【人物專訪】進入數據分析領域的入場門票feat. Snoza Tang

作者 / 邱偉帆、劉至真 | 2024.11.22

Snoza Tang

受訪者經歷：

• 國立臺北大學企管管理學系碩士畢業
• 玉山銀行 法金ARM/業務分析師
• 台新銀行 商業分析師
• 金融業資深資料分析師/數據曁流程規劃部部長
• Snoza培養你的數據思維IG （esnoza_ds）主理人
• ALPHA Camp「數據思維」課程講師
• 獨自籌辦資料分析實體課程「spL商業分析實戰」
• 多場座談、演講經驗，包含成大資料分析社、學米教育平台、互聯網大學

Contents

**數據分析流程與方法**

• 數據分析的流程
• 工具的選擇

**決策與應對的經驗談**

• 面對假設或決策與預期不同的情況之應對
• 數據驅動的分析與人為判斷的平衡
• 解決問題的思維與創造力的發揮
• 幫助不同部門理解的可視化及報告技巧
• 溝通與團隊協作的重要性
• 人工智慧在數據分析中的角色

**職涯探索與學習資源**

• 金融數據分析師所需具備的特質及判斷方法
• 給有意願進入金融數據分析領域學生的建議
• 在校期間增進數據分析實務經驗的活動
• 推薦學生練習數據分析技能的資料集或案例

**金融業的數據分析領域**

• 金融業數據分析的特點
• 應對金融科技快速變化的能力

**最後一個問題：給大學生的一句話**

回饋表單

數據分析流程與方法

| 數據分析的流程

在執行不同數據分析項目時，從數據蒐集到報告產出的具體流程不盡相同。學長依據自身經歷向我們分享以下兩種流程:

(1)被動接收到訴求

首先，在接收到部門或上級等的訴求後，釐清問題並拆解。接著，蒐集資料後完成清理。然後，進行資料分析，依循最初的問題選擇恰當的架構及應用工具，比如說，若只是想了解某一產業類別的交易狀況，只需要將蒐集到的數據視覺化呈現，無須使用機器學習等進階工具。分析完資料後，最後一步便是呈報結果，如BI報表、簡報或名單等，供相關人員進行後續的應用。其中，第一步的問題拆解與釐清尤為重要，因為倘若沒有正確的釐清，後續產出的分析會是錯誤的或無法滿足需求的。

(2)假說檢定

第一步與第一種方法不同，(分析師或相關人員)主動發現問題並提出假設，如｢某一產品的銷售量減縮可能與消費者對於品牌認知的改變有關」等。第二步，針對假設蒐集對應需要的資料，並釐清驗證過程中需要考量的變數、決定參數及樣本數。第三步，實際去蒐集資料來驗證假設，依照樣本數不同會有不同的執行區間。假設總共需要一千個樣本，並且一天只能蒐集一百個，蒐集過程便需耗費十天，不能太早或太晚結束。第四步，針對驗證的結果採取對應行動。若假設成立便可依循預先規畫執行;若假設不成立也不必灰心，這意味著成功規避掉錯誤決策的風險。

在學長看來，一開始提出的假設須合乎業務邏輯，不能僅憑天馬行空的想法而生，最後一步也很重要，需要將分析完的結果對應到實際舉措，不能只是呈現結果而無所作為。此外，金融產業可能鮮少有機會可以進行假說檢定的操作，因為需要足夠多的樣本數才能支撐結論的顯著性，在急於短時間內看到結果的情況下，不太有機會實行如此完整扎實的驗證流程。實務上，當領域經驗豐富的人提出事件關聯性假設，往往會被直接採用，而不需經過驗證。

| 工具的選擇

學長通常以例行性、問題的複雜度與時效性三個維度為考量，選擇、運用適當的工具，也會根據實際問題靈活調整。對於例行性分析，學長傾向開發端到端ETL(Extract, Transform, Load)流程(即將數據從多個來源提取、清洗和轉換後載入到目標數據倉庫或系統的流程)，並進行排程的控制達到自動化，有賴PySpark、Azure Data Factory等雲端工具建立排程，到了固定時間便會自動寄出報表或將資料上傳到Power BI，有很多應用方式。至於非例行性的任務，通常不需要這麼繁瑣，但如果有自動化的需求，也可以依循上述方法來實現。

現在不少學校有在教授各模型的使用，比如決策樹、隨機森林，甚至是一些生成式 AI 技術，但學長認為在實際工作中用到這些模型的機會不多。模型的選擇應該根據問題的複雜度來判斷，而不是盲目追求工具的複雜度。例如，如果問題只是想了解各個交易的分布狀況，那就不需要用到機器學習模型，只需要透過 BI 報表或簡單的描述性統計，比如計算平均數、中位數，搭配一些視覺化的方式，就能清晰地呈現結果。相反，當問題比較複雜，比如要預測可能會流失的客戶樣貌，或者找出更有可能進行交易的對象，那描述性統計可能就不夠用了，這時就需要借助更進階的模型或者生成式 AI 技術來處理。

另外，時效性也是一個重要的判斷標準。如果問題很急，需要快速給出答案，那即使問題本身很複雜，也會優先用描述性統計的方法來提供初步的方向。畢竟有些決策者等不了完整的模型建置，可能當下就需要一個參考。例如，可能會先框出一個小樣本，進行假設驗證，看是不是有特定的趨勢存在。如果時效允許，才會再深入建模或進行更複雜的分析。

決策與應對的經驗談

| 面對假設或決策與預期不同的情況之應對

在數據分析的工作中，遇到結果與假設或預期不符的情況，其實是非常常見的。當面臨結果不符合假設時，不應修改數據、母體或參數來「湊」出符合預期的結果。對學長來說，假設不成立，本身就是數據分析的一種貢獻，因為它幫助我們識別錯誤的邏輯或假設，從而避免可能帶來重大損失的錯誤決策。

比方說，在行銷專案中，我們往往基於直覺假設某些客群偏好網路行銷，因此集中資源在網路廣告上。但若透過數據分析發現該策略效果不佳，這本身就是一種警示，表明我們的假設可能需要重新審視。如果忽略這些「與預期不符」的結果，繼續執行原策略，不僅會造成資源浪費，還可能損失潛在的市場機會。

雖然分析結果可能不如預期，但有時能幫助我們排除不必要的因素。當我們在探討變數X與Y的相關性時，可能會發現它們之間既無正向關係也無負向關係，甚至發現這兩個變數並非決策的關鍵因素。這樣的結論反而讓我們在後續分析中得以將精力集中在其他更重要的變數上，避免浪費時間。

| 數據驅動的分析與人為判斷的平衡

數據跟一般的 know-how 沒有對錯，應該要兼顧數據跟人為判斷的平衡，關鍵是不要想用數據取代人為判斷，數據還是以輔助人為判斷為主。有時可能會受收集資料過程中的偏差影響，而漸漸將答案引導到自己想要的結果。常理而言當我們用數據得到一個結論之後，不要急著否定其他人，而應該補足其他人可能缺少的部分。

主要還是以站在對方的立場做思考，尋找適合的數據、資料、技術或工具可以幫助解決問題。許多人滿腔熱血進入資料分析的職場，一開始就想要用數據取代人為決策。但這其實沒有好處，反而會讓需求方覺得，數據得出的結論與其預想差別甚多。進而懷疑數據的正確性，反而造成分析師的數據不被信任。學長認為還是要先配合需求方的想法做思考，以達成兩者的平衡。

| 解決問題的思維與創造力的發揮

解決問題的思維在於針對模糊的需求進行細化與拆解。資料分析的第一步，往往是將模糊的概念轉化為具體的要素或架構。這不僅是為了釐清需求，也是在為後續的數據處理與分析奠定基礎。有人可能會問「學校附近的咖啡廳在什麼時段消費量最高？」乍看之下，這似乎是個簡單的問題，但深入分析後會發現其中存在許多模糊點：學校是指大學還是高中？托兒所算嗎？「附近」的範圍是500公尺還是1公里？步行距離是否是合理的考量？這些細節都需要釐清，否則分析結果可能與需求方的真實問題脫鉤。數據分析師扮演類似顧問的角色，目的在於幫大家解決問題，其核心在於將抽象的概念具體化。

除了邏輯與分析，創造力也在數據分析中扮演重要角色。一個看似簡單的問題，可能經過詳細分析後，演變成一個龐大的架構，涵蓋更多層次的探索與可能性。這樣的延展過程，不僅需要對細節的敏銳度，也需要創造力的支撐。在某些情況下，需求方可能對過多細節的探討感到不解，但實際上，這些細節的探索是為了解決問題的根本原因，而非僅僅針對表面的需求作出回應。創造力讓數據分析師能夠在不同的角度中找到突破口，為需求方提供更加全面的解決方案。

對學長而言，寫論文對於從事資料分析是一個很好的基礎訓練。在指導教授的要求下，需要主動尋找研究主題，針對學術文獻的缺口提出假設，並自行設計研究架構。這與數據分析的過程相似，需求往往是不明確的，而分析師需要不斷拆解、調整問題，直到找到最合適的解法。另一個有效的途徑是參與專案型課程。分組討論、案例分析等課程設計，不僅要求學生提出自己的想法，還需要評估他人觀點的合理性，並在交互詰問中得出最佳解決方案，這與現實工作中數據分析師與需求方的攻防過程如出一轍。

| 幫助不同部門理解的可視化及報告技巧

數據分析師需要花時間了解對方部門的考核標準、目前遇到的問題等。設身處地地了解對方的痛點和關注點後，才能確保報告的數據與內容對應其需求，從而提升溝通的有效性。此外，還需預估對方可能會有的疑慮。尤其是當數據洞見與對方既有想法不一致時，應避免直接用數據反對他人的意見。有些人甚至因為專注技術而表現出優越感，認為對方看不懂而覺得自己高人一等。但這樣的態度很可能會降低合作的融洽度，數據分析應該是業務的輔助工具，而非高高在上的技術手段。應以保守且中立的方式表達。提供分析結果時可以說：「這份分析基於某年度特定樣本，可能未涵蓋您過去十年的經驗，因此僅供參考。」這種合宜的態度不僅讓數據更易被接受，也有助於建立合作的基礎。

在實務中，數據分析師需要以簡單明瞭的方式展示結論。報告架構上應將結論放在標題，避免受眾因繁瑣的分析過程失去耐心。可以讓工作繁忙的長官在快速掌握重點後後，決定是否深入了解。支撐結論的圖表應精挑細選，且僅包含與結論相關的數據。過多的圖表會讓報告失去焦點，甚至讓人無法抓住重點。實務中，常用的圖表如圓餅圖、長條圖或趨勢圖即可滿足大部分需求。許多人喜歡使用複雜的圖表，但往往需要花費過多時間解釋，反而削弱了報告的效率。

| 溝通與團隊協作的重要性

雖然硬實力，例如 Python 編程、數據可視化工具的熟練度等，構成了工作的技術基礎，但在實際工作中，真正決定數據分析師價值的，往往是軟實力，尤其是溝通與協作能力。如果只會被動的產出結果，可能將被人工智能所取代。這些軟實力對於一名優秀分析師的重要性，甚至佔了七成以上。隨著職位越高，溝通與協作的比重會越來越大。初階分析師可能專注於技術執行，而資深分析師甚至主管級別的角色，則需要花更多時間與團隊溝通。這些角色不僅要協調分析方向，還要將數據洞見轉化為具體行動並推廣應用，讓模型的價值被最大化。溝通不僅僅是表達分析結果，還包括了解需求方的真正問題。例如，需求方可能以某種政治目的提出問題，試圖利用數據支持其立場。如果分析師僅僅執行需求，可能會陷入部門間的利益角力。因此，良好的溝通技能能幫助分析師挖掘問題的真實核心，並提供更具價值的解決方案。

在學長的一次的經歷中，整個部門約有10個模型完成開發。然而，其中只有大約3個模型被最終應用，其餘則因需求不明確、溝通不足等原因被擱置。成功的3個模型，是在建置過程中頻繁與需求單位溝通的結果。比方說，當開發一個信用卡促動模型，需要持續與支付單位的 PM 及主管討論需求。透過持續的溝通，確保模型方向與需求一致，並在模型建置的各個階段獲得需求單位的認可，提高模型應用的成功率。

|人工智慧在數據分析中的角色

隨著 AI 技術的進步，數據分析的工具變得越來越強大，但人類分析師的角色與價值並未因此削弱，反而更加凸顯。AI 能夠快速生成圖表、進行基礎的統計分析，甚至執行初步的資料清理與建模工作，但它無法取代人類在溝通及策略推動方面的能力。事實上，AI 的功能更多是輔助，僅能取代分析過程中的一部分，仍無法完成從數據洞見到決策執行的關鍵步驟，尤其是在與跨部門溝通、說服決策者以及設計實際執行方案方面。

對於強 AI（General AI）的討論常引發許多遐想，例如它或許能模擬人類的思考與決策過程。然而，就目前而言，AI 的能力仍局限於被訓練的目標與數據，無法完全自我學習或創造性地解決問題。因此，學長認為數據分析師的工作短期內不會被取代。我們最需要做的是討論 AI 倫理與治理，確保技術不被濫用，換臉技術（deepfake）就是不當應用的例子之一。

AI工具已成為學長日常工作的重要輔助工具，幾乎每個專案的流程都能看到它的影子。在需求整理階段，使用 AI 進行資料摘要與整理，這能快速篩選出重點。然而，這些初步結果仍需要進一步確認與補充，AI 的角色更多是節省時間與提高效率。在資料清理環節，AI 的貢獻尤為突出。有時候，需要將不同程式語言（如 Java、Python 等）的資料格式，轉換成自己常使用的程式語言。過去這需要手動將代碼轉換為適合的語言，而現在AI 工具可以自動完成轉換，節省許多時間成本。建模環節中，AI 同樣是強大的助手。AI 可以針對模型中的特定指標的表現提供優化建議，甚至生成完整的程式碼，幫助學長能快速迭代與調整。

職涯探索與學習資源

| 金融數據分析師所需具備的特質及判斷方法

在金融數據分析的領域，對於分析師的特質與能力有特定的期待。金融業強調 “產出為先” （Outcome First）的文化，這意味著工作的重點在於結果的價值。這樣的特質不僅影響了金融數據分析的工作模式，也成為了進入該領域的重要門檻。在金融數據分析中有所表現，需具備目標導向的思維模式。這種思維意味著分析師需要清楚了解最終的產出目標，並圍繞目標設計分析過程。學生在準備履歷時，應該思考目前的能力缺口在哪裡，而非盲目模仿他人。如果缺少實習經驗，應優先考慮去彌補，而不是追隨同學去參與與自身目標無關的活動。金融領域高度重視量化表現，這一特性要求分析師能夠明確地將自己的成果數字化。以社團為例，當參與活動時，僅僅說「表現不錯」是不夠的；更有效的方式是通過數據來證明，例如活動的參與率、社群互動數據，甚至是活動的收益結構。這種以數據為基礎的量化習慣，是金融數據分析師的基本素養。

學生可以從兩個方面評估自己是否適合進入金融數據分析領域：是否具備以終為始的思維，以及對數據量化的敏感度。前者要求個人在面對任務時，能夠清楚地定義目標並圍繞其展開工作；後者則是指個人是否習慣通過數據來反映工作成效，並進一步優化行為。學生可以在參加社團活動時設計小型實驗，例如測試不同宣傳方式對參與率的影響，並根據結果優化策略。這種將目標拆解為可量化的具體指標，並進行驗證和迭代的過程，與金融數據分析的實際工作邏輯十分相似。

| 給有意願進入金融數據分析領域學生建議

對於希望進入金融數據分析領域的學生來說，除了基本的理論學習外，掌握實務相關的課程和技能是必不可少的。然而，僅僅考試成績優異或參加許多課程，未必能保證在職場中的成功。關鍵在於將學術知識與實際應用相結合，並提升解決問題的能力。

統計學是進入數據分析領域的基礎能力，假設檢定的部分尤為重要。然而，僅僅學會背誦公式和理論是不夠的，真正的挑戰在於理解其背後的邏輯。「無罪推定原則」可以對應到虛無假設概念，只有當證據足夠強大時，才能推翻原有的假設。這種思維方式，在數據分析中扮演著重要角色。對於在校學生，若學校的課程設計未能深入探討其商業應用場景，可以通過線上課程或自學補充。

資料庫設計課程也是不可忽略的一部分。數據分析的基礎是資料的收集與處理，而這往往依賴資料庫操作技能，例如SQL語言、資料表的串接與設計等。然而，許多學生可只學會表面操作，卻未能真正理解資料庫的結構。若能深入理解其邏輯，將對數據分析能力有所幫助。

個案分析與專案管理相關的課程也是推薦選項，這類課程可以幫助學生學會如何以問題為導向，設計解決方案。在參與個案競賽時，建議學生結合Power BI或Google Data Studio等工具，製作視覺化報表，並結合數據提供實質性建議，而非僅僅停留在SWOT、STP或五力分析等理論框架的應用。

| 在校期間增進數據分析實務經驗的活動

對於希望在校期間增進數據分析實務經驗的學生來說，最重要的是學會將理論應用於實際，並在過程中建立清晰的記錄和追蹤框架。無論是參與社團活動還是設計個人小型實驗，這些都可以成為練習機會。以社團活動為例，學生可以嘗試將活動的整體效益作為分析對象。可以有明確完整的記錄框架，如活動的收益可以細分為贊助收入、門票收入以及學生支付的費用。這些數據需要被完整地記錄，否則後續的分析與優化將無從下手。可以利用Excel記錄這些數據，然後將其導入像Google Data Studio這樣的免費工具，進行視覺化呈現。這種方式不僅能直觀地展示活動的成效，還能讓參與者清楚地看到哪些部分需要改進。此外，學生可以根據活動的不同指標進行拆解和分析。這些指標可以包括轉換率、購買率、點擊率、曝光數等。從流量到轉換，再到平均客單價的拆解分析，能幫助學生建立一個全面性的觀念。

如果希望進一步提升分析能力，學生可以嘗試進行A/B測試。這需要學生先提出一個假設，例如「更改社團活動的宣傳方式可以提升參與率」，然後針對這個假設進行驗證。A/B測試的實施過程可以從小規模開始，例如從社團中選擇30名成員進行測試，觀察是否能產生預期的效益。如果測試結果良好，再擴展到整個社團，進一步驗證假設的可靠性。在進行A/B測試時，學生需要了解統計學中的「虛無假設」概念。學生需要收集充分的數據，證明自己的假設是正確的，而非僅僅依賴主觀認為有效。數據分析並不僅限於大型項目，學生也可以設計與自身生活相關的小型實驗。例如，假設「改在晚上學習可以提高成績」或「到圖書館學習比在家效率更高」。學生可以記錄自己的學習時間與學習地點，並追蹤成績的變化，將這些數據整理成表格進行分析。這類個人化的實驗不僅能提高分析技能，還能幫助學生在生活中做出更明智的選擇。

| 推薦學生練習分析技能的資料集或案例

對於剛開始學習數據分析的學生，找到合適的練習資料集和案例是一個重要的起點。無論是透過生活中的數據收集，還是利用現有的數據來源，最關鍵的是明確練習的目的，並將其與分析目標緊密結合。可以記錄日常開支、學習時間分配或運動習慣等，然後將這些數據進行清理與分析，並嘗試尋找其中的規律。然而，若無法收集足夠的自有數據，則可以從以下幾個可靠的來源開始：

(1)爬蟲技術：利用爬蟲工具收集自己感興趣的數據。例如，爬取新聞文章、論壇討論內容、股價走勢或商品價格等，這些數據不僅真實且具時效性，還可以針對自己的興趣領域進行分析。

(2)政府公開數據：許多政府機構提供公開數據資源，涵蓋鄉鎮市區統計、ATM分布、信用卡消費行為等資訊。雖然有些數據可能較為陳舊，但其真實性與多樣性為學生提供了豐富的分析機會。

(3)資料平台：像Kaggle等資料平台雖然資源豐富，但需謹慎挑選。部分數據集並非來自真實業務場景，可能較難提供實際價值。建議學生選擇標明來源並具有業務背景的數據集進行練習。

數據分析的重點並不在於構建複雜的模型，而是先掌握基礎的描述性分析與資料視覺化。如「近十年台灣信用卡消費分布」，依照不同銀行、產業、地區進行拆解，並將結果呈現在視覺化報表中。這類練習能讓學生熟悉資料處理與視覺化工具，其重點在於目標的清晰。

金融業的數據分析領域

| 金融業數據分析的特點

首先，金融業在資安控管方面非常嚴格。所有個人資料都必須進行遮罩處理，然而，數據遮罩會讓分析流程變得非常冗長。最終解密的過程也不是分析人員可以自行處理的，必須由專責的資安人員在受限的防火牆下完成。解密後的名單還需要層層把關，例如通過虛擬環境或嚴格的管制流程。因此，金融業的分析節奏往往比較緩慢，無法像新創公司或電商那樣快速將結果應用到實際操作中。即便已經完成分析，可能還需要額外等待一到兩天才能完成後續處理。

再者，金融業數據分析的主題範圍非常廣，且相當複雜。以電商為例，可能只需要專注於商品銷售的數據，但金融業的商品種類繁多，包括基金、保險、信貸、房貸、車貸，甚至還有外匯、存款等，每個產品都有專屬的資料庫，而每個資料庫可能包含數十張資料表，每張資料表又包含數十個欄位。在這種結構之下，單靠一個人不可能熟悉所有內容，必須進行非常細緻的分工。例如，有人專門負責基金分析，有人負責外匯分析，這在其他產業並不常見。

此外，金融業對於風控的要求非常高。不管是政府還是外部監管機構，都非常重視金融業在客戶倒帳風險控制以及偽冒防堵方面的能力，風控是金融業中最具發展潛力的領域之一。由於金融業的領域非常多元，選擇明確的方向專精是非常重要的。

最後，金融業非常注重產出、追求效益。這種效益導向的優點在於能讓分析更有實際價值，但另一方面，可能會因此降低過程中的嚴謹性。例如，在進行方案比較時，可能僅基於效益數據進行快速決策，而不進行更嚴謹的統計驗證。像是樣本數是否足夠、差異是否顯著等問題，通常不會過多著墨。因此，金融業對於學術性或理論性的分析要求並不會過於要求，更多時候偏向實務應用，重點還是在於能否快速滿足業務需求。

| 應對金融科技快速變化的能力

未來不比誰寫程式寫得快、分析得快，而是快速釐清與拆解抽象概念的能力。如果能更快地消化問題並有效拆解，那麼在同樣的時間內就能完成更多的分析，創造更多效益。除了把業務問題做細化拆解外，還有分析流程中的分工：哪些部分可以藉由AI執行，哪些需要自己動手完成。如果能迅速掌握這點，就能大大提升工作效率。如果不清楚該怎麼分配，會浪費時間或可能無法達到預期效果。

資料分析師的本質就是「溝通者」，尤其未來 AI 發展更成熟，分析師的溝通能力會更加重要。不僅是跟團隊內部交流，還包括向非技術部門解釋分析結果，讓他們理解數據背後的意義與價值。溝通能力會在這個過程中發揮出更大的作用，這點永遠不能忽視。

在日新月異的時代，保持自我成長的學習心態相當關鍵。倘若一昧認為自己現有的技術水平已經足以應對一切問題，極可能被後來者超越。如果能夠適當運用生成式AI，效率會遠比自己手動操作快，結果也會更精準。學長以自身為例說明，以前進行文本分類時，學長需要自己設計演算法、蒐集資料、標註、訓練模型，是非常耗時的過程，但現在AI可以幫忙快速完成分類，幾乎不需要再花時間做標註了。

最後一個問題：給大學生的一句話：

「以終為始，為未來鋪路」

學長建議同學們盡早開始思索自己的職涯方向，以終為始反推達成目標需要具備什麼特質、能力、經歷的積累，慢慢開始補足。不用過於專注在未來發展而放棄有趣的校園生活，但還是要花一部分的心力為自己的未來鋪路。

感謝您完整閱讀完這次的職涯採訪專欄，希望您從中有所收穫，並對數據分析這個行業更加了解！

這是我們學術部花了許多時間及心力製作而成的專欄文章，為了瞭解同學們對專欄活動的看法以及對此篇文章的反饋，希望您可以花幾分鐘的時間為我們填寫回饋表單，讓我們未來的活動做得更好~也歡迎許願下次想看的行業是什麼！

幫我們填寫回饋表單，還可以領取過去的精華6篇專欄文章喔～📄麥肯錫管顧、FMCG、摩根大通投行、Google人資…通通給你看❤️‍🔥

回饋表單連結：https://docs.google.com/forms/d/1B-LuFBQRZPQXMYyzeE-vPkWIE6ZmoHpdYV3JJNFVyu0/edit?pli=1

如果大家喜歡這篇文章，歡迎幫我們按下拍手並留言喔~