數據分析｜成為數據分析師的第一堂課，Google 破壞大學學位計畫
2021/08/01閱讀時間約 10 分鐘
不知道大家曾經上過哪些線上平台的課程，我自己是許多線上課程的學生，包含Coursera、Udemy、Hahow、大大學院、Matertalk和商業思維學院；關於特定主題的程式與英文，也曾在 Alpha Camp、六角學院和Voicetube 上過課。你問我為什麼會報名那麼多課，比起知識焦慮，不如說是在離開體制內的教育後，發現自己在目標職涯所具備的技能與知識，有很大的不足需要填補，而這些卻也是過去大學課程和現在職場上，沒有提供的。為了能更勝任自己的職務和提高個人在市場的價值，展開「自學」這條路，也開始了解到「活到老，學到老」的目的與真諦。
PS：之後會以學生的角色，寫一篇關於各家線上課程平台的比較與分享。
PS：之後會以學生的角色，寫一篇關於各家線上課程平台的比較與分享。
《商業思維學院官網》https://bizthinking.com.tw/
《小克の專屬折扣碼》點擊連結註冊商業思維，立即獲得優惠折扣碼！
透過邀請連結入學《商業思維學院》，購買指定方案即領6個學習貝獎勵（價值$600元）！
VUCA的高變動性時代，除了網路蓬勃發展，資訊取得更加觸手可及，也讓未來社會所需要的技能和工作型態，產生許多新業態，過往體制內的科系，遠不足以應付未來世界的工作職能，而Google則根據未來市場急需且「高成長、高收益的工作」，推出3大數位學程，分別是數據分析（Data Analytics）、專案管理（Project Management）以及 UX 設計（User Experience Design）。當應徵 Google 相關職位時，課程證書將等同大學畢業證書。
這次我報名了數據分析（data analytics）學程，並且和一群朋友籌組了數據分析學習小組，這些朋友多在公司擔任產品經理、專案經理和技術工程師，我們發現不論是哪類型的職位，甚至在日常生活中，數據分析都是一項必備的技能，協助我們找到問題的肇因、運用數據導向的思維、判斷出最佳的決策，因此我認為建立完整的數據分析概念和知識，是一項非常必要、也非常值得的投資。
Google開設這門課的目的，便是以協助學員成功獲取數據分析師的工作機會
接下來每一週，我都會分享自己在 Google Data Analytics 數據分析學程的筆記與學習心得，除了融會貫通自己的學習內容，也希望對以下三種人有幫助：
- 還在觀望這項課程的人
- 想要成為數據分析師的人
- 想要建立數據分析思維與技能的人
我將數據分析的基礎概論，使用心智圖分成五大類別（這是我個人的收斂結果，和原本 Google 的教學大綱不同），分別是：
1.角色：數據分析中的角色、定位與技能
2.目的：數據分析的目的與商業應用
3.流程：數據分析的流程
4.偏誤：數據分析中，可能產生的偏誤
5.工具：資料生命週期和數據分析的工具
1.角色：數據分析中的角色、定位與技能
2.目的：數據分析的目的與商業應用
3.流程：數據分析的流程
4.偏誤：數據分析中，可能產生的偏誤
5.工具：資料生命週期和數據分析的工具
一、角色：數據分析中的角色、定位與技能
在開始了解數據分析前，先來說明幾個大家時常搞混的角色、定位與技能：
（一）商業分析師 v.s 數據分析師
・商業分析師（Business Analyst，簡稱 BA）：
依據商業目的，透過各種手法，包含市場、需求、數據等分析面向，挖掘企業、商業或專案的問題與機會，提出解決方案或策略。
・數據分析師（Data Analyst）：
利用資料統計和分析，進行資料探索與預測，產出統計分析報告提供管理層決策使用。
依據商業目的，透過各種手法，包含市場、需求、數據等分析面向，挖掘企業、商業或專案的問題與機會，提出解決方案或策略。
・數據分析師（Data Analyst）：
利用資料統計和分析，進行資料探索與預測，產出統計分析報告提供管理層決策使用。
（二） 數據領域中的三大職業
・數據分析師 （Data Analyst）：
利用資料統計和分析，進行資料探索與預測，常見的統計軟體例如： SQL、SPSS、R 和 Excel，依據需求設計支援商業或分析的工具，產出統計分析報告提供決策參考或應用，需要能夠操作統計軟體的技能，專注於分析與統計。
・資料工程師（Data Engineer）：
利用程式設計資訊架構、環境與平台，依據資料量、儲存條件、資料查詢和分析需求，進行資料爬蟲、資料庫設計、資料處理（清洗、轉換）和資料建模等。需要程式和資料庫設計、巨量資料處理技能，專注資料結構設計、資料清洗和環境建置。
・資料科學家（Data Scientist）：
利用演算法、建立模型、資料清洗、資料探勘、機器學習等，從巨量數據中探索與實踐具有價值的產出。需要統計分析、程式設計和相關產業領域的知識，並應用資料以創造商業價值或解決方案。
利用資料統計和分析，進行資料探索與預測，常見的統計軟體例如： SQL、SPSS、R 和 Excel，依據需求設計支援商業或分析的工具，產出統計分析報告提供決策參考或應用，需要能夠操作統計軟體的技能，專注於分析與統計。
・資料工程師（Data Engineer）：
利用程式設計資訊架構、環境與平台，依據資料量、儲存條件、資料查詢和分析需求，進行資料爬蟲、資料庫設計、資料處理（清洗、轉換）和資料建模等。需要程式和資料庫設計、巨量資料處理技能，專注資料結構設計、資料清洗和環境建置。
・資料科學家（Data Scientist）：
利用演算法、建立模型、資料清洗、資料探勘、機器學習等，從巨量數據中探索與實踐具有價值的產出。需要統計分析、程式設計和相關產業領域的知識，並應用資料以創造商業價值或解決方案。
（三）數據分析中的兩種角色
- 數據分析師：Google這門課主要是培養「數據分析師」的技能和思維
（1）五大技能
・好奇心：提出對的問題，發掘事物的全貌與核心
・了解內容：釐清全貌和已存在或發生的事實
・技術思維：具邏輯性的拆解問題、步驟與事物
・資料設計：有效組織與規劃資料和產出
・資料策略：運用「數據思維」管理資料、工具、流程、利害關係人和策略
・好奇心：提出對的問題，發掘事物的全貌與核心
・了解內容：釐清全貌和已存在或發生的事實
・技術思維：具邏輯性的拆解問題、步驟與事物
・資料設計：有效組織與規劃資料和產出
・資料策略：運用「數據思維」管理資料、工具、流程、利害關係人和策略
（2）六大思維
・可視化：提供易讀易懂的分析結果與產出
・策略：找到或優化如何運用資料解決問題的方法
・問題導向：以解決問題為導向和目的進行資料分析
・關聯性：觀察與思考過程中，資料或各領域間可能的關聯性（不等於因果關係）
・大局觀：拓展視角，以綜觀的角度進行思考和判斷
・注重細節：注重和避免忽略數據分析和問題的細節
・可視化：提供易讀易懂的分析結果與產出
・策略：找到或優化如何運用資料解決問題的方法
・問題導向：以解決問題為導向和目的進行資料分析
・關聯性：觀察與思考過程中，資料或各領域間可能的關聯性（不等於因果關係）
・大局觀：拓展視角，以綜觀的角度進行思考和判斷
・注重細節：注重和避免忽略數據分析和問題的細節
2. 利害關係人：
在數據分析的流程，必定會有除了數據分析師外的其他利害關係人，包含提出需求的客戶、相關領域的專家和內部數據團隊的夥伴，每位數據分析師皆需要具備能夠有效與利害關係人溝通、協調和聚焦需求，以產出符合分析需求的成果，這部分的細節會再後續幾堂課說明。（等撰寫完後面的章節，會再將連結附上來）
二、目的：數據分析的目的與商業應用
數據分析的目的，不外乎分成兩大類型：
・解決現況問題
・找到未來機會
從這兩大類型我們可以得知，當我們在進行數據分析前，了解分析的目的、數據使用者和場景，能夠更幫助我們精準的搜集相關資料、設計出符合使用需求的產出。
以我個人過去的工作為例，曾經老闆向我們團隊提出要在公司導入填寫工時的政策，當時從宣達各部門工時填寫到產出工時報表，整個過程受到各單位強烈的反彈外，連老闆也十分唾棄我們辛辛苦苦收集和產出的工時報表，這項專案失敗的原因有三個：
（一）數據分析目的不明確
（二）缺乏分層管理不同的數據使用者、提供者和領域專家
（三）數據分析應用不明確
重新檢視為什麼老闆提出導入填寫工時的目的和不同的利害關係人，比較好的做法應該是：
（一）釐清和收斂工時填寫的目的與期待的應用
（二）了解公司產能和工時的現況、困難
（三）依據目的和現況，進行資料設計和策略導入
（四）依據老闆、各部門主管、填寫工時的同仁，分層管理需求和導入策略
尤其同一項數據分析的專案，根據不同層級的使用者，也需要相對應呈現不同的分析報告，例如
・老闆：時間寶貴又需要管理整間公司，分析報告需要能夠快速掌握到公司營運的重大方針或缺失，易讀易懂的視覺化和重點式報告最適合
・部門主管：需要能快速掌握部門、專案和團隊重大議題或狀況，因此適合可彈性操作的儀表板。
（一）數據分析目的不明確
（二）缺乏分層管理不同的數據使用者、提供者和領域專家
（三）數據分析應用不明確
重新檢視為什麼老闆提出導入填寫工時的目的和不同的利害關係人，比較好的做法應該是：
（一）釐清和收斂工時填寫的目的與期待的應用
（二）了解公司產能和工時的現況、困難
（三）依據目的和現況，進行資料設計和策略導入
（四）依據老闆、各部門主管、填寫工時的同仁，分層管理需求和導入策略
尤其同一項數據分析的專案，根據不同層級的使用者，也需要相對應呈現不同的分析報告，例如
・老闆：時間寶貴又需要管理整間公司，分析報告需要能夠快速掌握到公司營運的重大方針或缺失，易讀易懂的視覺化和重點式報告最適合
・部門主管：需要能快速掌握部門、專案和團隊重大議題或狀況，因此適合可彈性操作的儀表板。
三、流程：數據分析的流程
不同產業、公司或分析目的的流程也都會有些差異，流程的目的並不是遵守，而是能協助執行數據分析的過程中，更有效地達到目的。
以下是 Google 內部所使用的數據分析流程，而 Google 數據分析（Data Analytics）學程，便是依據數據分析流程作為課綱，階段性教學有哪些工具、知識和場景。
（一）詢問：了解目的、問題和其他相關資訊，包含專業知識與現況盤點
（二）準備：前置作業準備，例如資料收集和管理、利害關係人權責
（三）處理：資料處理，包含清洗、轉換和建立資料集
（四）分析：透過各式工具、模型進行分析和產出
（五）分享：向數據使用者發表分析結果
（六）行動：根據數據分析進行決策與行動擬定
四、偏誤：數據分析中，可能產生的偏誤
當我們決定利用數據分析來進行決策，其中一項原因就是希望能夠是盡量「客觀」與「中立」，因此確保在資料收集、處理和分析中避免偏誤非常重要。數據分析中的偏誤有非常多種，這裡提供幾項給各位做參考：
（一） 確認性偏誤（ Confirmation Bias）
當人們選擇性收集資訊或帶有偏見解讀資訊時，便會產生確認偏誤。
（二）解釋性偏誤（ Interpretive Bias ）
由非客觀資料或人們主觀感受所建立的資訊，導致「不理性」的結果。
（三）資訊性偏誤（ Information Bias）
收集資料過程，因為收集方式不當或限制使得測量產生誤差，導致的偏誤。
（一） 確認性偏誤（ Confirmation Bias）
當人們選擇性收集資訊或帶有偏見解讀資訊時，便會產生確認偏誤。
（二）解釋性偏誤（ Interpretive Bias ）
由非客觀資料或人們主觀感受所建立的資訊，導致「不理性」的結果。
（三）資訊性偏誤（ Information Bias）
收集資料過程，因為收集方式不當或限制使得測量產生誤差，導致的偏誤。
五、工具：資料生命週期和數據分析工具
（一）資料生命週期
因為資料會涉及時效性、隱私和權責等議題，所以當我們在使用資料時，必須了解資料的生命週期，進行妥善的運用，才能避免使用偏誤、隱私和法律等問題。
1. 計畫：根據資料使用目的，規劃資料範疇、使用和流程。
2. 收集：依循收集範疇進行資料獲取。
3. 管理：管理資料工具、使用權限、安全性和保存。
4. 分析：資料分析。
5. 封存：將資料封存或銷毀。
6. 銷毀：根據規範以決定是否需銷毀資料。
（二）數據分析工具
Google 數據分析（Data Analytics）學程中，會教大家如何使用 Google Sheet 和 R 來進行數據分析，而 Google 在2019年也收購 Looker 作為管理資料集和視覺化分析的應用工具。
目前業界較為廣泛使用的是 Excel、Tableau 和 Python，而我自己較擅長使用的是 Excel 和 Power BI，相信未來加上數據分析學程的知識學習，可以協助我在資料處理與應用上，更上一層樓。
不論你是對於數據分析有興趣或是正在考慮是否要報名 Google 數據分析（Data Analytics）學程，接下來我都會持續更新數據分析文章，同時也分享在工作上遇到的實際案例和工具分享；也歡迎在數據分析領域的專家，不吝提出建議與指教。
若喜歡這系列文章，歡迎愛心💕或收藏📂，給我一點鼓勵，並分享給有興趣的朋友有任何建議，歡迎寄信聯絡我：[email protected]
留言0
查看全部