✏️【資料分析在商業決策上的價值】NCCU BAC 4.0 社課筆記

本堂社課很榮幸邀請到 CTPS Lab 創辦人及曾任遠傳電信財務長的 Sherman Lee，與社員分享其橫跨顧問、金融、科技與電信產業的豐富經驗，帶領大家理解「資料分析如何真正影響商業決策」。

Sherman 具備超過十年以上的商業數據分析與策略決策實務背景，曾於 McKinsey、Capital One 等機構從事顧問與決策分析工作，長期專注於 Critical Thinking & Problem Solving 的方法論推廣。

本次社課目標

🎯 Problem Solving：理解企業對分析人才的期待

🎯 商業數據分析的角色定位：從資料處理走向決策支援

🎯 以終為始的分析思維：把數據分析轉化為解決問題的核心能力

🎯 實務導向的決策模型：用數據提升決策品質

一、Problem Solving：從穩定分工走向解決問題的核心能力

職涯典範轉移：20 世紀 vs. 21 世紀

面對時代變遷，個人職涯的發展路徑與核心價值已發生顯著改變：

• 20 世紀的職涯（穩定導向）：強調專業專一、將穩定收入視為第一優先，並遵循「時間到就退休」的傳統模式
• 21 世紀的職涯（韌性導向）：追求專業多元韌性、重視價值加值與體驗，並強調掌握職涯的自主性

核心競爭力：解決問題與關鍵技能

「解決問題能力」被視為 21 世紀最關鍵的核心工作能力。世界經濟論壇多年來皆將 Problem Solving 列為核心技能，而其他如批判性與分析性思考、創意與創新、情緒智慧與同理心，以及主動與終身學習心態，也是為了更有效地應對問題、處理不確定情境。

📍 問題解決能力 ：能在複雜不確定的情境下分析問題、推理並執行方案

📍 批判性與分析性思考：客觀評估資訊、挑戰假設，提出深入的判斷

📍 創意與創新能力：提出新穎價值想法，促進變革突破

📍 情緒智慧與同理心：管理情緒以促進良好的溝通、合作與領導

📍 主動學習與終身學習：保持好奇心，適應快速變化的環境

面對＆解決陌生問題

「陌生問題」沒有穩定 SOP 或前人的解方，必須透過摸索嘗試來解決，要保持好奇心，適應快速變化的環境 👀

熟悉問題 vs. 陌生問題：

• 熟悉問題 (佔30%)：依據既有知識與 SOP 執行，如複製製程、定期保養或駕駛飛機
• 陌生問題 (佔70%)：涉及研發新製程、供應鏈數位轉型或開發新藥等缺乏標準解法的領域

CTPS 所強調的解決陌生問題能力，並非僅來自特定領域知識，而是建立在關鍵思維、基本工具與方法論之上，並逐步結合實務經驗與產業知識。

1. 關鍵思維：包含逆向思考、結構化、量化分析、邏輯推論、假說實證、風險管理與敏捷反應
2. 基本工具：掌握問題界定、邏輯樹、快篩慢選、故事線論證及高效溝通決策
3. 基本方法論：靈活運用麥肯錫 7 步驟、CTPS 框架、設計思考或 PDCA 等系統化方法
4. 領域操作實務：產業經驗、人脈、要訣與手法
5. 領域知識：結合各產業的術語、系統運作、統計邏輯與操作實務手法

二、商業數據分析：以終為始，逆向思考

商業分析師 (BA) 與數據分析師 (DA) 的協作與定位

數據分析師的核心價值在於「解決資料問題」，專注於整理、清理與分析大量數據，透過統計與分析方法產出有意義的資訊與洞見；而商業分析師則以「解決商業問題」為核心，從公司目標出發，釐清情境、界定問題、評估選項，並結合輕量或重度數據分析，協助企業制定可行且可落地的解決方案。

商業數據分析的價值

解決問題的成功關鍵

成功解決問題，不只是在分析或提出建議，而是必須同時完成三件事：

✅ 提出高品質的解決方案：方案必須具備可行動、有效果、可落地、有效益四項核心特質

✅ 說服決策者接受

✅ 確保方案最終落實

在臺灣的企業環境中，商業與數據分析的價值經常被低估，原因不僅在於高階主管不清楚如何有效運用分析角色，也在於分析師本身未能將工作層次從資料與資訊，提升至「知識」與「應用」層次，最終導致分析成果無法轉化為具體決策影響，甚至淪為抓資料的工具人。要突破這個限制，分析時就必須改變思維順序，從應用層次出發，以終為始進行逆向思考，先釐清要解決的問題與欲產生的效能，再回頭規劃所需的知識、資訊、資料與事實。

在這樣的架構下，數據的角色不再只是被動蒐集與整理，而是成為激發假說、建立因果理解、論證方案效益的重要工具。唯有當分析能夠一路從度量與資料，推進到因果解釋與決策應用，並支撐方案的評估與落地，數據分析才能真正轉化為解決問題的核心能力，並在組織中產生實質影響 🙆🏻

三、實戰演練：大型教育標案的專案管理

商業決策的核心：經濟模型（MR > MC）

商業決策不應只憑感覺，而是必須建立模型來預期未來現金流。 其核心準則在於：當邊際收益（MR）大於邊際成本（MC）時，該決策才具備經濟價值💰

在顧客導向的情境下，這套邏輯具體展現在「獲客經濟學」中：

⭐️ MC（獲客成本／COA）：為取得一位新客戶所付出的總成本

⭐️ MR（客戶終身價值／LTV）：單一新客戶在未來存活期間所能帶來之期望淨現金流現值總和

收益端（MR）：客戶終身價值（LTV）

LTV 是衡量企業是否具備長期經營能力的重要指標。

其主要組成要素包括：營收、毛利率，以及最關鍵的存活率（Survival Rate），用以反映未來現金流能夠持續多久。而透過存活曲線分析客戶隨時間流失的比例，可觀察企業對顧客關係的掌握程度。B2C 企業是否能有效估算存活曲線，往往反映其商業數據分析的深度 🔎

在完整模型中，LTV 的概念可表示為：

LTV = ∑（各期淨現金流 × 折現率）

成本端（MC）：獲客成本（COA）

在實務中，分析師需花費大量時間拆解細項資料，才能估算出真實的獲客成本。

以廣告費庸為例，獲客成本應以漏斗式思維計算，而非只看單一廣告費用。完整 COA 應包含：廣告成本 + 銷售成本 + 成交成本。

例如，若 100 次廣告送達僅帶來 3 次行動與 1 次成交，則 COA 應累加所有階段的投入，而不是只計算單次的廣告成本。

實務技巧：追求「夠準」，而非「精準」

在資料尚未完整累積的情況下，優秀的商業數據分析師會使用簡化但結構正確的模型，以提升決策效率。

常見的無限期 LTV 簡化公式為：

LTV = 客戶每期貢獻度 ÷ 客戶每期流失率

例如，若每月客戶貢獻為 $99、每月流失率為 1%，則該客戶的終身價值約為 $9,900。

商業決策的品質，關鍵不在於模型是否極度精準，而在於是否準到足以支撐決策選擇與行動 💪🏻

國立政治大學商業分析社 | NCCU Business Analytics Club, BAC

📩 社團 gmail | bac.nccu@gmail.com

👥 社團社群粉專 | LinkedIn FB Instagram