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
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]
9會員
11內容數
職場觀察｜出差旅遊｜自我成長 | 食書喫文 | 鑑影賞劇 | 高生產力工具
💼 科技業 · 亞太區市場營銷經理
🧬 高壓工作 · 深度旅遊 · 廣涉生活
💌 [email protected]
留言0
查看全部
你可能也想看
Google News 追蹤
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
在這篇文章中，我會簡要分享關於數據思維，以及從零到一，建立數據思維、分析與應用的參考書單。有不足與建議之處，也歡迎提出討論！
在昨天的部分，我們交了如何爬取基本面的相關教學，但前兩天的教學都比較屬於一個爬取的動作，並沒有實際拿來進行研究，今天的話，我們就來講解一下當我們爬取到股市的相關資訊後，可能會進行哪些研究吧!!
最近注意到幾所大學都創建了數據相關的學程或社群，例如中山管院：商業大數據、逢甲資料科學大講堂，也有企業在做推廣(例如國泰金控數數發團隊)，覺得現在學生真幸福，不禁回想自己5年前剛入這行時的學習過程…
離9/7正式開幕已經不遠了
在開幕前決定分析一下試營運的數據
來推估自己大約需要賣多少本書才能繼續維持書店的營運
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
在這篇文章中，我會簡要分享關於數據思維，以及從零到一，建立數據思維、分析與應用的參考書單。有不足與建議之處，也歡迎提出討論！
在昨天的部分，我們交了如何爬取基本面的相關教學，但前兩天的教學都比較屬於一個爬取的動作，並沒有實際拿來進行研究，今天的話，我們就來講解一下當我們爬取到股市的相關資訊後，可能會進行哪些研究吧!!
最近注意到幾所大學都創建了數據相關的學程或社群，例如中山管院：商業大數據、逢甲資料科學大講堂，也有企業在做推廣(例如國泰金控數數發團隊)，覺得現在學生真幸福，不禁回想自己5年前剛入這行時的學習過程…
離9/7正式開幕已經不遠了
在開幕前決定分析一下試營運的數據
來推估自己大約需要賣多少本書才能繼續維持書店的營運