資料分析和廚師料理一樣！資料分析的 9 大流程
資料分析的流程一開始，必須先確認目標或問題，並依此蒐集資料、清理、檢視資料單一變數分佈、多變數之間的關係，進一步針對目的執行對應分析或建立模型，並且呈現便於使用者理解分析結果，將相關內容部署到應用環境上，依據資料提供的洞見採取行動，同時定期監控分析結果的成效。而資料分析的目的，可以先參考資料分析的三大目的：探索、解釋及預測一文。
內容
- 資料分析9大流程
- 確認目標或問題（今晚我想來點...）
- 蒐集資料（準備食材）
- 資料清理（清洗食材）
- 資料檢視（試試食材品質）
- 資料分析或模型建立（開始料理囉！）
- 結果呈現（美美的擺盤）
- 部署（上菜）
- 行動（嚼嚼嚼）
- 監控（滿意度回饋）
- 結論
- 最後
以下個階段都先從廚師角色出發，我們一起看看，資料分析流程和廚師料理究竟有多像！
資料分析9大流程
資料分析流程與精進循環
確認目標或問題（今晚我想來點...）
客人坐進你的餐廳，點了一份義大利麵。這時候身為廚師的我們，不會直接在廚房就開始料理，而是會細問要青醬、紅醬、白醬或是清炒？配料要用海鮮、肉醬或是蔬食。
我們知道義大利有很多種樣態，客人想要什麼，必須在開始的時候完整確認，也就是所謂的需求訪談。
在需求訪談的時候必須問出客人想要的究竟是什麼。需求訪談的詳實程度，決定客戶最終的滿意度。
客人的需求如同靶心，沒有確認好需求目的，再頂級的廚師團隊（資料分析師們）、再傳說的廚具（電腦硬體）、精準的火侯刀工（演算法）和頂級食材（資料）都只會脫靶。
如同在資料分析前最重要的事：決定「分析單位(unit of analysis)」一文中所述，確認分析標的（確認「分析單位」），攸關客人是否心甘情願吃下這盤他心目中理想的義大利麵。
蒐集資料（準備食材）
食材的來源會依照我們提供不同的服務而異。如果我們是在自己開的餐廳裡料理，我們的餐廳可以有非常大的冰箱（我們自己擁有大量可重複應用的資料），天上飛的、海裡游的、地面爬的應有盡有，就看客人需不需要；有時是去客人家料理，食材就可能是在客人家的冰箱中（客戶自有資料），或是我們要從外面（開放資料）準備攜帶過去。甚至有時，客人慕名而來是因為我們可以自己種的有機食材，（生成資料、合成資料，如製作問卷發放回收、合成特定隱私資料等）都是可能的來源。
然而，重點仍在於蒐集或應用的資料，必須和客人想要的有關。例如客人想要的是番茄肉醬義大利麵，身為廚師的我們，就不會準備羅勒要打青醬。
當然，我們專業上會建議不要這樣，但當客人真的想要試試番茄肉醬義大利麵中加點青醬，只要食材備齊，客人接受，沒有我們覺得不行的道理！誰叫出錢的是老闆呢！
番茄肉醬義大利麵，有帕馬森起司和巴西里，但沒有青醬(應該吧)
資料清理（清洗食材）
蔬菜沒清洗乾淨就料理，吃土沒關係，但可以接受品嚐農藥嗎？
食材的清洗和食材的來源息息相關。如果資料越原始，清洗所需要耗費的時間越長。原始的意思代表資料在蒐集的過程中，沒有經過標準化，例如收到的食材是鮮蚵，還是帶殼的那種，處理完之後還有一堆垃圾（我說的是殼），這就像收到一堆資料，而且都是紙本，處理完之後還有一堆廢紙。
所以不幸的話，首先需要將客戶提供的資料數位化，並定義資料欄位的標準化格式以及合理的範圍區間，例如一顆正常的牡蠣落在5到15公克重，資料上發現有顆50公克重的牡蠣，那就要看和來源是否相符（看是不是賺到了一顆生蠔，要嘛丟掉不然吃掉）；一般來說，會是多填了一個 0 的鮮蚵而已，必須修正資料，確保資料正確性。
幸運的話，接觸到的食材已經過標準的清洗流程、和依規定的大小分切完成，並貼上標籤妥善儲存在冰箱中對應位置，也就是做好了資料倉儲管理（data warehousing）。不過，即便有了智慧化、標準化、倉儲化的冰箱，料理前還是需要依照客人的口味需要，進行微調；微調是否耗工，端看這個冰箱多麼智慧和標準。
資料檢視（試試食材品質）
廚師的味覺是與生俱來的，但是不同食材會受到季節、地域不同有所差異。確保所要完成的料理相對應的食材是否備齊、味道是否如同想像；料理前先對各項食材單獨嚐試過一輪、互相搭配測試口味也不為過。
料理前總要先確認冰箱裡有什麼，新不新鮮、食材之間是否可以互相搭配。資料分析也必須從理解資料開始，也就是探索性資料分析。這個階段的目的在於理解資料的分佈，和資料之間的關係，並且朝著分析目標的方向探索。例如透過次數分配表、直方圖、長條圖、圓餅圖等，了解各個變數的分佈狀況。進一步透過變數之間的相關性，初步掌握資料間彼此的關聯為何。
資料分析或模型建立（開始料理囉！）
廚師和傳說廚具（電腦硬體）、精準的火侯刀工（演算法）和頂級食材（資料）的相遇，就是現在了！
廚師最令人敬佩的地方，在於知道客人想要的佳餚後，就已經掌握需要的食材、烹飪方式和調味比例。烹飪方式和調味比例最吃廚師的功力，就像是資料分析或模型建立，也可以說就是演算方式。
這裡所謂的「演算方式」並非嚴格定義的演算法，可以是資料流程的設計、計算平均、比較差異、了解組成或結構等，也可以是透過應用既有的統計方法、機器學習方法建立解釋或預測模型，以滿足客人對於成品的想像。也就是說，廚師本身十八般武藝，蒸煮炒炸燉烤烹煎樣樣行；但這樣的能力並非與生俱來，而是在不同的客人需求以及各種食材間來回穿梭，一步一腳印踏出來的，最需要的是實務經驗的累積。
結果呈現（美美的擺盤）
料理美味，要兼顧視覺享受。
好吃的料理要「色香味」俱全，「色」更是重中之重。料理終究需要出餐到客人面前享用，必定需要適當的擺盤。如果客人看到端上桌的是一盤慘白無修飾的義大利麵，鐵定滿臉問號，就算只是需要客人用叉子輕輕翻攪一下，就可以發現美味的番茄丁和肉醬，這樣的神祕感絕不能是資料分析的調味料。
但這不是說把不能吃的東西弄得很好看就可以賣了，而是料理本身已經是美味可口的番茄肉醬義大利麵，就是出餐前再貼心一點，先鋪麵、淋肉醬、補番茄丁、灑巴西里、轉帕瑪森，讓客人一看就知道這是他要的番茄義大利肉醬麵；前面是不是沒有提過巴西里和帕瑪森？高於客人期待，超過100分。
資料分析的結果就像料理擺盤，需要藝術的美感，但最重要的是資訊的表達，必須簡單明瞭。重要的內容優先、明顯，結果呈現的數值單位定義清楚、一致，客戶不經說明就可以理解，就是最好的結果呈現方式。
部署（上菜）
將客人點的餐點，放到他適合吃的地方。
料理完成之後，總要端上桌。而上菜的方式要看客人是到餐廳享用，或是點外送到客戶公司，甚至只點我們的料理當開胃，是要搭配他們的主食。
分析結果的呈現可以是透過網頁或是其他視覺化工具，提供客戶獨立網頁線上瀏覽，或是嵌入到客戶現有的網站中，甚至模型的應用是包裝成應用程式介面（API）提供客戶取用，更可以是將模型直接整合到客戶的業務流程當中，端看客戶的需求是使用方式。
行動（嚼嚼嚼）
餐點準時送達，不要客氣，開吃！
餐點送達之後，客人想要如何食用，或是搭配其他食物、飲料，都是客人的自由。不過廚師對於自己的料理，一定要說得出口的品嚐美味的方式。例如：應該先聞香氣，嚐一口肉醬味道，再和義大利麵拌勻，大口吸入麵條！
好的分析結果必須帶來可行動的方案，例如：分析結果發現連續數年的營業額下降，原因是青少年人口減少，那麼將產品銷售對象轉為成人或高齡者，就會是一個可行動的方案。而若是預測模型，則可以禦敵於先，像是預測結果是暑假第一個週末的爆量出遊人潮，那麼多聘僱一些臨時工讀生就是一各行動方案。
監控（滿意度回饋）
請問滿意今天的餐點嗎？
廚師的任務起點，不是在客人點餐開始，而是品嚐之後。知道每次的料理是否符合客人期待和口味，用完餐點的滿意度調查至關重要，可以讓我們知道，這次的餐點水準如何，有沒有可以再精進的地方。雖然餐點不如預期的主因，多數時候是缺少關鍵食材或是食材品質不佳。
資料分析的監控目的，在於隨時注意分析結果是否正常，以及掌握分析的品質或預測的準確度是否符合預期，更重要的是，其中隱含未來可作為精進的方向。監控的方式相當多元，包含服務是否正常？客戶依分析結果行動前的預期和結果之間的差異是否為正？預測結果和實際結果一致性是否高度重疊？資料或是模型的作動是否偏離預期？監控是資料分析的最後一里路，更是優化資料分析的起點！
結論
看到最後，幾乎可以明白資料分析流程和廚師料理過程幾乎一模一樣！本文透過比較容易想像的廚師料理的過程，說明資料分析的流程。並且強調了解客戶的需求和業務流程，是好的資料分析的關鍵；另外納入一般分析流程中較少提到的「部署」、「行動」和「監控」，完備資料分析從無到有，以及未來精進且不可或缺的完整程序。
最後
用「廚師做料理的流程」比喻資料分析的工作，大概是從資料分析這個詞被發明以來就已經存在。本文透過輕鬆的描述，和大家一起重溫或是了解資料分析的過程如何。目的是作為之後文章的引子，先有詳細的流程，後續各部分說明的時候，不至於瞎子摸象。
如果有更恰當的比喻、想法或是覺得有遺漏可以補充的地方，都歡迎留言和我分享，謝謝。
你可能也想看
