沒有數據支撐，你只是另一個有意見的人
Without data, you're just another person with an opinion - by W. Edwards Deming
數據分析師
不知道大家有沒有申辯過信用卡？
我還記得辦人生的第一張卡，額度只有 3 萬，還抱怨著銀行小氣。而身旁的經理，額度有 10 萬。
我就私下找一樣是菜鳥的同事開始討論，是不是看臉、看關係...還是怎樣的。
後來當我從事數據分析相關工作，才知道，決定這一切的，不單單只是月收入還有人脈關係還是什麼鬼的。
是這一切的一套審核機制，有個精密的風險評分模型。
而這個模型背後，就是有數據分析師參與其中。
數據分析師與生活的連結
用 IPO 思維看懂信用卡額度
還記得我之前分享的 IPO 思維嗎？
我想帶一次 Input-Process-Output 這個框架。
其實這邊有大概解釋了為什麼同樣申請信用卡，有人 3 萬有人 30 萬。
Input（輸入）：銀行有收集到什麼資料？
你以為銀行只看薪資證明？
其實 Input 階段包含：個人基本資料、信用紀錄、財務狀況、消費行為、甚至是申請時間和管道。
就像我曾經提到過的，好的 Input 決定後面的處理品質。
銀行要的是「能預測風險的完整輪廓」，不只是單一數字。
如果只有當個人的三個月薪資證明，那其實是遠遠不夠的。 ( 當然為了業務性質，也只能不斷修下限 )
Process（處理）：帶著什麼目的分析？ 銀行的目的很明確：「在可接受的風險下，最大化獲利」。
數據分析師會用統計模型或機器學習，把所有 Input 變成一個風險分數。
這個階段的關鍵是要評估，這個人未來一年裡面，如果跟我借了錢，有沒有辦法還。
Output（輸出）：然後呢？ 給出額度只是開始，真正重要的是「然後呢」。
銀行會持續監控你的消費模式、還款行為、信用變化，定期調整額度和利率。
這就是我說的「重要的輸出永遠要有後續」。
這個決策會變成下一輪 IPO 的 Input，形成持續優化的循環。
所以有界有還，下次再借就可以再慢慢的拉大貸款額度。
然後這邊用 IPO 框架，流程這邊拆解就清楚了。
這三個部流程就可以分割給三個不同的資料分析師做，分別對應的職稱，我想說下一篇再介紹。
分享一個美食 App 的小心機
大家有沒有注意，有些結帳頁面有那個「限時加價購」 。
我想透過這個選項，分享一下當初是怎麼會有的。
因為曾經有數據分析師先想過說 :「下單頁面若把加購品預設勾選，客單價會提升」。
接著設計 A/B 測試：A 組 ( 對照 ) 不預設勾選；B 組 ( 實驗 ) 預設勾選。
結果用統計檢定判讀說，是不是真的如他想的，再決定是否常態化推送。
這是在運用「預設效應」這種行為心理學工具，然後用統計方法確證是不是真的有用。
這是某一類數據分析師的工作，「用數據理解心理、再反向設計介面」的案例。
其他領域的數據應用
從 YouTube 推薦你可能喜歡的影片、Spotify 的每週新發現歌單，到 Google Map 即時路況、電商網站的商品排序，甚至是健身手環提醒你該運動了。
背後都有數據分析師的影子。
主要的工作核心定位就是，將「雜亂的資料」變成「有價值的洞察」，幫公司「降低風險、提高效率、創造營收」。
而大家，就是這些洞察最直接的受益者。
那數據分析師還有再做什麼？
我這邊提幾個我之前主要一定會做的工作類型，總共有三個 :
1. 商業儀表板製作
將雜亂的資料整理成易於理解的圖表與 KPI，讓管理層能快速掌握營運狀況。
類似就像汽車儀表板一樣，讓決策者知道「現在跑多快、油還有多少、引擎溫度正不正常」。
以時間線分類來說工作的著重於過去資料。
2. 深入分析報告
當儀表板顯示「業績下滑」時，數據分析師要深挖原因：是客戶流失？客單價下降？還是季節性因素？這需要設計分析邏輯，用數據回答「為什麼」和「怎麼辦」。
以時間線分類來說工作的著重於現在資料。
3. 進階模型應用
建立預測模型，例如「哪些客戶可能流失」、「新產品銷量預測」、「信用風險評估」。
這是把歷史數據轉化為未來洞察的過程。
以時間線分類來說工作的著重於未來資料。
你以為的 vs 實際的數據分析師
最大的迷思：以為重點是寫程式 ?
很多人覺得數據分析很技術、很遙遠，以為重點是「要會 Python、R、SQL」或「要寫很多程式」。
但這種思維可能已經是過去式了。
現在有 ChatGPT 、Claude 幫忙寫程式、協助數據清理、各種 no-code 工具讓分析變得更簡單。 ( 真是幸福，我當初還沒有 )
技術門檻正在快速降低，真正稀缺的反而是「知道要解決什麼問題」和「理解做事情的流程」。
我個人把數據分析師的核心價值定位是，把問題轉化為可量化的決策流程。
這包括釐清問題 → 選對指標 → 設計分析邏輯 → 解讀結果 → 提出建議。
這些「思考框架」和「商業行為有掛勾的行動」，才是 AI 無法取代的專業能力。
就像我之前提到的咖啡店選址案例，會不會寫程式算人流根本不是重點。
而是能不能想到「轉進率比絕對人流更重要」這個商業邏輯。
程式可以外包給 AI，但這種「問對問題」的能力，只能靠經驗和思考累積。
商業洞察、問題拆解、跨部門溝通、說故事。
這些軟實力，在 AI 時代反而變得更加重要。
如果要問我，那在 AI 時代什麼技術是門檻 ?
除了思考方式以外，「知道該用技術或工具解決什麼問題」應該就變成了最大的 Nice to have。 ( 就跟那麼多刀，你要用開山刀切麵包，還是抹醬刀切麵包 ? )
需要的技能組合 ( 可能要成為了過去式 )
硬實力 ( 現在基本上都可以靠 ChatGPT 或其他 LLM 輔助 )：
- 資料處理與分析：SQL、Python 基本操作
- 視覺化工具：Excel、Tableau、Power BI
- 統計與數學基礎：推論統計、迴歸分析 ( 我之前提過的二元分類就是其一 )
- 機器學習概念：監督式與非監督式學習 ( 基本的要大概懂一點 )
軟實力 ( AI 無法取代的核心 )：
- 商業洞察力：將數據結果轉化為具體商業建議
- 溝通能力：用簡單語言解釋複雜分析 ( 會非常非常仰賴資料視覺化 )
- 跨部門協作：與非技術背景同事合作 ( 要花時間去對齊認知，跟轉變利害關係人角度 )
- 問題拆解：將模糊問題具體化為可分析的指標 ( 但是定義問題才是最重要的 )
我個人感覺現在的趨勢是，硬實力門檻越來越低，但軟實力的重要性越來越高。
這也是為什麼我實不實的都在提到「思維框架」比「技術工具」更重要。
任何人都能學會的思考模式
還記得我之前分享的咖啡店選址案例嗎？
那個「看到什麼 → 想知道什麼 → 為什麼 → 如何知道 → 如何衡量」的思考鏈。
說不定能幫助到大家，做一些對於商業思維的培養練習。
大家可以試試轉成任何日常決策都能用的 5 步驟：
- 看到什麼：捷運口人潮多、附近競品密集
- 想知道什麼：中午尖峰的「轉進率」( 路過→進店 ) 與「坪效」
- 為什麼重要：能否在租金上漲前達到損益兩平
- 如何知道：蒐集時段人流、競品距離、客單價、外帶比等
- 如何衡量：建立追蹤 KPI，定期回顧與彙報
數據思維的個人價值
時代趨勢：6 成勞工需要再訓練
世界經濟論壇 ( WEF ) 最新報告指出，到 2027 年將有 6 成勞工需要再訓練，分析性思維、創造性思維與 AI/大數據是最受需求的技能組合。
數據素養可能會成為通用職能，不再只屬於資料部門。
就像 20 年前電腦技能一樣，感覺數據思維也會成了職場標配 ?
借個基本數據思維，來培養一下批判思維
1. 問題指標化：試試任何決策先把目標寫成 1-3 個可量化 KPI
2. 資料來源與樣本意識：任何數據先問樣本怎麼來、有沒有偏差
3. 描述性統計素養：知道該看平均數還是中位數，不被極端值誤導
4. 因果 vs 相關：能用對照組/A/B 測試判斷「真的有效」還是「剛好碰到」
5. 儀表板與日常追蹤：會用基本圖表追 KPI，避免盯「單點數字」
希望各位在看投資相關報告，不會被一般「獲利數字」牽著走。
可以試試看用以上五個問題看有沒有辦法都答出來。
數據分析師未來趨勢與機會
市場需求持續爆發
美國勞工統計局 ( BLS ) 最新數據：數據科學家十年成長 +34%，遠高於各職類平均。
根據世界經濟論壇《2023 未來職場報告》，超過六成的雇主表示，他們需要員工具備數據素養與分析能力來應對數位轉型。
研究也顯示，導入「資料驅動決策」的企業，生產力平均提升 5-6%，並且更具獲利能力。
薪資水平與職涯前景
台灣市場： 根據 104 薪資情報，數據分析師月薪常見範圍約 6-8 萬，資料科學家 ( 5-10 年年資 ) 月薪可達 7.4-9.7 萬。
金融與電子資訊業相對更高。
國際市場： 美國數據科學家年薪中位數超過 11 萬美元，資深職位可達 15-20 萬美元。
職涯路徑：
- 管理者方向：帶領團隊、影響組織決策
- 技術專家方向 ：深入研究模型與技術
- 跨域角色：如數據產品經理、商業顧問
跨行業的職涯彈性
就我過去有接觸到的原始資料資料庫，電商、金融、醫療、製造、遊戲、行銷科技...都需要數據分析人才。
這種跨行業的需求，讓數據分析師擁有很高的職涯彈性和轉換空間。
個人成長的附加價值
數據思維可能會改變看世界的方式。
生活裡任何數字都能更理性判斷，不容易被「感覺」或「新聞標題」誤導。
會讓自己在判斷上，或是做決定上相對的有憑有據。( 但是感情吵架建議不要用 )
看完這篇文章，不曉得大家還有沒有對轉職為數據分析師有興趣？
或者發現自己其實已經也在用數據思維做決策了？
我很好奇大家怎麼想的：
- 曾經在什麼情況下，用類似的邏輯分析過問題？
- 對於數據分析這個領域，最想了解的是什麼？
- 如果要培養數據思維，覺得最大的挑戰會是什麼？
希望大家都有辦法從這篇文章帶什麼東西走，如果有任何想法或問題歡迎底下留言呦~
Just share to you ~ 我是 Joker 咱們下回見。
