MOC-資料科學
範圍
圍繞資料工作的完整鏈條：問題定義、指標、資料取得、儲存、清理、分析、統計 / 挖掘、視覺化、故事化、決策採納、團隊運作與資料職涯。
本 MOC 補上既有 MOC 的空缺：
- MOC-職涯 承接資料職涯與轉職場景。
- MOC-LLM-應用設計 承接 AI / LLM 對資料工作者的衝擊。
- 本頁承接「資料工作本身」：資料如何從原始來源變成可信洞察，再進入產品、行銷、營運與管理決策。
核心命題
資料工作的價值不是擁有資料，而是讓可信資料進入可行動決策。
五條底層紀律：
- 先問問題，再拿資料：資料分析從問題與預期結果開始，不是從手邊資料開始。
- 指標是問題的操作化版本：指標若不支撐假設，資料再多也無法回答真正問題。
- 資料品質決定洞察可信度：清理、標準化、治理、隱私與可追溯性是分析前提。
- 洞察需要被採納才算完成：報表、模型與圖表不是終點，決策與行動才是終點。
- 領域知識不可外包：工具可以加速查詢、清理、圖表與程式，但問題脈絡與結果判斷仍需要人。
主軸（核心頁）
問題與分析流程
- 資料分析 — analysis workflow 中心頁；定義、四種分析類型、七步流程、資料生態系統、資料整理 / 清洗、統計與挖掘、視覺化與職涯路徑。
- 商業分析 — 把模糊商業問題拆成可判斷、可量化、可行動的問題結構；讓資料結果導向決策。
- Goal-Signal-Metric — 從目標到訊號再到指標的產品 / 資料對齊框架。
- 數據流 — UX / 產品工作中的資料與行為訊號流；連接使用者、系統與可觀測指標。
資料科學 umbrella 與角色
- 資料科學 — 以數據解決量化問題的 umbrella；三圈交集（領域知識 × 數學 × 程式）+ 三角色分工（分析師 / 科學家 / 工程師）。
- 領域知識 — 資料工作中最不容易被 AI 取代的能力軸；決定問題是否問對、資料是否合理、洞察是否可信。
- 資料科學家的工作日常 — 韋恩主理的資料科學社群 / 教育品牌；目前是 vault 內資料職涯來源主軸。
- 可遷移能力 — 轉職資料分析時，把既有經驗切成對職缺有意義的證據。
團隊與組織影響力
- 資料團隊影響力 — 報表、模型與洞察被組織信任、採納並改變決策的能力；data culture / data impact 的入口。
- 資料故事化 — 把分析結果轉成利害關係人能理解、相信並採取行動的敘事工作流。
- 利害關係人管理 — 資料洞察要進入決策，需要理解誰有權力、誰會被影響、誰需要什麼。
- MOC-組織管理 — 資料團隊影響力的組織協作母體：信任、責任、文件、決策與採納。
視覺化與溝通
- 圖表設計 — 資料視覺化的原則、可用性、無障礙與系統化層。
- 圖表類型選擇 — 依資料關係、比較目的、受眾理解成本與圖型限制選擇圖表。
- 簡報設計 — 資料分析結果進入簡報、報告與口頭呈現時的綜合場景。
- 資訊設計 — 從人的注意力、理解方式與行動情境出發安排資料與視覺。
AI 與工程鄰接
- AI輔助開發 — AI 工具加速程式、查詢與資料處理，但不取代問題判斷。
- 模型刷榜 — ML / AI 領域的反模式：刷 benchmark 不等於真實落地能力。
- 網頁爬蟲 — 資料取得的工程入口；與 API、資料庫、檔案與資料流共同構成資料來源層。
- MOC-LLM-應用設計 — LLM 應用與資料科學職涯衝擊的鄰接 MOC。
鄰接領域
- MOC-職涯：資料分析師、資料科學家與資料工程師的職涯、轉職、履歷與面試仍回到職涯 MOC；本頁只處理資料工作脈絡。
- MOC-結構化表達：資料故事化、簡報與分析報告屬於「讓別人理解並行動」的表達場景。
- MOC-組織管理：資料團隊要讓報表、模型與洞察被採納，會遇到利害關係人、責任、文件與信任問題。
- MOC-UX / MOC-產品管理：產品指標、使用者行為資料、A/B testing、HEART / G-S-M 與資料分析高度重疊。
- MOC-行銷增長：網站分析、廣告成效、轉換追蹤、GA4 / UTM 等行銷資料場景可在未來補進本 MOC。
來源累積（reverse-chronological）
- 2026-05-09-IBM-Introduction-to-Data-Analytics筆記 — IBM 資料分析入門課筆記；建立 資料分析，補上數據生態系統、資料分析流程、資料來源 / 格式 / 儲存庫、ETL / 清洗 / 整理、統計 / 挖掘與視覺化溝通。
- 2026-05-09-商業資料分析師職涯挑戰成長心法 — 資料科學家的工作日常 開箱第一線資料科學工作者 #26；補入行銷轉資料分析、入職後脈絡補課、商業分析 與 senior 資料工作者能力軸。
- 2026-05-09-矽谷簡報女王用數據說出好故事 — 建立 資料故事化，補上資料洞察如何被轉成可採納的行動敘事。
- 2026-05-08-資料團隊主管視角資料職涯路徑 — 建立 資料團隊影響力，補入資料團隊成功指標、資料專案 MVP、data culture 與 DA / DE / DS 小團隊角色流動。
- 2026-05-06-程式猿吃香蕉-資料科學我想說的是中 — 補入資料科學實務中的問題重構與比較大法。
- 2026-05-06-程式猿吃香蕉-資料科學我想說的是上 — 補入資料科學的實務定義「以數據解決量化問題」與 ML / DE / DA 三方提問。
- 2026-05-01-AI時代資料科學技能樹 — vault 第一份資料科學職涯主題座談來源；建立 資料科學 umbrella、三角色分工、領域知識 不被取代與 模型刷榜 警示。
備註
本 MOC 由 2026-05-09-IBM-Introduction-to-Data-Analytics筆記 觸發建立。建立時 data cluster 已有 6+ 來源與 8+ 核心概念，但分散在 MOC-職涯、MOC-LLM-應用設計、MOC-組織管理 與 MOC-結構化表達；本頁作為資料工作本身的 domain MOC。
未來累積方向：
- 資料工程 / Data Engineering：ETL、資料管線、資料倉庫、資料湖、DataOps、dbt、semantic layer、metrics layer。
- 統計與實驗：統計推論、假設檢定、A/B testing、因果推論、回歸、實驗設計。
- 資料治理：主資料管理、資料品質、隱私、合規、權限、lineage、資料契約。
- 分析工程 / Analytics Engineering：可重用資料層、transform、商業邏輯版本化與 self-service BI。
- 產業場景：行銷分析、產品分析、金融風控、製造品質、醫療資料、電商推薦等。