氣」也幾乎影響著各行各業，許多工作都必須看老天的臉色吃飯。現在已經是高科技時代，如今卻可以透過科技賦能，讓天氣助力行銷，以「天氣預報」App 著稱於世的 IBM 子公司 The Weather Company 就指出，該工具可使企業利潤增加約 12% 到 20%。所以，天氣對現代人們的日常生活息息相關，運用天氣的數據，是企業善用數據的契機點。

據悉，天氣數據對企業來說，是一個新的商機。科技公司 IBM 在2015年底斥資25億美元買下大型氣象公司 The Weather Company 的數位部門，看上的就是巨量氣象數據所帶來可延伸性。The Weather Company 會從全球數十億的預測地點搜集的數據，每小時搜集15次，再把數據的相關資料回饋到 IBM 的 AI 模型中，滿足各類型企業客戶的需求。

另外，對於保險業者而言，也可以使用天氣數據，在當今極端氣候好發的狀態下，更精準設計保險產品，也能減少許多詐欺索賠的類似狀況。而除了大範圍的預測天氣，美國新創公司 Tomorrow.io 也能夠做到「即時預報」（nowforecast），提供以分鐘為級距、以街道劃分所預計的範圍。對此，在綜合原本大氣總署的數據以及自己所搜集的相關數據，再用人工智慧建立天氣預模，最後即時的天氣預報服務。

最後，Tomorrow.io 認為，既然已經有的氣象觀測器數量使得整體天氣預報的精準度有上限，而目前他們是以行動網路來監測，還可以觀察行動通訊的訊號品質之變化，以其數據來預測降雨。（記者／宋柏瑜）

圖片來源：123RF

這篇文章 Google、IBM 紛紛搶攻天氣數據商機  企業善用數據的契機點 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。