過去十年， ALPHACamp 專注在幫助大眾轉職工程師、頻繁跟產業接觸的同時，發現數據分析是幾乎所有產業、職位都通用的能力，也有越來越多人想要轉往資料分析領域工作，但幾乎沒有什麼資源，能真正把數據分析要學什麼、學到什麼程度講清楚。我們花了一年深入瞭解產業需要的資料分析技能，現在想要帶你認識資料分析學習範圍，找出最佳學習路徑，才不會學了半天在工作中用不出來、求職時只會紙上談兵，希望以下內容能讓資料分析為你的職涯加值！
（我們在文末提供「詳細版數據分析職能發展地圖」下載，有需要的讀者別錯過了！）
從數據分析職能地圖 鎖定學習範圍四大象限
A. 數據思維與理論
為了要有系統跟架構的分析數據、從數據中找出洞見，需要具備使用基礎分析理論的知識，打下資料分析思維基礎。
- 入門必學統計學基礎，運用描述性統計相關指標 (如中位數、標準差等) 分析數據的狀態，並選擇適合的圖表呈現趨勢⋯⋯等。描述性統計是商業分析的共通語言，因此列入必學區。
- 進階主題包括驗證性統計和預測性統計。驗證性統計（回歸分析、統計檢定、信賴區間）比較偏理論素養，若公司時常導入問卷調查、A/B testing 等，會需要用到。而預測性統計通常用於發展機器學習相關的應用，屬於一條可以長期攻略的專精領域。
如果是第一次接觸資料分析的求職者，早期可以先入門描述性統計後，優先累積其他商業應用技能，後面這兩塊進階主題，可以在找到工作以後，安排學習計劃持續補強。
B. 商業應用知識
學資料分析是為了解決商業問題，所以我們也需要了解商業運作的邏輯，來定義出正確的問題。
我們將商業應用知識拆解成三塊，每一塊的攻略方式略有不同：
- 商業模式與產品邏輯：你需要了解所在工作產業的基本知識，例如你的產業是偏向 B2C 或是 B2B？假設是電商產業，那電商產業有一些基本的遊戲規則，其他的產業亦然。這塊屬於常識區，能通過多聽多看來累積，建議可多看案例型、傳記型的產業故事。
- 應用場景 (Use Case)：例如會員分析、產品分析、財務分析⋯⋯等，不同的場景有不同的細節要處理，愈有經驗的人、處理過愈多的問題，因此就愈知道藏在魔鬼裡的細節。對非在職的學習者來說，這塊只能靠案例討論和 side project 來攻略。
- 領域/部門：同樣是資料分析，在不同的部門，由於想要應用分析結果的客戶端不同，就會有不同的側重點。例如為了行銷部門而做的資料分析，可能是為了要讓他們針對一小群人，發想 VIP 客戶計劃，因此可能會更側重分群以及客戶樣態分析。而和產品經理合作時，他可能想要監控新功能上線後的效果，你們可能會一起定義指標，建立自動化的追蹤報表⋯⋯
商業應用和個人的職場實戰經驗值息息相關，也是眾多學習者不知從何準備起的一塊。個人學習時的難點是找到適合的案例載體來實際練習，案例討論搭配經驗交流也許是能突破個人有限經驗的作法之一，ALPHA Camp 正在努力研發這類型的有效課程。
C. 資料處理流程與技術
為了能夠快速有效率的分析大量數據，需要掌握資料處理技術，包含：數據抓取、數據清洗、數據運算，並按照想分析的目標整理成適合的格式。
每個工具的功能不同，需要視目標決定要學哪些工具：
- Excel：基礎分析工具，能夠用內建功能和公式快速進行基礎資料處理，並產生圖表。Excel 內建 PowerQuery 分析模組，因此能做到的事情比想像中多。
- SQL：從企業級的資料庫中正確撈取資料，並將眾多資料整併成適合分析的數據源。
- Python：通常談到 Python 時其實有兩個段落
- 「程式語言」本身的入門。這是指所有程式語言通用的基礎，變數與資料型態、運算與流程控制、函式與物件導向等等。入門時程式語言專精一項就好，如果使用 R 語言，就先不用學 Python。如果第一次學程式語言，這塊需要打好基礎。
- 第二步才是指，針對想要做的事（例如想用 Python 架網站、還是想用 Python 做資料分析），學習 Python 世界裡的相關套件。例如搭配 Numpy & Pandas 等套件，能用程式自動化進行較複雜的資料處理與運算；搭配 Matplotlib 等套件則能做到圖表。若要延伸至統計建模、機器學習等進階領域，也是再搭配不同的 Python 套件。這一塊可謂學海無涯，但入門階段需要掌握的有：資料運算 (Numpy & Pandas)、圖表輸出 (套件選擇很多)、時間列序 (Datetime) 與文字處理 (RegularExpession)。
- Power BI 和 Tableau：產生動態的視覺化報表，符合專業的商務需求。雖然上述工具都能做到圖表輸出，但若要建立能夠即時運算的動態報表，或單純想把圖表做得很精美、進行客製化美工，還是需要使用專業的報表軟體。新手時期從 Excel 過渡到 PowerBI 會感到很親切，而名聲響亮的 Tableau 學起來也是好處多多。需看個人需求與喜好來決定要學多深。
工具技術是個人最能透過一己之力來學好學滿的領域，但也因為工具技術學無止盡、容易陷入為學而學，提醒諸位學習者（尤其是正在構思作品集的你），在衝刺個人技術能力的同時，需注意地圖另三塊領域需均衡發展，至少，自己要能說得出來，在某個商業情境下，為了要做到什麼事情，因此要導入什麼工具來支援，要在這樣的方向感下，才能有效展現個人技術力的價值。
D. 溝通能力與影響力
我們分析出來的結果需要跟他人溝通，從數據觀點提供做決策的建議，才能真正的解決商業問題，發揮個人影響力。
進一步細分成三塊：
- 聽眾與溝通場合：先把相對明確的事情分解出來。聽眾是誰？溝通發生在什麼樣的場合？是桌邊討論、定期週會，還是董事會？每一種溝通場合都有各自的建議規格和理想準備流程，如果一時之間不知怎麼啟動思考，至少先從這一項開始吧！
- 溝通策略：在設計溝通時需考慮的各種關鍵因素，如利益關係人與他們關心的事、組織架構下的情勢分析，是否有任何環境限制或不可變的前提，這一項既關鍵又抽象，由於大多為思考工作，會需要導入各種策略思考與解決問題與的框架，來把思維具象化，於商業應用場景 (use case) 練習。個人學習時的難點是找到適合的案例載體來實際練習，總之有練習機會就要多多把握。
- 用數據溝通：身為資料分析師，則會有一套以數據來產生影響力的邏輯。表層工具是指做簡報、做報表、選擇對的圖表、搞定資料的視覺呈現等等。而內功則在於，如何根據溝通策略，以對聽眾最有價值的方式呈現數據 insight，因而引發後續行動。
和「商業應用」的象限類似，「溝通能力與影響力」的象限需在真實應用場景中來鍛練，且沒有標準答案。但相對來說，這一塊其實在日常工作中，可以從其他有經驗者身上觀察到外顯行為，可以透過模仿榜樣來 “fake it until you make it”，因此，也不需要想得太高遠！立刻開始觀察其他人如何有效溝通吧！
不同目標／職位需求，需要學會的深度一覽表
根據目標不同，例如想成為資料工程師、資料分析師，跟想要在日常工作中具備資料分析能力，在四個象限中需要學到的深度是不同的。以終為始的規劃自己要學到什麼程度，才不會學了一堆其實不需要的技能，或是學得太淺無法應用，卡在半途中！
我們整理了這張表格，希望能幫助你初步規劃學習深度，找到適合的學習資源：
| 想成為數據科學家、資料科學家 | 想成為資料分析師、商業分析師 | 希望日常工作具備資料分析力 | |
| 數據思維與理論 | 完整且紮實的統計學知識，能根據預測統計需求設計機器學習演算法。 | 熟悉並能執行資料分析的流程：定義問題、探索數據、分析數據、驗證假設、溝通決策。 具備基礎統計知識，例如：變數類型、描述性統計。 | （同左） |
| 商業應用知識 | （同中） | 能理解商業運作的基本邏輯，除了特定產業內的知識以外，可以多累積共通商業問題，例如：客戶流失、找出影響力商品、訂出銷售北極星指標、進行庫存商品管理、預測部門營運目標⋯⋯等。 | （同左） |
| 資料處理流程與技術 | 精通 Python 以及相關的機器學習框架 Scikit-Learn，並且能運用 Hadoop 等工具架設大數據分散系統。 | 能精通 Excel 的分析功能模組。能從資料中挖掘 insight，並輸出報表。 能運用 Power BI 或 Tableau 產出企業級視覺化報表。 能視需求搭配 SQL 或 Python 做到更複雜的資料處理。 | 能精通 Excel 的分析功能模組。能從資料中挖掘 insight，並輸出報表。 |
| 溝通能力與影響力 | （同中） | 簡報製作能力：將分析結果以易讀性高的樣貌呈現。 故事表達能力：能夠將問題拆解、分析過程與驗證假設，有架構的整理輸出，透過表達溝通，進行說服或達成共識，做出決策。 | （同左） |
【獨家】詳細版數據分析職能發展地圖下載：點這裡
Bonus！其他資料分析相關文章推薦
首先當然推薦 ALPHACamp 自產優質文章
- 資料科學五大 Q&A：資料科學實際作法？資料科學產業的未來？
- 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
- 數據分析師 (Data Analyst) 的工作內容、需要特質、薪水、3 個必備技能
- 培養解決問題的能力：從拆解問題到分析步驟
額外分享一些團隊在研究資料分析職務發展時搜集的文章
