數據分析師 Data Analyst 需要的四種能力
前幾個月被 promote 為 Senior Data Analyst，被升遷一來覺得開心，認為自己的價值有被肯定；另一方面覺得擔心，害怕自己被 promote 是因為對於公司的資料夠熟悉，但這樣的價值一旦換工作以後就消失了，因而產生了自我懷疑
後來在和其他 DA 交流，以及觀察自己和 mid-level DA 合作的過程後，發現到一些自己做得還算不錯的地方，因此對於 Senior Data Analyst 的身份有了多一點信心
想透過這篇文章，記錄一下自己認為一個好的數據分析師需要具備哪些能力，同時也分享給對於 Data Analyst 工作有興趣的讀者參考，如果有任何想法也都歡迎留言與我討論
下述內容都是來自我的個人觀察與心得，因為我的個人經驗有限，所以沒辦法考慮到所有情境，如果你有其他覺得也很重要但我沒提到的能力與特質，歡迎大家留言分享
0. 用 inspiration-per-minute 衡量 DA 的表現
在探討好的數據分析師該有什麼樣的能力之前，首先要先確認的是「衡量數據分析師好壞的標準」。衡量標準必須先定義出來，才可以知道哪些能力能讓我們相比其他分析師做得更好
然而，因為 DA 在做的事蠻多元（像是製作 dashboard, 產分析數據, 給予分析 insights），所以很難有個指標去綜合考量這些行為後給予一個評分
後來在前輩推薦下讀了這篇文章，裡面提到
The analytics game is all about optimizing inspiration-per-minute.
發現 inspiration-per-minute 是個很棒的指標可以概括所有 DA 在做的事。不管是製作 dashboard、產分析數據或是給予分析 insights，背後的目標都是為了給 decision maker "inspiration"，因此能夠在愈短時間內給出有意義的資訊，就代表這個 DA 更有價值
這裡強調「inspiration」我個人還有一層解讀是：
你做的分析必須要有意義，才會產生價值
如果你在很短時間內算好數字，但卻給了一個錯誤或是沒有回答到問題的分析，這樣你的 inspiration 為零，即便完成的時間再短也沒意義，因此用 inspiration-per-minute 去衡量表現時，背後也隱含了「設定正確分析目標」的重要性
1. 能釐清合作方的需求
我個人認為 DA 的工作性質很像顧問，工作的重點在於針對合作方提出的問題給予建議。而在回答任何問題前，我認為第一件該做的事是釐清合作方想的需求是什麼
這件事非常非常重要，一旦這件事沒做好，很有可能花了時間下去，結果卻做出一個沒有影響力的分析，這樣對於公司或是自己的績效來說，都不是一件好事
釐清需求時，我覺得有三個問題是需要被回答的：
- 這個問題真的存在嗎？
- 為什麼這個問題重要？
- 有哪些可能解決方案？
「這個問題真的存在嗎？」的重要性在於，確保需求方提的問題是對的問題。因為我遇過幾次需求方提了數據需求請我深入研究，結果談了之後才發現，他看錯數據或是做了錯誤的解讀，因此在收到需求時，先確認對方提的問題是否存在很重要，才不會花了時間下去之後，最後發現根本在處理一個不存在的問題
「為什麼這個問題重要？」的重要性在於，知道對方想達成的目標是什麼，因為目標會影響分析的方向，同一個數據可以因為不同的目標而有不同的解讀，因此需要知道目標才能確定分析該如何下手
「有哪些可能解決方案」的重要性在於，確保我們的分析建議是可以有相對應的行動方案。
分析必須對應到行動方案才能產生價值
如果分析結果不能被使用，這樣這個分析就沒意義了。
舉例來說，如果我們的分析目標是想找出一群高價值用戶去下廣告，在進一步分析前，我們需要先知道「廣告受眾的選項有哪些？」這樣才知道怎麼切分受眾，如果沒有做這件事，我們可能會跟行銷單位說「進站五次以上的使用者是高價值用戶」，但我們的廣告系統沒辦法做到進站五次以上的使用者判斷，這樣即便發現了這個洞察，也沒辦法被使用進而產生價值
面對需求方提需求時，最省力的方法就是直接無腦去算，還不用去想上面三個問題，可以省去很多討論跟思辨的時間，但以我們追求最大化「inspiration-per-minute」的角度來說，不先把問題定義清楚就下去做，最後可能無法產生 inspiration，你花的時間也都成為了無用功。
2. 能拆解問題並用數字詮釋問題
在了解問題核心後，下一步要開始「拆解問題」
舉我常被老闆問的問題為例「最近的營收下降的原因是什麼？」，要回答這個問題，必須先把「營收」拆小，才能夠找出更源頭的問題，進而提供優化的建議
可能的拆法像是拆成「人均消費金額 x 消費人數」、「北中南的消費金額占比變化」等，不同切入的角度會有不同的詮釋方式以及解決方案
拆解問題的技巧我個人比較習慣的是 MECE，透過 MECE 的方式去拆解問題，可以確保沒有漏考慮的情境，最後的結論會比較完備
在拆解問題時，有些時候會遇到很難直接拆解問題的情況，像是前面的「營收」，本身就已經是數字，因此很簡單就可以拆解，但有些時候你收到的問題可能更抽象，像是「我們公司適不適合在亞太區多聘一個業務」，這個問題就不是可以直接透過 MECE 拆解的，因此需要先透過「將問題轉換成數字」才可以做到進一步的分析
像是「我們公司適不適合在亞太區多聘一個業務」的問題，背後的決策邏輯是「只要聘這個人的收益大於成本」就值得多聘這個人，當我們做了這一層轉換之後，原本很抽象的問題就變成是可以用數字回答的問題了。當變成數字問題以後，就可以用 MECE 再往下拆小
不過，在用數字詮釋問題時，需要注意分析方法背後的假設是什麼，因為同樣一個問題，可以有很多分析方法，而不同方法背後都有不同的假設，假設不同，最後產生的結論也會不同。
像是我之前收到一個分析問題是「想找出成效最好的 sales + pre-sales 組合」，分析的背景是公司希望固定 sales + pre-sales 的配對，讓客戶可以有更一致的使用體驗（先前的配對都是隨機的）
在用數字詮釋這個問題時，一個方法是「各自看哪個 sales/pre-sales 表現最好，再把最好的幾個湊在一起」，這個做法可能可以找出很強的組合，但沒有達到公司這個問題真正想達到的目標。
因為公司實際上想找到的是「當某個 sales + pre-sales 湊在一起時，會比跟別人合作時有更好的成效」，在這種情況下，如果你單看 sales, pre-sales 個人的成效，你只能找到個人能力很強的人，但不代表兩個單兵作戰很強的人就很適合組隊作戰。怎麼樣的組合可以做到 1+1 > 2 才是公司這個分析真正追求的目標
3. 能用聽眾可理解的方式解釋分析結果
在拆解完問題並完成分析後，下一階段重要的能力在於，如何把分析結果，轉譯成合作方聽得懂的語言
舉例來說，我在前公司幫一個零售業客戶做了一次購物籃分析，過程中會使用到 lift 這個指標，A 之於 B 的 lift 愈大，代表購買 A 商品的人，更傾向買 B 商品
如果是一個不懂得轉譯分析結果的 DA，可能會直接跟合作方說「A, B 商品的 lift 最大，很適合捆綁銷售」，但對於多數的聽眾來說來說，lift 並不是一個有意義的指標，因此他們也無法根據這個結論去做判斷。
但如果我們在報告時，改成「A, B 商品的 lift 最大，代表購買 A 商品的人，傾向買 B 商品，因此很適合捆綁銷售」，把 lift 的定義用淺顯易懂的方式去說明，這樣可以讓聽眾用更短的時間吸收進而做出判斷，進而提升「inspiration-per-minute」
4. 能寫出好維護的 SQL
因為 SQL 不是一個太難的語言，可以很快就上手，因此我一直都不認為「會寫 SQL」是個好 DA 的衡量指標。
但最近感受到「會寫 SQL」跟「寫出能重複使用的 SQL」是兩個不同的層級。雖然 DA 的 SQL 不像是工程師一樣需要重複更新，因此可讀性或是可維護性沒有這麼講究，但如果有能力寫出好維護的 SQL，能夠讓我們在調整分析目標時，可以更得心應手。
這也扣回到一開始講的「inspiration-per-minute」，當我們寫的 SQL 可以更容易維護，未來想做類似分析或是想調整分析方向時，就可以用更短的時間產出有用的數據進而做出分析，這也是提升「inspiration-per-minute」的方法
一直以來對於怎樣算是一個好 DA 都只有很模糊的想法，剛好透過寫這篇文章的過程，釐清自己對於一個好 DA 的理解，也希望可以提供對於 Data Analyst 職位有興趣的讀者一些參考
如果你有任何想法或建議，都很歡迎在留言區提出分享！或是歡迎加我的 Linkedin 與我交流
