2026-05-09-商業資料分析師職涯挑戰成長心法

Properties2
tags來源/文章, 來源/youtube, 狀態/草稿
aliases商業資料分析師的職涯挑戰與成長心法, 開箱第一線資料科學工作者系列活動26, 第一線資料科學工作者26

閱讀時間約 139 分鐘

商業資料分析師的職涯挑戰與成長心法

後設資料

  • URL：https://youtu.be/RuvWZohJgPE
  • YouTube ID：RuvWZohJgPE
  • 標題：商業資料分析師的職涯挑戰與成長心法 開箱 第一線資料科學工作者 系列活動 #26
  • 作者 / 主辦：資料科學家的工作日常；主持：韋恩；講者：Elvis（Business Data Analyst / Elvis Analyst）
  • 發表日：2023-10-19
  • 語言：zh-TW
  • 片長：1:44:19
  • 取得方式：使用者提供 URL 與逐字稿；並以 yt-dlp --write-subs --sub-langs zh-TW 取得 YouTube zh-TW 字幕回溯。

一句話濃縮

這場直播把非本科轉資料分析師的求職準備、入職後補齊 SQL / 產業知識 / A/B testing / 跨團隊資源的挫敗過程，推進到商業分析師如何用 MECE、以終為始與問題樹把資料分析結果轉成能推動決策的商業問題解法。

提取要點

  • Elvis 的轉職路徑不是「先學完所有工具」，而是先研究市場職缺，確認資料分析師常見硬技能，再集中補 SQL / Python，並用行銷工作中的數據分析、A/B testing、專案分析經驗做履歷切角。
  • 轉職履歷要聚焦下一份工作的判斷需求；與資料分析無關的行銷亮點即使成效好，也可能是無效溝通內容。
  • 面試前要問 HR 面試流程、考核內容與面試官背景，並準備 1-2 個能講到細節的作品 / 工作案例；重點是讓面試官感覺你真的做過，而不是只背概念。
  • 入職後真正挑戰才開始：初期可能不懂產品 / 產業，解讀數據時會被 PM 或業務方糾正；需要大量補 APP 指標、產業報告、A/B testing 與公司內部脈絡。
  • 面對上百行 SQL 報表時，務實做法是拆成小區塊，一行一行理解語法、邏輯與報表對應；官方文件比零散搜尋更可靠。
  • 初階資料工作者不必假裝什麼都會；向主管請跨團隊會議、問總公司資料團隊、問工程師與第三方 CDP 廠商，都是提升學習曲線的合理資源使用。
  • 商業分析師不是只會 Excel / 報告，而是同時具備資料分析工具包與商業問題拆解能力；職稱不應限制技能樹。
  • Elvis 將商業分析思維的底層地基放在「MECE」與「以終為始」：先確認真正要解決的問題，再決定該看什麼指標、如何解釋分析結果，以及能否推動行銷 / 產品方案。
  • 用戶流失問題可以拆成「如何讓已流失用戶回來」與「如何避免更多用戶流失」；兩者都和流失有關，但會導向不同分析問題與行動方案。
  • MECE 的價值在於先窮盡可能原因，再判斷哪個方向最有效益；不要鑽進第一個想到的原因，也不要讓「其他」類別藏住真正有價值的資訊。
  • 資深資料工作者能力從 Junior 的 SQL / Python / 視覺化 / 統計 / 實驗設計，往外擴到產業知識、結構化思考、跨部門溝通，最後才是對公司商業模式、財務結構與可推動業務的整體理解。
  • AI 工具對已入行的資料分析師是加速器，可以解放寫 SQL / Python 的重複動作；但只會叫 ChatGPT 寫程式而無法 debug、驗證邏輯或理解業務問題，並不足以進入資料分析產業。

提取概念

連結到此來源衍生 / 更新的 wiki 頁：

Ingest 筆記

2026-05-09

  • 新建 商業分析：本來源不是單純資料職涯勵志，而是完整區分資料分析技能與商業分析思維：以終為始、MECE、問題樹、指標是否支撐假設、分析結果是否導向行動。既有 資料科學 可容納資料職涯與三角色，但沒有專門承接「商業問題拆解 / 決策建議」的頁，因此新建一個輕量概念頁。
  • 更新既有頁優先：轉職與職涯部分回灌 資料科學 / MOC-職涯 / 可遷移能力，入職後的採納與跨部門協作回灌 資料團隊影響力，MECE 實務限制與「其他類別」問題回灌 MECE。
  • 不建 Elvis 個人頁：目前 Elvis 作為講者只在本來源中出現一次；雖有個人品牌 Elvis Analyst 與課程活動線索，但尚未累積到獨立 entity 密度，先留在來源頁與 資料科學家的工作日常 的活動累積中。
  • 不建 PySpark / CDP / Looker Studio / A/B testing 子頁：本來源對這些工具或方法多為職涯敘事案例，不是專門教學來源；未來若有專門來源再拆。
  • ASR 修訂：使用者貼文與 YouTube 字幕中多處把「職涯」辨成「質押 / 直壓」、把「SQL」辨成「洗口 / C-Core / Sequel」、把「Python」辨成「拍成 / 排程」；來源頁摘要已按語境校正，原始字幕段保留於下方供回溯。

原文（YouTube zh-TW 字幕）

下方為 YouTube zh-TW 字幕清理後的逐字稿，仍保留自動字幕的口語斷句與部分 ASR 錯字；上方摘要與提取要點已依使用者提供逐字稿與語境修訂。

哈囉 哈囉 歡迎大家加入今天的線上直播那我是今天的主持人 為願那歡迎大家加入今天開箱第一線資料科學工作者系列活動今天是我們的第26場商業資料分析師的質押挑戰與成長心法那這次我們邀請到的是 Elvis 來跟我們分享關於這個主題好 那在活動開始之前 大家可以幫我在聊天室當中輸入 加1017確保聲音跟畫面沒有問題那我們今天的直播活動將於兩分鐘後開始進行哈囉 歡迎大家加入今天的線上直播那加入之後 請我確認一下聲音跟畫面是否正常如果沒有問題的話 幫我在聊天室當中輸入加1017確保聲音跟畫面沒有問題那我們今天的直播活動將於兩分鐘後開始進行 哈囉 哈囉 歡迎大家加入今天的線上直播那我是為願 今天想要跟大家分享的是商業資料分析師的質押挑戰與成長心法那我們今天的活動將於兩分鐘後開始進行那加入後的朋友可以幫我在聊天室當中輸入加1017確保聲音跟畫面沒有問題那如果聲音太大聲或太小聲 或者是畫面有模糊不清的狀況 都歡迎你可以隨時在右方聊天室反映那我們會幫你看一下原因可能是什麼哈囉 歡迎大家加入今天的線上直播那我是為願 這是資料科學家的工作日常那今天我們跟大家分享的主題是開箱第一線資料科學工作者系列活動這是我們的第26場線上直播那今天我們很高興邀請到 Elvis 來跟我們分享 商業資料分析師的質押挑戰與成長心法好 那我們再稍等一下下我們就即將開始今天的直播活動那如果你有任何疑問或興趣都歡迎在右方聊天室跟我們進行互動及討論歡迎大家加入今天的線上直播那今天這場活動要跟大家聊的是商業資料分析師的質押挑戰與成長心法那我們是資料科學家的工作日常線上社群 那這是我們的直播的系列活動這個主題叫做開箱第一線資料科學工作者系列活動那這是我們的第26場的線上直播那我們過去會邀請在資料領域當中的第一線工作者不管是資料分析師 資料科學家或者是相關的工程師啊 PM 啊等等來跟大家分享實務上在做資料分析 資料科學挑戰可能會遇到的 有趣好玩的故事那如果大家對這個主題有興趣別忘了之後可以持續的參與我們的活動好 那在開始今天的活動之前啊大家可以幫我按讚訂閱這個頻道那我們持續會跟大家分享跟資料科學領域相關的議題跟討論那都會利用這個頻道那如果你對於相關的主題有興趣的話別忘了按讚訂閱 好 那新加入的朋友可以幫我確認一下聲音跟畫面是否正常如果沒有問題的話幫我在聊天室當中輸入加101 以期確保聲音跟畫面沒有問題好 那我們就開始這個今天的活動好 歡迎大家加入今天這場線上直播那我們是資料科學家的工作日常線上社群那我是今天的主持人 為圓 那這場活動是開箱第一線資料科學工作者的系列活動這是我們第26場的線上直播那這次我們很高興邀請到AOBIS來跟我們分享商業資料分析師的職涯挑戰與成長心法好 那在開始之前啊大家可以幫我按讚訂閱這個頻道那我們每個月都有幾場的免費線上直播會跟大家一起聊聊在資料科學領域 以及人工智慧領域當中的有趣好玩的經驗談如果大家有興趣的話都歡迎可以訂閱追蹤那另外我們是誰我們是資料科學家的工作日常線上社群那我們有Facebook以及Instagram帳號那我們都會在這些社群媒體當中分享我們對於資料領域以及AI相關領域的所見所聞 如果大家對相關領域有興趣不管你是轉職或者是正在這條路上持續學習的夥伴們都歡迎可以一起訂閱起來那另外我們在去年 在今年初也成立了兩個社群的討論區分別是LINE以及這個Discord如果大家有興趣的話都歡迎可以加入我們的線上社群跟大家一起進行互動以及討論 好 那有同學反應好像很卡那其他人也會覺得卡卡的嘛如果有覺得卡卡的話可以幫我在聊天室分享一下那如果沒有的話你可以重新整理看看因為我不確定是你的問題還是我這邊的網路造成的好 那這場活動叫做開箱第一線資料科學工作者的系列活動那顧名思義就是我們在過去的26場裡面 其實我們都會邀請實務上在第一線解決資料問題的相關工作者不管是資料分析師、資料科學家或者是資料工程師以及一些廣泛的Stayholder 包含PM、使用者等等的來跟大家分享實務上我們在做資料科學專欄以及資料分析的一些日常經驗與相關的歷程那這場活動我們不會談遠大的AI夢想 也不會談聲浪的分析理論我們都專注在第一線工作者日常的分析工作經驗好 那如果你參加過我們之前的活動的話可以幫我在聊天室當中輸入家那你參加過幾場就幫我輸入幾個家如果你從來沒有參加過這是你第一次參加我們的線上直播活動的話可以幫我在聊天室輸入XX讓我知道一下 好 那LINE群的話這邊有一個社群傳送門那你應該可以從這個社群傳送門點進去就可以找到我們的LINE群OK 我把它ping到畫面上好像大部分的朋友都是第一次參加我們的線上直播那我們持續都有舉辦相關的直播分享活動那你可以按讚訂閱我們的頻道那頻道裡面有過去幾場相關的內容 那都歡迎你可以加入我們一起聊聊在資料科學領域當中有趣好玩的故事好 那下一個問題想要問大家你覺得以下哪一個比較符合你的現況呢第一個是對資料分析有興趣但不知道如何開始幫我輸入加一那學了一堆程式工具但不知道如何應用的話幫我輸入加二有資料專案需求需要與相關的技術人員溝通 幫我輸入加三以及在資料時代下對資料科學有高度興趣的話可以幫我輸入加四或者你只是單純覺得好玩有趣想要路過看看資料科學到底在做什麼的話也可以幫我在聊天室當中輸入加零好 那我來看看大家的狀況好 那我有把這個LINE群放在左下角的這個連結裡面如果大家有想要加入的話 可以打開這個連結裡面應該會有我們LINE群的這個網址好 那接著我們就來看看今天這場活動想要跟大家分享什麼那這個活動是在開箱第一線資料科學工作者系列活動底下的直播那這是我們的第26場那這場活動我們邀請到目前擔任這個Business Data Analyst的Albis 來跟我們分享商業資料分析師的質押挑戰與成長心法那過去這個Albis他來自於工業系然後工作了幾年的這個行銷經驗然後透過自學轉職成為數據分析師那他跟我們來聊聊如何在數據分析的領域當中同時能夠兼具工具的技能以及思考的心法那我們活動的這個流程大概前十分鐘是一個簡單的開場 那我們接下來會有40分鐘的時間會邀請Albis來跟我們分享他想要跟大家聊聊的話題那接著我們會有大概30分鐘到40分鐘的時間會有一個講者座談的討論那我們會在後段的這個Q&A透過互動的方法跟大家聊一些我們在主題當中來不及跟大家分享到的小細節 那如果大家有任何的疑問或興趣的話都可以利用後半段的時間然後透過你的問題然後我們即時的來問這個講者相關的內容好 那今天這場活動邀請到的這個講者是Albis那他目前是一名Business Data Analyst那他是廣接性背景的這個過去有參加過 過去有做過幾年的這個行銷然後自學成為數據分析師那如果你有參加過一些資料相關的課程的話你可能有搜尋到他相關的一些課程那還有參加過這個Rooker Studio然後商業分析實戰等等的線上課程那同時也有在不同的地方開課那他同時也是這個微思洞察的IG自媒體的創辦人 如果大家有興趣的話都可以訂閱追蹤好 那接下來我們就進入今天的第一個段落就是請這個Albis來跟我們分享商業資料分析師的質押挑戰與成長心法那接下來我就把畫面切換到這個Albis的這個投影片上可以請Albis幫我分享你的畫面那同時也把你畫上來你可以跟大家自我介紹 然後開始你的議題好OK有了有了好 你就可以簡單自我介紹然後並且開始你今天的內容OK 好 那我先直接開始就是 大家好 我是Albis那我今天會分享一下就是作為一個商業資料分析師我在質押上的挑戰跟我的整個成長的心法這樣子OK 那其實之前剛剛委員就是有把我的介紹滿詳細的 然後我自己的話我的求學背景其實滿就是有點跟可能一般做數據分析的人比較不一樣我是廣電系的學士畢業那我在大學時期我幾乎都在拍片然後做YouTube頻道這樣子那所以基本上我在做的事情跟就是數據分析沒有任何的關係對 那我的工作經驗的話我第一份工作是主要是行銷業務開發者展 就是前幾個月而已那後面的話因為我開始在這個行銷工作中就是接觸到很多關於數據分析的一些專案或者是技能那我覺得滿有趣後來我就自學 然後轉數據分析師那這份工作做了大概1.5年之後我又就是再轉換一次那就到現在的工作那現在的話就是商業數據分析師那後面的話會再細講我在這幾份工作裡面學到的一些事情 那我自己本身的話是在Hotmail上面有開一堂Focus Studio的線上課程然後我的個人網站跟我的Instagram是Elvis Analyst大家如果有興趣的話可以去追蹤這樣子好 OK 那我們今天的話整個Agenda大概會分成三個部分 第一個是轉職的過程跟心法就是黏不完大概提一下就是轉職的一個心路歷程大概10分鐘然後轉職成功之後的一個挫敗跟如何克服我覺得這個是今天的主要大重點大概會在20分鐘左右然後最後一個Part是邁向Signal的數據工作者之物這個也是大概10分鐘左右 對 好 那我們從第一個部分開始好 既然講到轉職就要先講一下我第一份工作在做什麼就是行銷主要在做什麼其實如果簡單把我工作拆成兩大塊的話就會像我畫面現在呈現的這樣第一個部分是網站營運然後第二個部分是課程銷售因為我是做現在課程平台的那網站營運的部分就包含整個網站的數據分析 然後做網站的AV Testing然後EDM的發送就是全站營運然後跟做一些全站的活動跟運營活動然後還有包含就是會跟產品經理去合作然後提出一些我們可能行銷方面需要用到的一些網站上的功能這是整體網站的部分那第二個部分的話就是課程銷售這個部分的話就會是 主要Focus在例如說因為我要把課程賣出去可能會需要牽涉到一些廣告投放SEO的部分然後攝影機是比例很低就會需要用到然後另外就是針對不同的專案去進行分析那這邊的專案分析就蠻有趣因為會有一點點類似數據分析師在做的事情就是我們會去分析整個專案他目前的用戶的一個輪廓 然後他的生命週期大概是怎麼樣這個就會是比較符合數據分析師的想像的一個工作OK那因為其實前面提到就是說我在做這些前面的工作之後然後我就也慢慢接觸到很多數據分析的東西所以我就開始覺得我應該對數據分析是蠻有興趣的然後我就開始自學那我其實在決定轉職之後 我其實應該說我在決定轉職之前就是我其實有想要先待在行銷然後看看可不可以在行銷位置上做到比較多數據分析的事情但因為我大概面試了一到兩間的公司那我也真的進去之後發現其實大部分的公司行銷的工作都還是偏向是企劃、策展這一類的就很難都是數據分析佔的比較重 所以我後來就決定轉職那在決定轉職之後我做了哪一些事情其實就是畫面上現在的這三件事情第一個就是我是從做功課開始就是我沒有開始埋頭下去例如說學各種的技能或是開始寫模型之類的我比較是因為我這個人比較應該可以說是比較懶惰吧就我不想要做太多白工所以我就決定就是 那現在的市場他們需要哪一些data的技能那他們需要哪一些角色那我就去培養那些技能就好了我不需要去多做其他的事情所以我就從做功課開始然後去了解說大家就是在寫決定的時候都是寫到哪一些關鍵字這樣子那因為我一開始的時候都是找數據分析思維的目標所以大部分找到的都是 需要SQL跟Python技能的決定所以我後期就是後來就是開始培養技能的時候我就是以Junk為主那所以就開始培養技能就到第二點那我在就是我的就是算是自學的全盛時期大概是半年的時間那我其實花了非常大量的時間就是例如說像我回家的時候可能至少都會寫兩題SQL 然後幾乎週末的時候都是抱著電腦在寫HyperLinux的題目那我就是為了要把就是短時間裡在短時間裡面去培養出寫程式的手感因為如果因為其實大家如果有寫過程式的話應該會知道就是說寫程式這件事情比較不是你例如說偶爾寫一題你就會寫或是你只要看現場課程 然後你就會學會寫程式我覺得並不是這樣就是你真的是需要花很多的時間去寫題目因為其實我在這個就是寫題目培養技能的在更之前一點點大概幾個月的時間我其實是有看很多線就是線上的教學就是關於Python或SQL的可是我真的只有看然後我也那時候我真的也算蠻認真 就是我就把所有的就是影片都看完然後我就想說我應該學會了可是實際上我後來就是覺得好像要寫解看題目的時候然後我才發現其實我幾乎都沒辦法應用就是我知道這些語法然後我知道這些就是程式的邏輯但是我沒有辦法用我自己的方式去拆解問題然後把題目寫出來所以後來就是我的 就是衝刺期我都幾乎每天都會寫那個就是各種程式語言的題目這樣子那其實那時候是真的在短時間內就有把整個寫程式的一個就是手感吧培養起來然後後面的話就開始就是去投履歷了就是我開始寫然後寫到順之後我就開始去投履歷這樣子那第三個部分是善用人脈的部分因為我其實那時候覺得自己 應該不會轉職成功就我那時候還蠻悲觀的我算有很努力的去找資源然後學一些程式語言的東西然後我自己以前工作經驗心跳的部分也有碰到一些數據分析的工作可是我覺得這是自己還是離那種真正的數據分析師差很遠所以我就覺得我自己可能不會成功所以我就去找一些當數據分析師的朋友 去諮詢一些工作建議這樣子然後我其實也有做一個心理準備就是我可能因為我的能力是還不足以當正職的所以我就想說那如果是假設從11生開始的話我覺得我好像也可以接受就是我已經做好最壞的打算就是假設我今天真的是正職就是大家沒有辦法收我的話那我就是從11生開始 那至少我就是先踏出第一步那後面就是你說要轉正或什麼就再慢慢講所以我那時候做好最壞的打算然後我有去問一些在其他公司工作的朋友然後可不可以幫我去轉數據分析師的履歷或是數據分析師的履歷這樣子那其實我覺得我現在回過頭來其實11生這件事情老實說可能也不一定會成功 是因為11生可能更多都是本科系會投的然後我可能相對不是本科系的學生那在技能面可能就會輸別人所以不一定就是11生就是說真的特別有機會這樣就如果我現在回頭去想的話這個方式可能也不一定會成功這樣子但反正最後我還是有成功就是轉職就是拿到一個正職的工作這樣 然後那時候算是滿幸運因為我太多間公司就找到我第一個數據分析的工作然後我覺得這邊可以分享一下就是整個對轉職者來說的求職路徑那第一個部分就是履歷就是你的履歷其實目的是要拿到面試的門票就是履歷不會幫你把整個offer拿到它是讓面試官知道說他對你有興趣 然後他想要找你來聊聊這樣子然後我覺得對於轉職者來講最大的重點就是你要去聚焦你的履歷然後你只要提那些對你下一份工作就是數據分析工作有幫助的內容然後最重要的經驗跟成效然後放棄其他沒有無效的溝通內容所謂無效的溝通內容就是說例如說你今天做了你今天寫了很好的文案 然後你可能是你覺得你的文案寫得很好那你就想要放進去但是我覺得如果說你今天是轉職的人然後你想要做數據分析師那你應該是可能要把你這個很好的表現先放在一邊因為他可能對一個行銷或者是文字工作者來講文案是一個很重要的技能但是可能對數據分析師來說就是很雞肋而已 就是不怎麼重要那我覺得就是在履歷的方面其實你就是要聚焦重點就是只提那些跟數據分析有關的部分然後而且是最好是可以量化成效的那你要就是勇敢的把那些無關的東西丟掉所以這個是我建議如果說是轉職者的話履歷就是大家一定會去準備一些作品但我覺得有一個比較重要點 就是要聚焦重點然後再來的話提一下我自己的部分因為我自己的話因為我那時候做行銷的工作然後前面有提到就是有做數據分析然後跟ABCAS的專案分析跟廣告投放這些那其實現在出題黑字被我標起來就是我那時候轉職的時候我履歷裡面才有提到的然後其他的我完全沒有提 就是我不管其實我不管比重就是我只要有做過然後有成效的話然後我就會把它特別highlight起來說我做了這件事情然後我做了什麼然後有什麼效果對所以我基本上就算我當時行銷工作做其他事情的比重是更高的但我在履歷上其實基本上不會提那些事情我只會提我在做數據分析 提我做過ABCAS的經驗提我在做專案分析的經驗對所以這個就是我在履歷方面會建議哪一個轉職者可以稍微注意的然後第二個的話是面試的部分那面試的話其實我覺得很重要就是你要去呈現你的優勢那因為你就是轉職者所以其實第一個你一定要盡量去就寫知己知彼就是說你要盡量多跟HR去發問 然後你要去了解說面試的環節跟面試的內容因為如果你知道面試的環節例如說假設這間公司的面試分成三關或者是兩關然後第一關裡面分成哪一些階段的話你就會更有方向去準備因為轉職者其實就會很容易很發散你就會覺得我不知道我自己的優勢在哪裡然後我不知道要學什麼 所以最好是你直接跟HR問說那我的面試是會考什麼然後例如說他可能會跟你說可能會有筆試或什麼的然後你也可以大概問一下說那筆試是考Sync嗎還是什麼那他可能也會回答你然後另外的話就是你也可以去問說面試官是誰然後如果今天假設像以我自己為例的話如果我去問HR 那HR也告訴我的話那我就可能會去LinkedIn看一下面試官的背景然後就會去推測他可能在意的點然後去設計我要分享的內容因為其實你在面試裡面你要講的重點都是要讓他去發現你這個人好像很符合他們的需求那你就要知道說他在意的點是什麼所以這個自己質比 就是多跟HR發問是一個比較好的就是你可以準備得更有方向一點的方式然後第二個是考前猜題那這個的話就是這應該一般的面試也都會用到但是我覺得對轉職者來講其實也蠻重要因為你可能會被問到跟以前就是做其他工作的時候完全不一樣的問題所以你可能會在回答上不是那麼熟悉 因為以我自己為例的話可能我以往在講就是行銷的一些工作內容分享的時候我可以都答得很順但是你在面試數據分析師的工作的時候你可能做同一件事情但是數據分析的面試官他在問你的問題的方向上可能會跟行銷的面試官差很多所以盡量是你可以先去爬文就是像例如說可能面試區 或者是goodjobs這種網站然後去推敲一下你可能會被問到的問題然後你就盡量先理答你好這樣子然後再來的話就是我覺得面試還有一個很重要的點就是你要去講求細節就是你要至少可能準備一到兩個作品期那你可以講得越詳細越好就是所謂講得越詳細越好就是說你可以 就是你甚至可以就是不需要思考就可以直接講出來的那種熟悉就最好是做到這種程度因為其實我之前有曾經面試過我準備大概兩到三個作品期然後我在講前兩個的時候其實面試官都一直很不滿意他覺得我講的就是很就是我有講出來可是他覺得沒有那種驚艷的感覺可是到我講到第三個作品期的時候 然後因為那個作品期的內容我非常非常熟悉然後我也很清楚每一個東西這樣做的原因就是每一個細節我都可以講得非常的清楚然後他就覺得在第三個作品期裡面他又有被驚艷到這樣子所以我覺得你在作品期的準備方面最好是可以熟到就是你可以不需要思考就直接一直講出來這樣子 OK 所以其實前面就簡單講一下就是為什麼要轉職然後之前在做什麼事情然後跟我轉職前的準備跟我轉職中的一個路徑那其實整體來講對我來說就是入職才是真正挑戰的開始所以我這邊有一個就是入職就是挑戰正要開始這樣子OK然後所以就來到我們第二個部分就是轉職成功之後的一個挫敗 跟怎麼樣去克服OK那其實想講的第一件事情就是說就是我自己是比較解決問題導向的人然後盡量是我建議大家是可以盡量去輸大量輸入可以解決問題的知識雖然這聽起來有一點像廢話但是我覺得對於就是剛轉職的數據分析師來講其實這個很重要因為很有可能你根本不知道 可以解決問題的知識是什麼就是因為你是處在一個相對沒有經驗的狀態那我這邊舉兩個例子就是我當時就是加入第一間公司的時候然後馬上遇到了兩個問題然後第一個就是我這邊有寫就是說因為我馬上進去之後第一週就開始做數據的報告就是我們週會例行的數據報告然後其實我對這個產品或這個產業 相對來說都沒有比那些就是已經在這個產業很久的PM們熟悉所以我在解釋某一個數據現象的時候我說了一個我覺得發生的原因但是我馬上就被PM打臉說其實他們過去的經驗其實不是這樣然後可能是怎樣怎樣或者是說他們會覺得我說的這個事情反而是會導致這個數據會提升而不是下降之類等等 所以他們就是會我覺得大家都會說就是數據分析師必須要比產品經理或者是這些業務方要更熟悉他的業務可是我覺得有一個很現實的問題就是你在剛轉職進去那間公司或是你剛開始去觸碰數據分析工作的時候你是很難馬上做到這件事情的就是基本上不太可能因為的確大家的經驗都很豐富 而且他們也是很優秀的工作者那所以其實我那時候的應對方式就是因為前公司是一間app的公司所以我那時候選了非常多的指標就是我想要去了解每一個指標它可以解釋什麼事情它背後的意涵是什麼然後它代表數據怎麼變化其實這個都是你在深入了解之後才會比較知道的事情 然後比較可以去解釋說這個指標這樣子變化是因為什麼什麼然後再來的話就是我再去學app相關的產業知識因為其實我在之前是做相教育所以app相關的話其實我真的沒有那麼熟悉然後就看了很多app相關的報告這樣子然後再來的話就是A,B testing這件事情 我也做了很多的研究因為其實在第一份工作的時候做行銷做A,B testing其實老實講做得很陽春就是如果以我現在的視角來看的話完全不符合A,B testing就是原則的一些測試方式因為其實在前公司就我第一份數據分析師工作的公司裡面是跑SCRUM 我們一開始是每週都會有一次上班每一次上班都會有新的A,B testing上去所以那時候我在還不熟悉A,B testing的狀況下就有去花比較多的心機去研究這個部分然後去了解A,B testing裡面有哪些重要的需要關注的值然後跟要關注的要素 那我其實在就是輸入之前我其實也透過輸出去確認自己是真的有掌握精髓所以在簡報的右半邊其實那時候都是我那時候就是比較認真苦讀的時候寫文章的時候我想說那我嘗試用我的話去把它做解釋就是說這個東西其實是怎樣怎樣那我覺得我在輸出的同時我就可以更清楚掌握到 就是這些東西到底是什麼意思OK,所以我覺得就是你在遇到問題的時候你要去找到可以解決問題的知識這個是很重要的然後就是要對症下藥就不用太發散的去解決問題你今天可能假設今天我是在前公司我可能也是輸入粉筆詞但我可能也想要建模可是那個階段我就不需要建模的話 那我覺得就是先暫時先不用緊張就先不用去輸入這方面的知識就先解決當下的問題這樣然後第二個部分就是應該說我遇到的第二個也是很大的問題就是那時候前公司的報表是有上百行的SQL code 建成然後那時候的SQL能力是我只要寫五行code我就覺得自己很厲害的程度 所以我在看到那個報表之後然後PM就跟我說就是之後這個東西交給你負責就是報表交給你負責然後就是你要自己寫這樣子因為他們也都不會就是我進公司的時候是他們內部沒有輸入粉筆詞已經離職好一陣子了然後我是進去然後我是唯一一個這樣所以就是他們也沒辦法交接給我什麼 他們只能給我看就是這個報表是長這樣子就是SQL長這樣然後你要自己去研究然後其實我那時候看到也是蠻就是其實心裡還是蠻慌張因為其實那個因為它是內部之間的系統真的有點複雜然後是它的SQL的語法不只一個它是Hive SQL跟MySQL就是組成的所以就是你要自己去區分 那其實對我那時候來講因為我還是要去做這個報表所以我只能就是去拆解報表跟它對應的SQL區塊然後就先把它拆成一小塊一小塊然後來研究然後一行一行去寫就是不是寫就是去研究它的邏輯跟語法然後再自己重寫然後只能靠這個方式然後慢慢去摸索說欸這個為什麼這樣子寫 然後它是會呈現在報表的哪裡這樣然後一行一行去看然後這個其實這一段真的是有點蠻痛苦的因為就是公司只有自己一個就是只有一個懂SQL的分析師然後那時候可能也不算懂但是就是只能自己慢慢看那我那時候其實有學到一件事情就是我覺得去多看官方文件是一個很快的學習方式 就包含我後來在就是建系統就是可能等一下會講到就是在建第三方的數據平台系統然後或是像我現在工作我在例如說寫一些新的語言的時候我都是看官方文件其實這個是最快的方式這樣子就你去查有時候你可能查到例如說一樣都是SQL可能你可能查到MySQL的語言然後可能你的 你公司的資料庫是不能用的所以都看官方文件這個是對轉職者或是你新鮮人來說最快的一個學習方式這樣子OK然後再來的話就是去善用公司的資源去提升整個學習曲線我覺得這個也是轉職者或是說比較新鮮人要或是甚至是資深工作者我覺得也應該都還是蠻需要的一個思維就是說 你不要就是埋頭苦幹你盡量是可以如果公司有什麼資源那你就去使用那可以幫助你去學習一件新的事情例如說我之前其實對在前公司的時候我對建模知識完全是沒有概念的但是那時候工作是有需要用到因為我們要去做一個對用戶在未來付費的金額的一個預測然後所以我那時候不會 那我是一個團隊然後我就請主管去安排跨團隊的會議那這個跨團隊會議是因為我們的總公司在就是中國那總公司的數據團隊其實還蠻大的就是蠻多人的那只是說平常因為沒有業務往來不太會溝通就是也不認識基本上不認識這樣所以就只能請主管去安排就是這樣子的一個跨團隊的會議 然後去詢問他們在建模的一些相關經驗然後跟詢問他們說他們在遇到這類問題的時候會怎麼去思考所以就會去借用就是其他團隊的經驗這樣子然後幫助自己成長然後我覺得這個其實真的效果差蠻多因為其實那時候問完之後他們其實就給我一個現成的算是模型可以用然後我只要自己挑一些 就是參數或是挑一些我自己要的一個邏輯就好了不用整個從零開始這個就我覺得就差很多然後再來的話第二個就是剛有提到就是說我後來後來我們公司需要去引進就是第三方的CDP就是Customer Data Platform那我因為我是負責公司裡面唯一負責Data的人 所以就我後來就變成這個專案的負責人但因為我之前也是做形象其實我完全沒有經驗我那時候連就是資料量這種東西其實也沒有什麼太大的概念這樣子那時候就第一個就是我其實有開始因為要做這個案子就開始跟更頻繁更大量去跟公司的前後端工程師溝通然後去彙整出整個資料架構 它的設計方式就是資料流要怎麼走會比較順然後怎麼樣是安全的然後去跟他們去做確認然後怎麼樣可以把我要的資料就是放到我的CDP裡面然後另外一個就是因為我們是用第三方的CDP所以我們就有去跟第三方的廠商就我自己本人跟第三方的廠商的合作很密切我就一直去問他們說 那你那個系統限制是什麼其他人會怎麼用然後你們會用哪些技術什麼什麼之類的那去多問然後就會多了解就是那一個CDP它可能會是長什麼樣子的然後它就你會開始對這件事情有一個想像然後你也會更快知道說原來它應該要長這樣然後你應該你需要做什麼事情這樣子所以我覺得就是 要善用公司的資源去提升學習曲線這是一件很重要的事情尤其是剛入職或是剛轉職的人我覺得是完全不需要有包袱就是你不會很正常然後就因為你不會很正常所以其他人也不會苛責你那你就是多問那這樣就你就可以學習的比較快這樣子OK好那總結我自己在第一份數據分析工作 學到的事情那第一個就是你不熟悉數據工作沒關係然後你可以用更多努力就是你可能要花更多時間去研究產業知識然後一些專業的知識然後你可以變得比PM厲害為目標然後去追平你的學用落差我覺得的話是指說你的自學方面的一個學識然後跟你在真的你工作上使用上的一個落差 就是基本上你學你是自學你是都可以學可是你在使用上裡面是工作使用上一直會跟自學上是會有落差然後再來的話就是我覺得重點是解決問題是第一優先然後你可以適時的求救然後承認自己不會然後去用其他人經驗會很有幫助然後另外一個是包含我自己現在也都蠻喜歡一件事情就是 去跟不同職能的成員溝通然後會有很大的收穫就是因為其他不同職能他們在看某一件事情的角度例如說可能工程師好了然後他們會有不同的看法那你可以其實可以學到蠻多東西的然後第三個的話就是延伸補充一個小東西就是說因為剛我覺得剛轉職的時候會有蠻大的挫敗感就是你可能會覺得我怎麼好像那個不會這個不會 然後很容易會覺得就是沒什麼信心那我覺得你去想方式去建立自己一個小小的成就感會在你一剛開始起步的時候很有幫助就是例如說你可以找自己的適合自己的社群去分享觀點就是我覺得你不用找太大的可能就小小的然後因為太大可能會有壓力然後可能會有很多大事你可能會怕說錯話之類的 但是你可以找一個比較小的社群去分享觀點然後我覺得可以慢慢去建立你的自信心然後或是說像我一樣就只是單純去把就是我所學到的東西寫出來其實那個每寫完一篇我都會覺得我自己好像有學會更多東西這樣子OK這是我第一份工作學到的事情好然後這個梗圖就是原本我是數據分析師嘛 那我後面就是也不算我覺得不算轉職但是我切入了商業分析師的這個賽道這樣子那我覺得這是我後來就加入第二份公司然後第二份第二個公司然後做第二份的數據分析商業數據分析師的工作那我覺得在這個公司裡面對我來講就是影響最大的是呃我去重新建構了我的思考方式的底體 因為我以前是過去是行銷背景我其實很熟悉用很多不同的框架去思考事情例如說像我現在上面就是我只是隨機列當然不止這些我只是先隨便列出我可能前幾個想到的這樣就ARR然後這種基本上就是都跟流程分析有關係然後行銷的視頻然後W2H然後跟SWOT其實這些都是我在 過去在思考問題的時候可能比較常拿來直接套用的一個框架但是我在進到現在這間公司之後其實有點被兩個東西重新建構了我的思考地基就是可能如果有人是有上過我其他的課或者是有聽過我其他的分享可能有大概提到有聽過我有講MISI這件事情就是MISI就是去拆解的時候 你去做到不遺漏不重疊這樣一件事情然後以中維持的話就是你在思考問題上你是以就是最後的解決方法或是結果去想說你前面要做什麼事情那我覺得這兩個東西為什麼會變成地基放在下面是因為他們對我來說現在是一個思考的根本就是如果說因為你如果今天就是直接是進到框架裡面的話 你很難跳出框架去思考其他的可能那當然不是說框架不重要而是說除了這個框架之外有沒有其他框架發展的可能性我覺得這個是作為一個就是商業分析師很重要的一個部分因為商業上商業的活動上其實就是問題並沒有那麼簡單就是通常都會很複雜那就代表說你可能會有很多不同看事情的面向 所以你必須要就是最好是可以跳出框架大家會說跳出框架可是我覺得跳出框架並不是指說沒有框架而是說你有沒有辦法用不同的角度去拆解拆解同一件事情那我覺得如果你有 MISI 跟以中維持這樣的觀念的話其實就可以幫助你做到這件事情那我這邊先講一下那我從就是 因為我從比較底的地方開始講就是我昨天最左邊這邊有提到就是從零開始有框架的思考就是說我們還是有框架但我們不是拿既有的框架來套那以中維持的話是很就是最底層那我覺得這個東西就是第一個你從問題定義的時候就做一個數據分析師你在問題定義的時候你就會開始去思考說 是不是這個問題它是可以解決真正的問題我舉一個例子例如說你在思考我在思考就是說今天用戶流失的很嚴重那我要想說我可能有兩個問題的方式一個是我要怎麼樣讓流失的用戶回來然後另外一個是我要怎麼樣避免用戶流失大家可以理解嗎一個是在之前就是用戶流失之前我要怎麼避免他流失 然後另外一個是他流失之後我要怎麼讓他回來但其實這個問題都是針對流失的用戶可是你在問問題方面可能就就是有不同的就是就會影響你最後會做的一個行為所以你真正的問題是什麼是流失用戶太多嗎那你要去想說哪一個是我真正可以解決問題的一個問題就是我要怎麼把流失的用戶叫回來 還是我要如何避免更多用戶流失哪一個是真正可以解決你流失的用戶太多這個問題就是你要去思考這件事情就不是說一開始就先就是反正先定一個題目然後後面再想要怎麼去就是解決他這樣子所以這個是以中為師一個很重要的一個點然後再來就是你如果定好問題的話你可能會去思考說 那你提出的指標你可能會針對這個問題你也提出一些想要去分析的指標那這個指標他到底是不是可以去解釋你的假設那這也很重要而不是說我們就是因為像我以前可能比較習慣的方式就是我很知道說因為可能行銷人可能比較熟悉例如說GAGA的指標蠻固定的那你可能就是習慣說 可能購物車就是例如說今天購買的人變少了那你可能去看購物車看點擊什麼什麼的或是對你會有一些很熟悉的指標但是我覺得作為一個商業分析師你在提出指標的時候你可能要去思考說他可不可以去解釋你的假設所以這個也是以中為師的一個思維然後第三個的話就是你在分析結果 你的分析結果是不是可以去驅動行動方案的產生還是說他只是讓大家知道一件事情因為例如說今天你分析出來的時候說我們的流失用戶很多但是可能這個分析結果出來他還是沒有辦法去告訴我們說要做什麼事情那我們只知道說就是流失用戶很多那所以呢那我們沒有那個所以的東西 那這個還是一個很大的問題你要你的分析結果應該可以導向就是行動方案的產生這樣子對然後最後的話就是就是再扣回到你一開始的問題就是你行動方案是不是有去解決你一開始遇到的問題這個也是以中為師的觀念其實所以其實你這樣看下來雖然說有就是以中為師是四個很簡單的事情 可是如果說你把它應用在你整個數據分析的所有環節上的話那你會一直不斷去想說那我下一步可以做什麼我下一步可以做什麼那你就會避免自己就是只是亂想或是就是有些人可能會覺得我想要先看看這個然後先看看那個但可能全部看完之後還是不知道要做什麼事情這樣我覺得這個是 很重要就是做為一個我覺得也不是只有商業分析師就是很多工作者都要有一個思維然後再來是MISI這件事情MISI我覺得它的好處是可以很宏觀的去看待問題的全盤就是你不會去一開始我不知道大家有沒有這樣經驗就是你可能在一開始的時候你覺得這個這個問題是就是例如說A的 A的這件事情導致的所以你就專精去看A這個東西可是你看完之後發現欸不是但是你也不知道該怎麼做就是你不知道下一步要看什麼然後或者是你看完A之後然後發現沒問題然後你就有點不知道還能看什麼事情那我覺得MISI可以避免掉這件事情就是你可以更宏觀的去看待問題的全盤 就是你先把所有可能發生的原因都掃過一遍然後你再決定說就是我第二點寫就是你可以列出所有可能性然後你可以去大概的計算效益的大小那這個效益大小就只是說你今天假設你今天往這個方向去研究的話那你可以就是帶來的成效多大那這個東西其實又回到一種維持你去思考說 最後得到的結果可能會產生多大的效益那你可以去大概計算一下然後再來就是我覺得你可以在做數據分析專案的時候快速的找到可行的方向而不是就是像武通商一樣一直亂轉就是你你今天就算你今天就是往A去挖然後發現A不可行那你可能很快的你知道因為你已經用謎題把所有事情都盤過了 然後去拆解過了那你知道那可能B是有可能發生這個問題或是解決這個問題可行的一個方向那你可以很快又往B方向去投入所以其實基本上你在做專案的步調會更快一點點然後在第四個延伸就是其實有一個叫做拆解問題書的一個方法就是他會把你的商業問題去做一個拆解那這個 這個我就不細講就是包含VC維持然後問題書這幾個東西其實大家都可以在自己去Google就是問題書的話也是很常用來做商業問題的一個解決的一個思考方式那其實他底層邏輯也是從MISI延伸而來的所以大家在就是解決你工作商業問題的時候商業問題的時候就是可以試試看 就是用MISI的方式來解決那其實MISI很重要就是講兩個小東西第一個就是不要有就是例如說其他這種選項就是你可能在分群的時候你在拆問題的時候你就分了A B C然後其他其他就代表其他沒有分到那你就不知道說到底是不是那些其他裡面是有價值的東西你不知道他裡面是 一堆垃圾還是其實裡面是有價值的東西所以這個會比較可惜所以這是第一個就是你在分的時候不要分出其他的這個東西然後第二個的話就是如果你在做MISI的練習的時候你可以試著就是不用拆很多層因為MISI就是我們要一層一層往下拆那你可能可以拆個三層然後就好了 那你再換另外一個方式就是換另外一個切角同一個問題然後再拆成另外一個三層的MISI的數就是這樣的話就可以去思考自己一直不斷切換視角去看問題的一個就是就訓練自己這樣去看問題對OK那所以的話就是可能會總結說所以我是商業分析師嗎其實我的title我自己還 就是title還是商業數據分析師那原因就是因為我覺得可能很多人會對商業分析師有一個普遍的刻板印象就是只會用excel然後就是只會寫寫報告然後就是可能不太落地這樣就是我覺得很多人可能對商業分析師的就是刻板印象可能會是這樣子但因為目前在我們公司訓練 其實我們還是會就是使用很大量的SQL那有時候會用到Python然後我們在做報表也是會用到Table所以然後excel其實也是很常就是你在做一些比較小資料集或是你在做跟PM要溝通的資料的時候其實你也是用excel所以基本上你在就是技能這一塊你還是有很多數據分析的技能 然後以我自己來講的話我自己也是我自己收集的數據分析工具其實也還是蠻多的就是我上面只有列出一部分但是基本上只要你想要的話其實數據分析是一種技能的累積就是你可以收集很多工具去深化你的技能但是我覺得商業分析像我剛剛講的那種是一種思考方式它並不會跟你在做 其他的數據分析的角色有同所以我的建議是不要被職稱限制然後是盡可能去拓展你自己的技能包因為你不知道你以後在數據的路上你會遇到什麼問題所以你最好是可以多一些工具進來然後你之後用到遇到不同的問題你就可以用這樣子然後因為像我們公司的分析師可能大部分都是掛 商業分析師的title但是其實也有那種很會建模的人然後也有很會寫程式的人就是寫可能python這種所以我覺得就是職稱是一件事情但原則上應該還是以自己的技能術為主然後跟訓練你的思考邏輯就是為主這樣子OK 所以就是我的我自己認為就是你應該是會同時具備有分析思維 然後跟有數據分析工具包的這樣子的一個人他是一個比較全面的在做數據分析工作的這樣子的一個人OK然後等一下OK然後再講一下資深數據工作者的一個的路程因為其實我自己老實講我現在的數據分析的工作應該是大約應該三年的時間那三年不到對 三年不到快三年而已 對 兩年多那所以其實我自己也還不算是很資深的數據工作者老實講那我只是比較喜歡分享一些東西但是我覺得在就是從 Junior 到 Senior這個階段其實也是我自己正在經歷的一個階段然後我們公司的大主管之前其實有大概分享過一些他自己期許的一個資深的數據分析師 應該要長成什麼樣子我這邊沒有照抄他的東西然後把我自己對一個Senior 的就是工作者的理解然後就是去做呈現這樣那第一個就是月中間就是月同學園中間的部分就是月 Junior 的然後到月外圍顏色月前就是月 Senior 這樣子那其實對一個 Junior 來說 就是你核心的硬技能是最基本的就是程式語言就例如說 Python 系統那有些人可能用 R 之類的然後 Python 裡面可能會寫套件例如說 Pandas 哪種派然後派斯巴克之類的然後再來就是做資料視覺化能力那我覺得這邊資料視覺化能力也不是僅僅止於就是操作工具 而是說你有沒有辦法靠你的資料視覺化去呃就是更好地跟別人溝通讓別人就是別人就是指就是其他跨部門的團隊或者是你跟你合作的業務單位他會透過你做出來的這個資料視覺化的結果然後了解就是你想要講什麼東西這個其實就是資料視覺化這件事情的重點然後再來就是統計 就是例如說你可能要做 A B TEST你可能要很熟悉統計或是你要做一些數據的解讀你可能也需要一些統計來幫助就是一些解釋性的部分然後在實驗設計也是一樣就是你要知道怎麼去做一個好的實驗設計你要去控制哪些因素然後你的樣本數要多少之類的這種OK然後再來的話 第一個部分就是要我覺得這個是呃可能一般人比較不會覺得因為我覺得數據分析有一個蠻蠻多人會覺得我要更往上走我可能要就是技術變得更強或者是呃我的技能一定要更熟悉但是我覺得這兩個是當然是必備例如說你不能就是例如說你已經 Senior然後可能 Window Function 不會寫 然後或者是呃你已經到 Senior但是你有很多就是你的技術上還是跟不上但是我覺得除了撇除這樣的之外其實更重要可不可以成就你變成一個更加 Senior 的人可能是來你有沒有呃對於你們自己公司業務的一個高度然後就包含例如說像是產業知識然後產業知識就是 你有沒有對你們公司的產業然後經驗的發展狀況然後公司內的產品然後有沒有了解然後你有沒有辦法去結構化思考就是把所有東西因為其實所有東西都是模糊的混合在一起的那你有沒有辦法去結構化思考然後挑出真正重要的部分然後去做決策或者是找出真正重要的方案去做推動 這是很重要就是你有沒有這種思考能力然後再就是有沒有辦法跨部門溝通我覺得這個也是就是你真正推向SENIOR的時候很重要的一個點因為通常數據分析師都是只有腦子沒有手我說只有腦子沒有手意思是說你在一個工作裡面你是沒有辦法直接下去通常啊通常沒有辦法直接下去去做 知性的所以你如果你的事情推不動你今天做一個很好的分析結果或者是你想一個很好的一個實驗設計的方案但是呃你沒有辦法推動跨部門去做那我覺得就也會有點可惜然後你可能就是變成你的分析結果都只是紙上談兵這樣子然後再來的話就是最後就是到真的很高高層的SENIOR的話 就是整個就是你在公司內的整合能力就包含你對公司的商業模式的理解然後甚至於你要了解公司的財務結構你知道公司每一筆賬是怎麼算的他們怎麼認列然後你要知道說哪一些業務是值得你推動而且你也真的推的動所以這個就是在實際上在做呃分析的應該說一個數據比較資深的一個數據工作者 他的一個技能的組成大概是這三個這樣子OK那其實我我自己的話我是目前是真的完全沒有到整合能力這塊我還很遠那我自己是嗯除了技能方面的話其實還是在增加是想要在業務理解這邊有更多的一些體會因為我自己在轉職的時候然後每一間公司的產業都跳很大包含產品也都跳很大 所以其實在業務理解上真的沒有比就是一直在同一個領域的人來得熟然後來得深對所以這也是我自己目前在努力的方向這樣子OK好那今天的分享大概到這邊然後可以進入到Q&A的時間好那感謝這個Alvis精彩的分享聽完剛剛的分享之後大家應該收穫滿滿那可以在聊天室當中利用這個表情符號 來給這個講者一點這個掌聲那如果你不知道這個表情符號怎麼打的話那我複製給大家大家可以自由的這個複製貼上然後在這個聊天室當中表達這個剛剛對於講者的這個分享的內容的掌聲好那給大家幾秒鐘的時間可以分享好那剛剛以上的前半段就會是商業分析師的質押挑戰與成長心法 感謝Alvis帶來這個精彩的內容從他的轉職的起心動念到轉職的過程以及入職之後的挑戰的開始他都帶給我們不同階段的一些心境的轉換跟成長相信大家應該都充滿了收穫那接下來我們就進入我們後半段的環節那後半段的話我們是一個座談的形式會透過聊聊天的方法然後跟大家聊聊 剛剛在議題當中來不及討論到那也是大家對於這個Alvis非常有興趣的部分好那我是為了我目前是一名這個開箱第一線資料科學工作者系列活動的發起人那我會做為主持人然後跟這個Alvis來做一些交流跟討論那在開始這個交流跟討論之前這邊有一份回饋表單那如果大家對今天的內容有任何的指教或建議 都可以利用這個回饋表單來跟我們進行一些互動跟參與那以及未來你想要看到聽到哪一些主題的活動也都歡迎你可以在回饋表單跟我們進行分享以及交流那聽完今天的分享之後你還有什麼問題想要發問的呢都可以利用右方聊天室即時的互動那我們會在最後的時間保留保留一些時間 然後來回答線上朋友的問題那今天這些訪綱的問題基本上就是針對大家報名的時候所填寫的這個報名表那統整出來大概會有幾個大家比較想後期比較常見的問題那我大概把今天的問題分成三個不同的面向分別是專職的經驗然後商業的分析然後以及數據產業的一些觀察跟一些現況 那我們就從這三個面向來跟 Elvis來一起聊聊他對於這個數據領域當中的一些見解以及觀點好 那第一個就先請這個 Elvis 簡單的分享一下你的背景跟經歷好了那因為剛剛有提到嘛所以我蠻好奇就是你是在什麼樣的契機決定走入這個數據領域的就是行銷做得好好的 為什麼會突然對數據感興趣然後一頭就摘錄到這個數據自學的這個領域當中呢那我可以 好我 嗯其實我沒有我本來沒有想要這麼急轉就是急轉 也沒有直轄但是就是我沒有想要這麼直接的轉成數據分析師然後我在我是想要在我的工作裡面有多一點數據分析的成分其實這是我一開始 最最最一開始想要做的事情但是後來嗯因為我剛剛其實前面有大概提到就是我後來又去一兩間公司然後我就發現欸 其實大部分的數據分析行銷工作真的都還是很 很行銷很行銷就是說有很多routine的事情就是偏偏 怎麼講弄雜然後就是策展啊然後就是有些可能還要弄社群營運 然後做活動寫文章之類的就是都是一些還是比較偏行銷的事情數據分析真的很 很少所以我就覺得 喔 這樣不行那我可能好像還是要直接轉成數據分析師才可以做到比較多數據分析的東西所以後來我就嗯就自己看是學SQL 學Python就 就轉了這樣子嗯所以應該是在這個 日常繁瑣的這個工作當中然後發現好像需要自動化好像不想要一直重複做相同的工作然後就 嗯因為這樣的這個動力然後就 就這樣一路的就走進這個程式的世界然後就轉入到數據領域那我講 因為很多人可能是 嗯先學了然後學了半天之後發現自己不知道要什麼然後好像沒有動機啊 好像沒有想法那像Albis就會是反過來吧就是他其實就很強烈的想要這個轉職的標的然後這樣的有這樣的動機然後把自己推到這個數據領域當中那我們來看今天的幾個問題那第一組問題是來自於轉職經驗的那因為其實資料分析應該是這幾年熱門轉職的一個選項之一啦就我們好奇就是 嗯 你自己在整理的過程那因為其實你有提到你花了蠻多時間去做這個轉職前的準備的那你自己覺得有哪些是數據分析領域的必備技能嗯 如果是談硬就一樣就分成硬技能跟軟技能然後硬技能的話其實就是SQL一定是必備然後再來可能是有些公司他不會要求你要排程那他可能會叫你要用一次喔 但是我有發現最近數據分析師的工作好像都會要求要有排程的能力但是我覺得實際上進公司會不會用是另外一件事情因為很多的公司他的數據量是不會到需要用排程來處理的程度對 然後所以排程是可能面試他會說你會嗎然後你可能會可能不會但是我覺得必備的話應該是SQL跟Excel Excel的話是你跟業務端在溝通因為我稍微再講一下因為我覺得資料分析有分比較偏技術跟比較偏商業的然後如果是走比較技術你可能會走到建模然後寫演算法這種然後你可能會去做一個就是Data as product的一個就是工作你可能會把你的演算法直接就是部署到一個產品上 然後這種就是就很技術但因為我自己比較本身興趣是比較偏商業這塊所以你可能會很需要大量跟就是業務端溝通所以Excel可能也會是一個雖然很多人看不起Excel但是我覺得還是會需要然後再來的話就是其實我覺得以專職者來講最重要還是你有沒有解決問題的能力 就是你過去的專業裡面你有沒有就是解決你就是工作上的一些問題比較複雜的問題其實我覺得都很值得提出來講就是因為其實數據分析師就是要有解決問題的能力對 所以大概會是軟硬性能這樣分下來了解 因為我自己覺得那個分析師其實最近很卷就是說他的需求越開越多 然後需要的東西好像越來越多包含像Python然後包含像是這個SQLSQL其實還蠻好理解可是很多我看到幾乎Python都已經變成是資料分析師的必備技能然後所以感覺得出來就是資料分析師的需求其實越來越多而且也越來越高所以如果你沒有程式經驗就以前沒有程式經驗的人 可能還可以選擇比較多點到一些比較軟性的解決問題數據分析的這種思維可是慢慢的你會發現其實像剛剛這個Albis提到像是可能會變成技術的跟這個軟性的但是其實你會發現好像這兩種對於現在來講修職的領域好像程式都是一個必備我自己觀察都是這樣就是他們的需求 其實都有越來越拉高的趨勢那當然就是進公司之後就不一定了我自己的觀察也是類似的然後第二個問題就蠻想聊聊就是說你自己在轉職前後有什麼樣的感受嗎就是有什麼是你覺得轉職了之後跟你原本想的不太一樣的這個落差嗯比較大的落差應該還是在就是原本是一個執行者 然後到你執行者就是做行銷的時候你都是一直執行一直執行然後到你後面是轉數據分析的時候你沒有執行其實你的成就感來源會差蠻多的就是你知道我自己的話一開始是轉數據分析師之後我一開始寫C Core然後我只要寫個幾行然後我寫完然後跑出正確的結果我就覺得我很棒 然後到後面你之後其實已經寫到麻痺就覺得就是寫這樣沒什麼東西很無聊就是其實基本上那個成就感會慢慢被歧視就是你在寫這些程式語言的時候因為我覺得比較不像就數據分析師的寫的程式比較不像是前後段工程師他會build一個新的東西出來就是你會一直很可能比較偏 routine在寫很類似的東西所以你那個成就感會越來越低所以你可能會我覺得最大的落差就是在成就感的一個建立上就是原本是很平凡然後可能很微膚就是你在轉職之前你在做執行工作的時候你可能只要做一件小事情就是只要是新的事情就算是投廣告你可能一直投每次投 然後有好的成效你都會很有成就感可是到數據分析之後就是你那個成就感會慢慢的隨著你越來越熟悉這個工作然後慢慢被歧視然後你可能就是需要比較大的例如說真的有推動什麼事情例如說幫助公司做一些真的策略上的就是推動的差異你才會真的比較有成就感不然平常其實 我覺得有時候在Support業務端的時候其實也成就感其實都沒有非常非常大這樣子所以我覺得這個是最明顯的落差懂因為其實以這種技能來講我覺得不管是那個軟體工程師或者是分析師其實很多這種硬技能你說排審你了不起上工了之後兩到三個月其實大部分的功能應該80%都已經熟悉了 那剩下20%可能就是你真的需要花時間所以其實真的很多技能你會隨著你開始工作之後它會越來越Routine所以其實寫程式寫到最後你會發現真的不太一樣的部分其實也沒有很多因為你不太可能花很多時間去做那些需要研究啊或者是需要特別的東西這樣然後剛剛Albis講到這個 我特別想到一個字叫做C-Core工具所以我知道幾年前比較流行的那個分析師可能會主要去Support那個業務端或者是Support這個使用者使用者有一些需求不管是業務啊或者是其他單位他可能有些需求那把這個需求傳給這個資料分析團隊可能是資料分析師 然後去幫他下C-Core啊幫他畫報表那這種的角色其實就做久了其實就蠻無聊因為他就很像是把需求轉成C-Core然後把C-Core實踐到Dashboard上我是感覺到有一個這樣的立場但我觀察到這樣的角色其實慢慢越來越少因為你會發現這種角色最大的困境就是 很多時候畫出來的結果可能使用者用完就沒了那或者是使用者不一定會直接有感可能看一次兩次之後不會繼續看下去所以我慢慢的感覺到很多時候是像這樣的C-Core工具人的這種分析師他需要慢慢的跨足到更多可能跟分析的情境有關的然後去帶領使用者去問出一些好的問題 例如有些資料可以呈現的東西可能是業務端自己也沒有想過的或者業務端自己也不太熟悉的這個時候也許讓分析師去多一點力的可能會幫助整個團隊有更好的資料的使用的價值跟貢獻我自己感覺到會是這樣對好 那我們來看下一題那下一題其實跟轉職就會蠻有關係也是大家蠻好奇的 就是想問Alvis說像在轉職的時候很多人可能會看學歷啊證照啊 實作像很多求職的網站可能就會講上傳東西嘛那你自己覺得商業分析師或者是資料分析師而言對於這樣的的要求門檻來說會是重要的嗎那以及如果沒有的話會怎麼去做取捨這樣嗯 了解以這三點就是就我們就先單純論 學歷證照跟實作這三點的話有些人會說其實我覺得普遍來講實作一定是大家會認同是最重要的就是你一定要先有證明你會這一個專業的能力然後你才有辦法就是有求職的一個就是門票就是我們先談門票就是說面試的門票這樣子那我自己有發現到就是說因為其實學歷很多人會說 不太重要就是有一些人會提到但我其實隨著我在就是越來越資深的狀況下其實我之前有曾經跟就是比較資深的分析師或者是獵頭然後有跟他們聊過我的履歷其實基本上他們會覺得我的履歷沒有太大的問題那但是有時候你在投履歷的時候我自己覺得還是會有一點學歷門檻就是你可以想像就是 既然大家的實作能力可能都差不多就是你不會是那個可能你可能不會是那個最highlight的那個人除非你真的那麼強但是你可以想像就是可能普遍來講大家實作能力都差不多的時候可能學歷還是會變成是一個篩選的一個點這樣子尤其如果你可能想要進的公司他可能是比較傳統 如果你今天想要進的公司比較傳統的話那他基本上我覺得還是會看學歷但是我覺得原則上是實作的需求是最大的然後如果大家實作都一樣的話會看到學歷然後最後可能才是證照因為其實數據分析我目前待過的幾家公司或是我朋友的公司裡面都沒有特別要求會證照所以就是他可能就是加分 但他不是一個就是可能會幫你拿到那個面試門票的一個就是要素這樣懂對 我覺得這個問題其實蠻難的因為蠻難的地方是在於說如果我跟大家說就是學歷很重要可是大部分的人應該也不太可能真的回去重新念大學或者是重新花兩年去念研究所所以就這個問題其實蠻難回答的 就是如果有人跟你說學歷證照實作不重要完全沒有門檻你都可以忽略的話那我覺得一定是不可能的但是你說他重要到說我沒有學歷就找不到工作嗎好像也沒有這麼絕對所以我自己覺得他有一定的重要性只是說如果你知道你的學歷不夠那你就一定要想辦法從其他地方找到你的優勢 那如果你覺得你自己的實作不夠好那你可能就需要想想看說那你要怎麼去把你的實作不夠好有一個相對應的這個轉換的亮點那我自己感覺上是這樣所以我覺得不同的就你竟然會列這些東西代表說他某種程度上是你曾經覺得他應該是一個門檻那他的確也可能是但他的重要性可能就會 我自己感覺會比較像是就是你要如何在那麼多人當中讓別人被你看到那如果大家都是學歷很好的那也許就相對來講學歷就沒有那麼重要如果大家都很會實作那這個時候也許學歷就會是一個你跟大家不一樣的點所以我自己覺得如何讓你跟其他人不一樣讓你脫穎而出我覺得反而是一個 你需要想像的一個說服電視觀的方法尤其是像香港就是現在分析室的職缺越來越卷的情況下大家都有很多實作的經驗大家都有很多作品集大家都花了很多錢上了很多之後那你跟別人不一樣的點會是什麼我覺得這個就是每個人都可以想想看自己最不一樣的點我覺得這是我自己 看到這個問題的一個想法我自己覺得蠻困難的那以上幾題是關於這個專職的經驗那就延續著剛剛Alvis在他的分享裡面有稍微跟大家提到那接下來我們來看幾個跟商業分析這個主題有關的因為看到這個Alvis他現在是在商業分析師商業分析的這樣的角色所以我覺得大家對於這個 資料分析走向商業分析這條路應該也都是蠻好奇然後也蠻想知道這個商業分析到底在做什麼的那第一個問題我想要問Alvis就是你怎麼去定義商業分析跟資料分析這兩個term他們之間的相同跟不同之處嗯 好我覺得其實這個的話我先跳出這個問題先講一下我的想法 我的想法是其實資料分析跟商業分析做區分沒有太就是沒有做區分沒有太大的意義然後原因是其實你就算做資料分析你最後還是會需要有一些商業分析的思考方式思考能力然後就算你做商業分析你最後也還是要會有資料分析的一些能力所以我覺得就是區分兩者沒有太大的意義 但如果真的硬要講的話我覺得商業分析會比較是偏向我剛後半段講的就是你有就是對整體的對整個問題你有一個比較全面性結構化的思考方式然後你可以去裁解問題然後定義出真正的問題的一個能力然後你可以給公司的決策帶來比較大方向的一個就是建議就是可能會更偏向是 公司決策面的一個分析那如果是資料分析的話會比較像是我在第一間公司裡面做的事情就是我是跟很多的PM去做就是很多大量的AV testing然後這個這些東西都會蠻依賴就是你在硬技能方面的累積就是你要了解AV testing了解一些統計的知識然後你要了解就是 怎麼樣去可能比較簡單的建模我那時候做的也沒有很複雜對所以我覺得可能會是在工作內容上會有一些微幅的差異這樣子對我今天也剛好有被一個大學生問到這個問題然後我自己那個時候的想法比較像是我覺得是這兩種他的過程跟方法其實是類似的就都是資料都是量化都是找出一些結果跟找出insight 那我覺得他的差別是他的call to action可能不一樣那資料分析的下一步通常就是拿資料去回答問題那可能是畫圖表建dashboard提出一些資料的觀點等等的那我覺得商業分析的話會更多一點點是說故事的能力或者是一些策略那這個策略或說故事的能力 可能會相對來講比較多經驗跟主觀那我會這樣去定義這兩種角色的不一樣所以你也可以想想看就是你自己對於這樣那種技能你的擅長的優勢是什麼那如果你是那種想像力沒有那麼豐富比較喜歡照著這個步驟一步一步做的或者是你比較不擅長去做簡報或美感的那也許商業分析對你來講 就會稍微困難一點點那我大概會是這樣的角色那其實剛有提到就這兩者其實相同就代表他們都需要有一種能力那剛其實就講了如何從資料探索出規則探索出inside解讀的這個能力那是我們常常會聽到有人在講所謂的數據思維那這個是我自己覺得很抽象而且也很大好像什麼東西都可以 冠上數據思維這個字那我蠻好奇就是Albis會怎麼去定義什麼叫數據思維那以及要怎麼培養這樣的能力呢其實我覺得數據思維如果我把它拆開來講的話可能就是用提出你的想法用數據去佐證然後解決問題的一個能力其實如果講我如果把它拆得比較白的話我覺得大概會是這樣子 因為你第一個你要可以去猜出你的假設這個是你要對你的業務有一個基本的認識然後再來的話就是你要可以用數據去佐證那你就要有處理數據的能力就是例如說你可能要可以用SQL要可以用Python去處理你的數據然後再來的話就會是最重要的部分就是你其實做這件事情 都是為了要去解決問題所以它會是整合起來的話我要去解釋數據思維這件事情應該就是你要可以用數據佐證的假設然後去解決問題這樣子OK這題有問到說怎麼樣去培養這樣子的能力其實我覺得就是有點像我剛剛在中間那一part有講到的就是可能用MISI或者是以種為實 這樣子的一個思考方式去想問題因為如果你今天不習慣這樣子去思考問題的話有可能你會很容易在模糊的問題裡面打轉那既然你要有數據思維的話那你盡量是確保自己是在一個架構化的狀況下去思考問題所以最好是可以多練習像是你其實日常生活就可以練習就是例如說我隨便講 要怎麼樣去你可能在思考的時候想說假設今天有個問題是怎麼樣去提升超商的萊克數我只是隨便講因為我家門口有個超商然後你可以這樣去想你可以針對這個問題開始去做猜測那你可以每天都就是去多練練說那我這個問題怎麼猜怎麼猜那你有一個假設那你可能會需要哪一些數字 來佐證你的假設那你在應用數據的能力當然就是自己平常在工作上你在找資料然後你在分析資料的時候你要有對這個技術有一定的就是掌握程度就是盡量多寫就可以掌握這樣子了解我覺得剛剛那個講到那個拆解問題這件事情其實我覺得蠻蠻有感覺的因為我覺得很多人做數據分析 尤其是剛開始就是那個問題還沒有很明確的時候很容易陷入一個無止盡的打轉因為數據分析其實很多前期在探索的時候它是一個我覺得有點各說各話就是你要怎麼解讀其實好像都可以然後就變成是你在解讀的過程當中很容易做帶偏或者是忘記你想要解決問題的初衷是什麼那我記得我前一份工作的老闆 很喜歡講一個概念叫做outcome first就是我們在解決問題的時候我們就要不停地反問我到底想要解決這個問題的背後一開始的那個動機跟初衷是什麼那我們在轉了幾個彎之後是不是還要解決這個是不是還能夠回答到一開始想要解決這個問題那我覺得這件事情其實蠻重要 而且也可以搭配像剛剛講的Niecy或者是各種不同的這種思考的框架其實都能夠有助於去去聚焦等等想要去回答的這些問題所以大概可以補充到這邊好那最後幾個問題的話想要來問問看的是這個那這個可能跟數據產業有關就是大家可以看到像現在是一個一直有工具更新的時代 就有包含像TableauData Looker或者是等等尤其對於分析師來講對於資料工作者來講或者是像現在AI來講其實工具非常非常多你好像剛學完了一個又要學新的一個那蠻好奇就是AirBridge的這個學習新工具的過程當中會不會有學習疲勞的問題 那你是如何克服這種學不完的困境呢嗯這個其實真的是我覺得從行銷轉到數據分析之後我感覺到也是一個很大的不同就是剛雖然沒聽到但我覺得這是一個很大的不同因為行銷人可能就是那幾個工具常常在用然後他們更新速度可能GA啊或者是廣告投放系統或者是GTN什麼的 就是他們雖然會改版可是他們基本上不太會大改就是對不太大改但是數據分析工具就是會一直有新的東西出來然後或者是你換一間公司之後他們也有可能整個系統全部跟你之前所學完全不一樣你要全部重學也是有可能那會不會有學習疲勞的問題我覺得答案是會但是我覺得如果你真的 處在學習疲勞的狀況下的話我建議是不要太逼自己就是你應該說你今天你可能讓自己休息一個禮拜然後先暫時忘掉就是有這些東西追著你跑然後其實也不會怎麼樣就是這些東西還有一個禮拜之後還是在那邊然後我覺得可以適時的就是讓自己休息一下然後如果你真的很疲乏的話 對 那你休息完之後我覺得你又會重新對這個就是技術啊或者是工具其實你會有就是又產生興趣的就是如果你是對數據分析有興趣的話對 然後我是怎麼去克服學不完的困境其實我覺得也不是克服就是你好像就是必須要例如說我例如說因為最近可能在處理一些公司的專案上 然後我們要做的資料量是比較大然後用就是Pandas跑就非常慢然後所以後來就是換成用PySpark在跑這樣子就是雖然說這個是就是你要說你從Pandas然後你要學PySpark是不是就是一直學不一直推陳出新各種套件學不完可是我覺得就是你在遇到各種不同問題的時候 其實我覺得應該是蠻開心有新的工具可以來幫助你去處理這個問題而不是你要一直花時間去等待這樣所以我覺得就是你在工作上本來就會一直去用新的技術去解決你的問題然後你把它想像成是你本來就要解決這個問題但你可能是用更有效率的方式應該就不會那麼覺得就不會覺得那麼焦慮這樣 懂我覺得我的答案也差不多尤其是我覺得前一段時間就東西很多AI剛出來的時候就是一堆新工具你會一直看到別人在分享什麼別人在用什麼你就會擔心說自己好像沒有用了沒有學了會不會跟不上大家但其實你仔細想一想之後你就會發現我某一段時間沒有學習好像其實也不會怎麼樣 因為就算你一直學習你還是有很多東西學不了所以更重要的其實並不是你一直學因為你一直學其實會陷入一個你感覺你看了很多東西但是其實你沒有用你永遠就只是看那個東西它就不會變成是你真正的技能所以我覺得第一個是面對這種排山而來的這種新的技能的時候你可以去看 但你沒有看其實我覺得也不會怎麼樣重要的是你在看的過程當中你是覺得開心就像剛剛Albert提到你會覺得看到這些新的東西你很興奮覺得很好玩我覺得那樣的過程才是快樂而不是強迫自己去看因為強迫自己去看其實你沒有用那它終究的是看過你很快就是會忘記它很快它就會消失在 這個歷史的洪流裡面然後第二個點就是如果你覺得你沒有那麼想學或者是你沒有那麼有動機的話那其實很大的原因是因為你還沒有遇到需要的場景那今天如果你是一個你在工作當中你不得不用的就像剛剛那個Albert提到就是我如果不用拍Spark我的Pandas就跑不完 我的Pandas跑不完我月底就沒辦法跟PM交差我就沒辦法這個解決這個bug我就沒辦法解決這個專案那你就會有時程的壓力你有時程的壓力你就不得不去用可行的方案去做解決嘛所以就是如果分成兩個面向就是第一就是如果你學的過程你覺得很累很疲勞那你不學其實也不會怎麼樣 那第二個就是如果你要學但是你發現你沒有那麼有動機那其實更大的原因可能是因為你還沒有那麼需要那等到你真的有需要的時候就算沒有人叫你學你也不得不把它導入到你的工作裡面大概是我對這個問題的想法好那最後耽誤大家一點點時間那就是今天的最後一個問題那這個問題就是 也拉回到跟AI有關的這個議題好了因為其實我們會發現近期AI啊像GPTR等等的出現其實對於整個市場尤其是我覺得對於主要產業就是有不少的影響那我蠻好奇LVC在這個工作場域當中你自己覺得像這些AI工具的出現對於資料分析師商業分析師在未來的求職或者是工作的需求上面 可能帶來的影響會是什麼你自己覺得有了這些AI工具進入產業會變得更困難還是變得更容易呢嗯了解嗯我先講結論就是如果你只會用Chair GPT 寫SQL 或 Python 的話肯定還是沒辦法進入這個產業的因為你沒辦法知道這個東西在幹嘛然後你沒辦法debug 這個會是個問題但是因為其實前面也有提到說就是現在對數據分析師的要求其實是更高比之前更高那你要掌握的基礎技能其實是更多的那如果你今天是因為其實今天AI雖然說已經很好的一陣子但是我們其實還是沒辦法保證說他給我們的東西一定是完全正確的所以你如果說你只會 用Chair GPT 或是各種AI工具寫這些程式語言的話或是你只會甚至你只會用這些AI工具去拆解問題的話我覺得對你在進入產業方面其實是沒有什麼幫助的老實講我覺得沒有更難或更容易的事情就是沒幫助但是作為一個已經入行一陣子的資料分析師來講我覺得會是一個 解放雙手或是解放腦袋的一個很好的工具因為你在寫一些邏輯的時候如果你只是有點懶得思考你就把你的定義丟給他去寫其實那個很快就會幫助你把你要的東西可能原本你要打很多的字然後你就是請Chair GPT幫你寫完然後你看確認邏輯都對然後你就可以直接用其實我覺得這個是 對於已經從業的數據分析師來講是一個很大的幫助對然後影響我覺得影響就是你可以去思考更多重要的問題就是你不會去一直卡在某一個code要怎麼寫這種問題上因為Chair GPT會幫你了解所以你會更多的去思考就是那你這個商業問題要怎麼去解決然後你要怎麼樣 就是去說服PM採用這個策略之類的這種就是更人性化一點的問題然後這種技能面的東西其實基本上AI都會幫你很快的去解決掉大概是這樣總感謝這個Albis今天精彩的分享那這是我們今天的最後一個方剛的問題那聽完今天的分享之後大家還有什麼問題想要發問呢你可以利用右方聊天室提問 那我們給大家幾分鐘的時間可以分享你的問題那我們會保留一點點時間然後來cue幾個問題線上的朋友的問題然後讓Albis跟大家做交流好那最後我們大概delay了一下下然後只有一個經驗分享跟交流的環節如果你有任何疑問想繼續追問的話歡迎你利用右方聊天室提出 那這邊有一份我們的回饋表單那如果大家對今天的內容有任何的興趣或者是指教的話都歡迎你可以在點選回饋表單的時候讓我們知道然後幫助我們未來可以辦出更好的活動邀請更多有趣好玩的講者跟前輩來跟大家聊聊在工作上面的經驗跟進展那我是資料科學家的工作日常的委員 那如果大家對於相關的主題有興趣的話都可以歡迎訂閱追蹤我的Facebook跟Instagram帳號那我持續會在這些平台當中分享我對於資料科學人工智慧相關的所見所聞那另外我們每個月都有三場跟資料科學有關的線上直播那除了今天這場活動之外我們在下禮拜也有一場 技術書籍該怎麼選資料工作者的出版經驗談以及在月底的時候還有一場是設計師如何玩AI玩轉設計領域的AI工具箱如果大家有興趣的話都可以鎖定我的社群媒體然後得到第一手的活動知識那最後別忘了如果你覺得這場活動還不錯有任何收穫或覺得還想要給獎者一些鼓勵的話 都可以幫我們按讚訂閱這個頻道那未來可以第一時間得到我們最新的相關的活動資訊那大家對於今天這場活動有沒有什麼問題想要發問的那我們來cue一下線上朋友的這個問題那我來看一下好那剛剛有提到這個拍Spark那個問題我覺得蠻好的就是在選擇用拍Spark的過程當中 是用拍Spark還是建Spark還是維護Spark還是說都要學那對於理論跟基礎跟能動這些學習的優先順序的話Alvis會怎麼樣建議我的話其實我自己的話我現在是只有到用拍Spark的階段因為理論基礎的話我是想要我是打在後補就是因為我其實當初就像我剛剛講一樣 就是我是想要解決我當下的問題就是我資料量太大跑不動的事情所以我就是先讓它是可以跑得動的但是我目前對於就是拍Spark整個理論基礎是相對來說不熟悉的不過因為我自己最近也有就是碰到一些上一些課程然後看一下拍Spark的一些進階的應用然後一些基本的理論這樣子 但是我覺得應該也不會到建Spark跟維運就是因為作為一個分析師其實是要用來解決問題所以應該不會到這樣的階段比較更多是怎麼去應用的這個部分建跟維運可能更偏向是資料工程師所需要的技能那分析師應該是在這樣的基礎建設之下去做前端的應用跟操作我感覺比較容易這樣 好然後下一個問題好像有蠻多朋友有問的就是關於作品集相關的問題作品集喔我作品集其實那時候我沒有特別那個做作品集就是我作品集是以前工作上的東西就我在做行銷工作上的東西甚麼呼海residentevent場ids一月未阿اط若剛剛好像突然斷線了不知道可能用太久 那剛剛來不及分享的部分我會再請…大家有聽到我的聲音嗎有聽到聲音的話可以幫我再聊天室回一下好 大家有聽到我的聲音嗎OK OK 好那我覺得今天的時間也差不多了然後剛剛就突然斷線應該我跟那個Alvis都被踢出去那今天的活動就差不多到這邊那如果大家後續的一些問題 我再同神跟這個Alvis可以在Alvis的這個限動當中可以請他之後再用文字的方法跟大家做分享跟交流對 那今天的活動就差不多到這邊那因為時間已經晚了然後就感謝大家的線上的參與那大家別忘了如果對於今天的活動有任何的指教跟興趣的話可以幫我填寫這個合併表單的部分 那最後我們就請大家幫我在聊天室當中輸入XX結束這個回合那感謝大家今天的參與謝謝 mêmekano

反向連結