資料分析
一句話定義
資料分析是把問題、指標、資料、清理、統計 / 挖掘、解釋與呈現串成一條可重複工作流，將原始資料轉成可信洞察，再讓洞察進入決策、產品或營運行動。
核心要點
不是看資料，而是解問題
2026-05-09-IBM-Introduction-to-Data-Analytics筆記 把資料分析定義為收集、清理、分析、挖掘、解釋與報告結果的完整過程。這個定義的重點不是「有資料」或「會工具」，而是從一開始就知道：
- 要解決什麼問題？
- 預期結果是什麼？
- 哪個指標能評估結果？
- 需要哪些資料與來源？
- 分析完後誰要採取什麼行動？
這和 商業分析 的分工是連續的：資料分析讓洞察可信，商業分析讓洞察可決策。
七步流程
| 步驟 | 任務 | 常見失敗 |
|---|---|---|
| 理解問題與預期結果 | 明確定義目前位置與想去的地方 | 還沒定義問題就開始拉資料 |
| 設定指標 | 決定如何衡量成功或差異 | 指標和真正問題脫鉤 |
| 蒐集資料 | 找出來源、工具、期間與資料量 | 只拿得到方便拿的資料 |
| 清理資料 | 處理缺失、重複、離群、格式與標準化 | 分析建立在髒資料上 |
| 提取與分析 | 找趨勢、模式、相關性與變化 | 把相關性當因果 |
| 解釋結果 | 檢查限制、反對意見與適用情境 | 只報好看的結果 |
| 介紹發現 | 用報告、儀表板、圖表或故事影響決策 | 圖表正確但沒人知道下一步 |
這條流程對位 Goal-Signal-Metric：先有 goal 與 problem framing，再讓 signal 與 metric 變成可分析的資料結構。
四種分析類型
| 類型 | 問題 | 用途 |
|---|---|---|
| 描述性分析 | 發生了什麼？ | 總結過去資料，提供現況與基礎 insight。 |
| 診斷分析 | 為什麼發生？ | 往下鑽原因，找出結果背後的驅動因素。 |
| 預測分析 | 接下來可能發生什麼？ | 用歷史資料與趨勢預測未來結果。 |
| 規範分析 | 應該採取什麼行動？ | 比較不同選項與結果可能性，支援行動方針。 |
這四類不是職階高低，而是問題深度不同。很多報表只停在描述性分析；要進入 資料團隊影響力，通常至少要把描述轉成診斷、預測或可行動建議。
資料分析師的角色
資料分析師的工作橫跨三段：
- 資料取得與準備：從資料庫、API、檔案、調查、網頁或資料流取得資料，建立查詢，清理、標準化與重組資料。
- 分析與解釋：用統計工具與分析技巧找模式、相關性、趨勢、離群與限制；判斷分析能否抵抗反對意見。
- 傳達與文件化：用報告、圖表、儀表板或簡報向利害關係人解釋結果，並記錄過程供未來參考與重複使用。
因此資料分析師不是單純「做圖表的人」，而是把原始資料轉成組織可用判斷的人。這與 資料故事化 / 圖表類型選擇 形成下游關係：分析結果要被理解，仍需要選對呈現方式與敘事順序。
現代數據生態系統
IBM 入門課把資料分析放進更大的數據生態系統：
- 來源層：結構化、半結構化、非結構化資料；CSV / XLSX / XML / PDF / JSON；資料庫、API、網頁抓取、資料流、訂閱 feed、調查與觀察研究。
- 儲存層：關聯資料庫、NoSQL、資料倉庫、資料集市、資料湖與大數據儲存。
- 處理層：ETL、批次處理、流處理、資料管線、資料整理、資料清洗、正規化 / 反正規化與資料豐富。
- 分析層：統計分析、資料挖掘、聚類、關聯規則、決策樹、回歸與預測模型。
- 呈現層：報告、儀表板、圖表、地圖、案例研究、資料故事與決策建議。
這讓 資料科學 的三角色分工更具體：資料工程師偏來源 / 儲存 / 處理，資料分析師偏分析 / 呈現，資料科學家偏預測模型與高階分析；但小團隊中邊界常常流動。
技能組合
資料分析的技能不是單一工具清單，而是三種能力組合：
- 技術技能：SQL、Python、R、試算表、統計工具、BI / 視覺化工具、資料庫與大數據平台。
- 功能技能：統計、分析技巧、解題、資料視覺化、專案管理、文件化。
- 軟技能：協作、有效溝通、用資料說故事、取得利害關係人支持、對不同路徑保持好奇與直覺。
工具會被 AI 與自動化加速，但問題定義、資料品質判斷、受眾脈絡與 領域知識 仍然是人負責的部分。
資料品質與治理是底層條件
資料分析不是只在 notebook 或 BI 工具中發生。資料要被組織使用，還需要：
- 可靠性、安全性、完整性與可用性。
- 主資料標準化與跨系統一致性。
- 隱私、合規、使用許可與可稽核追蹤。
- 缺失值、重複資料、不相關資料、語法錯誤與資料型態標準化。
- 負載驗證、服務器效能與失敗恢復。
這補上 資料團隊影響力 的底層面：資料洞察要被信任，不只靠說故事，也靠資料來源、處理流程與文件化能被追溯。
與其他概念的關係
- MOC-資料科學 — 本頁是 data cluster 的 analysis workflow 中心頁。
- 資料科學 — 更大的 umbrella；資料分析是其中把資料轉成洞察與決策的工作流。
- 商業分析 — 商業分析處理問題定義、商業脈絡與決策建議；資料分析提供可信證據與洞察。
- 資料團隊影響力 — 資料分析的組織價值取決於洞察是否被信任、採納並改變決策。
- 資料故事化 — 分析結果需要被轉成可理解、可信、可行動的敘事。
- 圖表類型選擇 — 分析產出的資料關係需要用合適圖表呈現，避免誤導。
- Goal-Signal-Metric — 資料分析前端的 goal / signal / metric 對齊工具。
- 領域知識 — 判斷資料是否能回答真問題、結果是否合理、限制是否重要的關鍵能力。
相關來源
- 2026-05-09-IBM-Introduction-to-Data-Analytics筆記 — IBM 資料分析入門課筆記；建立本頁主骨架：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。
- 2026-05-09-商業資料分析師職涯挑戰成長心法 — 補入資料分析往 商業分析 成長時，問題定義、MECE、以終為始與行動方案比工具熟練更重要。
- 2026-05-08-資料團隊主管視角資料職涯路徑 — 補入資料分析在團隊成熟度、可重用資料層與組織影響力中的位置。
- 2026-05-06-程式猿吃香蕉-資料科學我想說的是上 — 補入資料科學專案中 ML / DE / DA 三方提問，以及資料分析如何定義指標與評估 impact。