在這個數據驅動的時代，能夠有效解決問題的能力是非常寶貴的。本文將以實際案例為基礎，探討如何培養解決問題的能力，特別是在數據分析的環境下。我們會聚焦在「定義問題」與「提出假設」這兩個核心環節，並詳細解析其目標、方法和具體案例。
數據思維：解決問題的五個步驟
數據思維不僅僅是數據分析，它是一個全面的問題解決流程。這個流程包括：
- 定義問題：明確問題並將其量化。
- 探索數據：找到相關數據。
- 分析數據：運用數據進行深度分析。
- 驗證假設：基於數據驗證你的預測。
- 溝通決策：基於分析結果做出決策。
這個流程是循環的，意味著一次的分析和解決可能會帶來新的問題和假設。
定義問題：問題解決的起點
在數據分析流程中，往往最難的部分就是「定義問題」。不正確的問題定義會導致後續所有步驟偏離正確的方向。所以，如何妥善定義問題？
定義問題的目標和方法
- 目標：將一個抽象的問題轉化為一個「資料可解決的問題」。
- 方法：
- 明確目的：首先明確要解決的問題和目的。
- 前置研究：進行前置研究，了解問題背景。
- 量化指標：將問題轉化為可量化的指標。
例如，對於「如何提高產品銷量？」這個問題，可進一步拆解為「哪些因素影響產品銷量？」和「如何量化這些因素？」。
2. 定義問題的方法
正確的定義問題步驟應為：
- 定義問題時，首先要釐清背後的目的：目的決定該解決的問題。不要直接想解決方法，而是先釐清要解決的問題是什麼；
- 針對問題進行前置研究，並拆解下一層的問題：透過前置研究，能掌握整個問題的脈絡及背景，並更精準拆解出下一層的問題；
- 將抽象的問題轉換為可量化的指標：透過量化指標讓問題可以被資料驗證重現。
以上圖為例，針對「怎麼減 10 公斤？」這個問題，再往下拆解減重的方式有：「怎麼多運動？」、「怎麼控制飲食？」，而透過對減重議題的前置研究、查找相關資料，可能會發現到「怎麼讓自己每天睡 8 小時」也會影響到減重成效。往下不斷拆解問題後，最後則是將問題轉換為具體可量化的指標
3. 定義問題的案例
下表為 ALPHA Camp 團隊透過分組練習，其中一組經討論後分享的定義問題案例。
問題關注點：我們推出的解決方案（線上課程）成效如何？
說明：小組針對問題關注點「我們推出的解決方案（課程）成效如何？」，往下拆分成四個不同面向的問題，並將問題轉換為量化指標。
以「學生是否持續學習，成功培養網頁開發技能」問題為例，衡量這個問題的量化指標有：「學生 mastery rate」及「課程轉換率」，接著說明各指標的定義與計算方式，最後則是根據量化指標提出改進方式來嘗試解決資料問題。
獲得可用數據的下一步：提出假設
當需求方提出問題，資料團隊獲取可用數據後，下一步該往哪個方向前進？這時候就需要「提出假設」，對資料進行判斷並加以驗證。
1. 提出假設的目標
什麼是假設？假設是對於某個問題答案的未經證實的猜測。
為什麼要提出假設？維元說明，不論是我們所使用的資料、或每個人對於資料的解讀，其實都是主觀的。為了讓主觀的「觀點」更接近「事實」，會需要從資料問題中提出假設，並使用資料來驗證假設，以支撐自己的觀點。
2. 提出假設的方法
如何提出一個好的假設？
一個好的假設應該具有「可被驗證的變數關係」，如： A 變數如何影響／導致／關聯 B 變數，同時應滿足三個條件：
- 變數間有關聯
- 變數間的關聯有方向
- 變數間的關聯是可以被重現的
維元舉例，「咖啡喝的越多，人越容易頭痛」、「 晴天的交通事故率小於陰天的交通事故率」，這些都屬於好的假設。
Bernard 進一步補充說明，「好」的假設不等於「正確」的假設。好的假設不代表它的答案是正確的，而是該假設可以被驗證，假設有可能成立也有可能不成立。
3. 提出假設的案例
下表為維元分享的提出假設案例。
資料問題：線上課程學生的學習狀況與完課率，會受到學習過程中的心情影響嗎？
說明：「學習狀況跟完課率，會受到學習過程中的心情影響嗎？」是資料問題，接著則是需要運用資料來回答，並提出假設「當學生負面情緒比較高時，會有比較高的機會放棄或成果不彰」。再下一步則是驗證假設，驗證「情緒跟成果的關聯：是否學生情緒越正向，成果越好？」，再分別針對學生情緒、學習成果、參與度找出可衡量的量化指標。
最後，若假設成立，證明「情緒」與「成果」有關聯，則下一步可能是找出有哪些學生需要關心、負面情緒能不能再做分類；若假設不成立，則需要去檢驗是否有內部資源投入在錯誤方向，避免浪費人力與時間成本。
解決問題與數據分析職能地圖應用
在問題解決和數據分析的領域中，AC 數據分析職能地圖提供了一個全面的框架，涵蓋了商業應用、理論與素養、技術與工具，以及影響力等四個核心象限。本文將探討如何將這個職能地圖與問題解決的能力結合。
在問題解決和數據分析的領域中，AC 數據分析職能地圖提供了一個全面的框架，涵蓋了商業應用、理論與素養、技術與工具，以及影響力等四個核心象限。本文將探討如何將這個職能地圖與問題解決的能力結合。
商業應用：問題解決的商業場景
Business model & logic
在解決問題時，明確了解所處的產業和經營模式（如 B2B、B2C）是必須的。這會影響你的數據來源、數據類型，以及解決問題的方向。
Use case
明確的用例會讓你更容易定義問題，無論是客戶分析、產品分析還是成本分析。
Domain & function
了解你在哪個部門和職能下工作，有助於尋找與你工作相關的數據和問題。
理論與素養：問題解決的理論基礎
Stats & math
掌握統計學和數學基礎，使你能更精確地定義問題、設立假設並進行數據分析。
Data analysis & Data literacy
了解探索性分析、多變量分析等方法，並將數據作為一種語言，能讓你更有效地解決問題。
技術與工具：問題解決的技術支持
Data source & architecture
理解數據來源和架構（如 streaming, batching）有助於你評估數據的可用性和品質。
Programming language & BI Tools
熟悉如 Python、R，以及 BI 工具如 Power BI、Tableau，能讓你更靈活地處理和分析數據。
影響力：問題解決的溝通與影響
Audience & Occasion
明確知道你的聽眾和溝通場合，可以幫助你更有效地傳達你的分析結果和解決方案。
Communication strategy & Data communication
設計合適的溝通策略和數據呈現方式，以確保你的問題解決方案能得到實施。
結語
問題解決和數據分析是密不可分的，AC 數據分析職能地圖為我們提供了一個全面而實用的框架。通過運用這個框架，我們不僅能更精確地定義和解決問題，還能在組織內部和外部產生更大的影響。
資料量多大算大數據？大數據為什麼重要？認識大數據的應用與工具
