▲數據分析師工作內容、薪水、具備特質、技能,圖片來源: freepik
數據分析師(Data Analyst)又稱資料分析師,一般定義是能將原始數據轉化成可用於制定決策的資訊,具有數據洞察力、且有能力處理數據轉化成知識的人。
「數據分析師」也是資料產業中一個重要的職能之一,而且這個位置在資料科學熱潮之前就存在已久。
資料科學家和數據分析師的差別是,數據分析師比較強調的是「如何找到適合資料可以解決的問題」,對資料理解與定義問題的敏銳度。數據分析師在資料探索及資料視覺化的要求會高一點。而資料科學家則更重視模型與理論,需要比較完整的資料知識體系,例如統計,最佳化及資料模型這方便的了解。
▲資料科學家、資料分析師、資料工程師,實務上如何在資料團隊分工
數據處理和分析能力:這是數據分析師的核心技能。他們需要掌握如SQL、Excel、R或Python等數據處理工具,並具有使用統計方法進行數據分析的能力。
數據視覺化:能將數據視覺化是數據分析師必備的技能之一。這需要掌握如Tableau、PowerBI等數據視覺化工具,以便能將複雜的數據以易於理解的方式呈現給決策者或非技術人員。
業務理解和問題解決能力:優秀的數據分析師不僅需要技術技能,還需要對業務有深入的理解,以便將數據分析應用於實際問題。他們需要能從業務的角度來理解和解釋數據,並能提出基於數據的解決方案。
專業技能:Excel、程式語言 SQL、R / Python。此外資料視覺化工具例如Tableau、統計知識,也是資料分析師需要培養的能力。
產業知識:不同產業的分析面向,差異很大。建議「一開始就先選定特定產業,了解它如何運作、自己又該補足哪些知識。」
批判性思考:多運用框架幫助思考,如 AIDMA 行銷框架、AARRR 產品框架,把宏觀的現象拆解成一個個可驗證的步驟。另外,目標導向思考也很重要,能幫助自己「了解對方為什麼要做這件事?我們的觀點又是什麼、該如何幫助對方?」做到目標導向的思考,才能釐清對方的需求、真正解決問題。
軟實力:能夠團隊合作解決問題的能力,關注數字的細節和準確性,擅長口頭與書面的溝通表達包含寫報告和進行presentation。
資料分析師一天的時間分配,工作有一半時間在做分析工作「SQL 跑資料、畫報表」,然而每天花最多時間的,反而是「需求確認」!與部門同事討論、了解他們的資料分析需求。例如:
從事數據分析工作通常要經歷幾個步驟
關於這些步驟更詳細的說明,請看〈資料分析 5 步驟〉這篇文章
數據分析的類別大致上有這四種:
描述分析(Descriptive analysis):描述性分析回答 What happened 這個問題,確定已經發生的事,雖然沒辦法從中做出預測,但是整理好的描述分析能確認數據以有意義的方式呈現,並打好進一步分析的基礎。
預測分析(Predictive Analysis):預測分析則是回答 What will happen 未來可能會發生什麼,透過找到過去數據的規律,預測未來的可能趨勢和潛在問題。例如透過過去數據的觀察,第四季是電商購物的旺季,廣告投放產生的效益和其他季有明顯差異。
好奇心驅動數據分析師不斷追問和探索數據背後的真實含義。這種特質促進創新思考,能夠引領分析到更深層次。在解決具有挑戰性的問題時,好奇心也可以幫助分析師發現新的解決方案和視角。
批判思考允許數據分析師理性分析數據,避免受到偏見和誤解的影響。這個特質不僅提高了分析的準確性和可靠性,還幫助分析師更好地理解問題並提出有力的解決方案。
對細節的敏感有助於發現潛在的數據錯誤和不一致。這個特質確保分析結果的品質和準確性,並有助於避免在後續工作中出現成本高昂的錯誤。
合作精神有助於數據分析師在團隊中更好地協作,以達成共同的目標。這個特質促進跨部門合作,提升整體效能,並有助於創建一個更和諧的工作環境。
數據分析師必須尊重數據隱私,並確保分析過程公正、透明。這個特質不僅建立了客戶和同事的信任,而且提升了職業形象,有助於長期職業成長和成功。
Excel: Excel是一個極其廣泛使用的電子試算表軟體,可以用來整理和分析數據。它提供了各種數學、統計和文字函數,讓使用者能夠進行基本的數據操作和分析。Excel也可以創建各種類型的視覺化,如條形圖、折線圖和餅狀圖等。
Python: Python是一種編程語言,因其易讀易寫的語法和強大的數據科學庫(如NumPy、Pandas、Matplotlib等)而在數據科學社區中廣受歡迎。
R: R是一種編程語言,專門用於統計分析和數據視覺化。它有許多用於資料處理、分析和模型建立的包,並且能創造出美觀且高度客製化的視覺化。
SQL: SQL(Structured Query Language)是用於與關聯型數據庫進行互動的語言。數據分析師常使用SQL來檢索、操作和分析數據。
Tableau: Tableau是一種數據視覺化工具,它能將數據轉化為易於理解的視覺化,並提供了互動式探索和共享功能。
Power BI: Power BI是Microsoft開發的商業智能工具,可以將來自各種源的數據轉換成有洞察力的視覺化。
根據Glassdoor的資料,在台灣的數據分析師工資大概在年新月薪4萬到14萬之間,基本上是看資歷與工作經驗。電商的數據分析師職缺也很多,大部分的薪資都在四萬之上,根據1111人力銀行統計,目前數據分析師這個職缺就有近8000個工作機會。如果看國外網站ERI的薪資情報,台灣數據分析師的年薪平均數和中位數都在150萬。
▲source: REI / update: 2023/09/08
不同的產業也都對數據分析師的需求非常旺盛,從軟體業到傳統的金融業、房仲業,都需要數據分析師的相關人才。
▲source: cakeresume / update: 2023/9/8
數據分析師的學習範圍非常廣泛,以下是一些最重要的學習主題以及相關的免費資源。
Khan Academy Statistics & Probability:提供統計學和概率的基礎教學。
MIT OpenCourseWare: Introduction to Probability and Statistics:來自麻省理工學院的概率和統計課程。
Codecademy Python:線上互動式學習Python的平台。
Coursera R Programming:透過Coursera學習R語言的課程。
D3.js Tutorials:學習使用D3.js進行數據可視化。
Tableau Public:免費版本的Tableau,可以用來練習數據可視化。
以上 3 項,是數據分析的核心能力。而若你對「資料工程」與「資料科學」有興趣,下面也有這些推薦的資源。
機器學習和人工智能
Google’s Machine Learning Crash Course:Google提供的免費機器學習速成課程。
Coursera Machine Learning by Andrew Ng:著名的機器學習課程,由Andrew Ng教授授課。
大數據技術
Apache Hadoop Official Documentation:學習Hadoop的官方文件。
Apache Spark Tutorials:Apache Spark的官方教學。
1. 理解數據分析的核心原則
首先,要理解數據分析的重要性和應用範圍。這包括了解數據如何在不同領域(如商業、科技、醫療等)提供洞察力和決策支持。接著,學習基本的統計學概念,如平均數、中位數、標準差等,這些是分析任何數據集的基礎。
2. 掌握基本工具和技術
學會使用像Excel或Google試算表這樣的基本工具進行數據整理和初步分析。隨後,引入SQL(結構化查詢語言),它是用於數據庫管理和複雜查詢的關鍵技能。這一階段的學習可以通過線上課程、實務操作以及參加相關工作坊來實現。
1. 進階統計學和數學
這一階段包括學習更複雜的統計方法,如假設檢定、迴歸分析和機率論。這些概念對於理解數據背後的模式和關係至關重要。
2. 學習專業的數據分析工具
隨著你的技能提升,開始學習如R或Python這樣的編程語言。這些工具不僅能進行基本的數據分析,還可以用於更複雜的機器學習任務。此外,數據視覺化在數據分析中佔有重要地位,因此學習如Tableau或Power BI等視覺化工具也非常必要。
3. 實踐和應用
透過參與實際項目(如學校專案、實習或小型個人項目)來應用你的技能。實際操作不僅可以加深理解,還能幫助你學習如何解決實際問題。
1. 深入機器學習
在這個階段,你將學習更深入的機器學習概念,包括監督式和非監督式學習、特徵工程以及如何建立和調整預測模型。這需要更深厚的統計學和程式設計背景。
2. 大數據技術
隨著數據量的增長,了解如何處理大規模數據變得越來越重要。學習使用如Hadoop和Spark等大數據處理工具。
3. 持續學習和專業認證
數據分析是一個快速發展的領域,持續學習和跟上最新趨勢是必須的。此外,考取專業證照,如Google數據分析證照,可以提升你的專業資格。
學習基礎技能:熟悉Excel、SQL和基礎統計學。
實務經驗:進行數據清洗、初級分析,以及撰寫數據報告。
軟技能培養:加強溝通與協作能力。
技能深化:學習R、Python進行複雜的統計分析和數據處理。
數據可視化:精通Tableau或Power BI製作報表。
跨部門協作:參與業務策略規劃,進行業務分析和預測。
機器學習:掌握機器學習算法,使用如TensorFlow或PyTorch等工具。
大數據技能:學習使用Hadoop、Spark等大數據處理工具。
專案管理:能夠主導大型數據分析項目。
團隊領導:管理一支資料分析團隊,負責規劃和指導分析工作。
戰略決策:參與公司高層會議,提供數據支持的商業決策。
業務發展:利用數據分析導出新的業務機會。
ALPHA Camp 近年踏進數據分析領域,開發了「數據分析職能地圖」作為規劃課程的藍圖,也期待它能解構數據分析職能,幫助有志往這個領域發展的人,更有效、更精準評估自己的能力並規劃學習。關於地圖簡介,請參考〈解構數據分析職能地圖:ALPHA Camp 培育數據分析人才的下一步〉這篇文章。
另外,為了持續優化這份地圖,AC 邀請了兩位專家顧問,台灣資料科學社群創辦人管其毅、東吳巨資學院副教授胡筱薇,一起開箱地圖、討論與對談地圖優化的可能性與應用方向。更多對談內容,請見〈應用數據分析職能地圖,迎戰市場需求與學習挑戰〉這篇文章。
▲AC 數據分析職能地圖四象限與 12 個子項目 (update: 2023/09/1)
其中,「數據思維」著重於了解數據分析 5 步驟與流程,透過演練課程案例,帶你實際經歷完整資料循環,學會解決問題的思考與方法。而「數據應用」則著重於地圖的右側兩個部分商業應用與影響力,透過 3 個商業案例演練,帶你了解商業需求如何落地成數據分析需求、如何理解老闆的需求、如何與 stakeholder 溝通與協作。
若對相關課程有興趣,請持續關注 AC 官網。若對「數據分析職能地圖」本身有任何的問題或意見,也歡迎隨時提供給 AC。
※本文由 ALPHA CAMP 授權勿任意轉載,原文《數據分析師 (Data Analyst) 的工作內容、需要特質、薪水、3 個必備技能》