最近為了要準備年底的數據分析課程，我們研究並整理了市場在 2024 年對數據能力的需求。在 104 上，光是「數據分析師」或類似的工作，就有 9,000 多份職缺。現在數據已成為企業決策的核心，掌握數據分析技能已是現代職場中保持相關性和競爭力的必要條件。
然而「數據能力」的定義非常廣泛，包含從基本的數據整理與清理，到複雜的數據建模與分析等多方面技能。我會在本文探討 2024 年哪些數據分析技能會有明顯的需求、需求背後的原因，以及這些技能如何在各職種中發揮。無論你是希望在當前工作取得晉升、擁有更多選擇（例如換到更好的公司），還是考慮轉換到諸如產品管理、專案管理或數據分析師等職業，都希望這篇文章能有所幫助。
數據分析技能––市場需求的驅動因素
根據一項由 PwC 進行的全球調查，高達 69% 的企業領導者認為他們的員工缺乏足夠的數據分析技能。在人才招募市場上，對數據分析技能的需求持續增長。據 LinkedIn 的《2020 年新興職業報告》，數據科學家和數據分析師的職位在過去五年中增長了近 650%。此外，從 Indeed 的招聘數據來看，數據分析相關職位的需求在過去三年中增長了近 344%。回到台灣，今天我在 104 上尋找「數據分析」，就跳出 9,000 多份職缺。但市場對數據分析能力的需求，遠比這些職缺更多。仔細研究一下後，你會發現從化妝品研發專員、數位廣告優化管理師、百貨營運企劃，對於數據能力都有類似的要求。
在談企業需要哪些數據分析技能前，我認為要先釐清這些需求背後的理由，我們才能更精準的為自己建立業界需要的能力。
據我個人的觀察，市場對數據分析/資料分析的需求，是被這四個理由所驅動的：
- 資料量的爆發：隨著各產業數位轉型的加速，特別是在疫情期間產品和服務的大量數位化，企業現在每天都從消費者和客戶那裡獲取大量數據。根據知名線上統計資料平台 Statista 的預測，全球數據的總量預計將在 2025 年達到 181ZB（Zettabyte，1ZB = 1012GB）。這種數據量的爆炸性增長不僅帶來了巨大的數據處理挑戰，也為擁有數據分析技能的專業人士創造了前所未有的機遇。
- 市場競爭激烈：疫情後在俄烏戰爭、美國加息、通貨膨脹等因素影響下，全球經濟放緩，企業都積極思考在市場上取得競爭優勢的關鍵。根據麥肯錫全球研究院的報告，數據驅動的決策（Data-driven decision making，DDDM）制定可以使企業的生產效率提高高達 23%、客戶服務效率可以提高高達 19%、而最終獲利的可能性比競爭對手高出 19 倍！1過去二十年，從 Google、Netflix 到 Uber 等公司的崛起，展示了數據驅動的營運文化對企業成功的重要性——數據不僅能幫助他們更好地了解市場和客戶，還能做出更精準的決策，優化營運效率和創新能力。在競爭激烈的市場中，企業領導者已經認為數據是解決他們生存威脅（existential threat）不可或缺的元素。
- AI 和機器學習的迅速發展：AI 和機器學習正改變著各行各業。從金融業的財務風險評估到製造業的良率預測，企業都積極在思考、實驗如何透過AI 和機器學習提升效率、創造機會。因此，擁有相關專業技能的資料科學家和演算法工程師成為了爭奪的焦點。
- 資料安全的重視：隨著數據隱私和安全法規的日益嚴格（如歐洲實施的 GDPR），企業更需要專業人士來確保數據的合法和安全使用。以台灣金管會為例，今年推動「上市櫃公司資通安全管理措施」，將上市櫃公司分為三級，要求第一級 115 家在 2022 年底、第二級 1387 家在 2023 年底設置資安長及資安人員，業界預計人才缺口高達五千人。2（讀者從這份 iThome CIO 大調查報告的圖表也可以發現台灣企業資安人才需求自 2021 年起明顯增加）
總而言之，隨著科技的進步和市場局勢的變化，企業對於「數據能解決的問題與產生的價值」的期待和依賴都大幅提升，對於數據人才亦有龐大需求。
2024 年企業用數據解決的問題
在理解市場對數據能力需求的背後驅動因素後，我們進一步探討企業如何期待員工利用數據來解決問題或創造價值。從我的經驗來看，企業應用數據的場景大致可分為三大類：
- 降低成本：企業通過數據分析找出營運中的低效環節，進行優化，從而減少浪費和成本。例如，通過分析生產流程中的數據，找出並解決造成資源浪費的問題點。
- 提升成效/產能：利用數據來優化行銷策略，提高廣告和行銷活動的效率和投資回報。例如，分析客戶行為數據來設計更具針對性的行銷活動，從而提高轉化率。
- 創造營收新機會：從數據中發掘新的商業機會，如分析客戶購買歷史和偏好，從而推薦他們可能感興趣的新產品或服務。例如，利用 CRM 系統中的數據來識別交叉銷售和增值銷售的機會。
這些場景展示了數據分析在企業中的多元應用，從降低成本到創造新的營收來源，數據的力量正在幫助企業營運更有效率、更具競爭力。
我認為在 2024 年，全球景氣不會有太大的好轉。基於我的觀察與經驗，提供以下五個具體的案例，展示了企業在 2024 年會專注投入利用數據來解決問題或創造價值。
| 問題/應用分類 | 常見任務 |
| 會員經營 | – 預測會員流失 – 降低會員流失率 – 提升會員回購率 |
| 供應鏈優化 | – 庫存量報表、資料視覺化 – 物流路線優化 |
| 個性化行銷 | – 整合多方資料來源進 CRM – 內容行銷，個性化溝通 – 提供個人化促銷方案 |
| 產品開發與創新 | – 整合市場趨勢與客戶的購買資料，設計並打造更符合市場需求的產品 |
| ESG 可持續發展策略 | – 分析員工對工作環境的評價 – 打造 ESG 評分 dashboard – 衡量產品帶來的「侵蝕風險」 – 衡量碳足跡減少百分比 |
單看應用分類可能比較抽象。所以我們用「會員經營」作示範，看看實際需要解決的問題有什麼、又會用到哪些分析技能與工具。
會員經營
任務：提升會員回購率
| 可行的作法 | 可能會用到的數據技能 |
| 客戶細分與定制化行銷活動 – 對會員進行細分，根據不同的客戶群體特性設計定制化的行銷活動，以提高回購率。 |
數據分析技術與理論 – 群體分析和客戶細分：用統計分析和群集分析技術，識別不同的客戶群體 – 實驗設計：執行 A/B test 測驗行銷活動的成效 技術工具 – SQL：將會員資料提取與分類 – Excel：拆解不同的分析 – Tableau 或 Power BI：用於數據視覺化和洞察發現 |
| 建立行為預測模型 – 識別潛在的高價值客戶，加以溝通 |
數據分析技術與理論 – 預測分析：使用分類演算法如決策樹、隨機森林等，預測客戶的未來購買行為 – 實驗設計：A/B test 測試模型的實際成效 技術工具 – Python：建立和訓練預測模型 – SQL：將會員資料提取與分類 |
產品開發與創新
任務：定義產品路線圖（roadmap），決定功能開發的優先順序
| 可行的作法 | 可能會用到的數據技能 |
| 成本效益分析 – 根據業務的評估開發不同功能的成本與潛在收益，以決定哪些功能應該優先開發 |
數據分析技術與理論 – 成本效益分析：打造簡單財務模型來估計不同功能的市場反應和對營收、成本的影響 技術工具 – Excel：進行成本效益計算 |
| 競品功能與口碑分析 – 用爬蟲工具收集競品的功能以及與在社交媒體上的討論，以識別有市場需求但尚未被滿足的產品功能 |
數據分析技術與理論 – 數據清理：整合爬蟲工具從各種來源取得的資料並加以提取、清理 技術工具 – Python：打造網絡爬蟲工具來收集競爭對手數據並進行分析 – Power BI：將資料視覺化，方便與產品、開發以及業務團隊作跨部門溝通 |
以上是我認為是在 2024 年會是大部分企業期待能用數據解決的問題。
數據工作的類型
在對 2024 年業界對數據分析能力需求作詳細介紹之前，我想多說明目前我們觀察到數據分析職種的狀況。
「從數據理解營運狀況、挖掘機會、創造價值」將會是個職種都需要發展的能力。但這幾年很多企業開始建立專屬的數據部門，而在這些部門的職位可以大致分為兩類：深度專注和廣度應用。
- 深度專注的職位，如資料科學家，專注於特定業務需求的深入研究。他們會參考學術界的最新研究，建構和調整機器學習模型來解決一些相對核心的業務問題。這類職位通常要求較高的學術資格，如碩士或博士學位，並且專注於特定領域或技術的長期研究。
- 廣度應用的職位，如數據分析師，一般在企業的數據部門中扮演支援（support）的角色。他們的工作範圍廣泛，需要與不同部門合作，滿足多元化的數據需求。這些分析師必須理解公司整體的商業邏輯和不同部門的數據應用。他們的日常任務可能包括與業務和營運團隊討論需求、使用 SQL 或 Python 從資料庫提取數據、進行分析，以及使用視覺化工具製作報表。這類工作不一定需要複雜的技術工具，但對於整體業務的理解和學習、解決問題的能力要求很高。
這兩類職位雖然在技術深度和應用廣度上有所不同，但都是數據驅動時代不可或缺的重要角色。對於希望進入數據領域的專業人士來說，理解這兩種角色的差異和要求對於職業發展規劃至關重要。
接下來我們提供的技能需求，比較是針對要用數據做廣泛應用的數據分析師的。如果你要往如資料科學家這種職種發展，就需要做更深入的研究。
2024 年企業對數據分析的能力需求
說完這麼多，以下是我們整理的，2024 年企業會非常重視的數據能力：
- 商業分析與領域知識：理解並分析與您的行業和業務（如 ESG）相關的問題的能力。了解所有常用指標及其相互關係。理由：深入行業知識有助於更有效地應用數據分析於具體業務場景。
- 數據挖掘與清理：從各種來源提取、清理和處理原始數據的能力。理由：高質量的數據分析建立在乾淨、準確的數據基礎之上。
- 統計分析與 Excel：在統計學上有堅實的基礎，並能在如 Excel 這樣的簡單工具中執行統計方法來分析和解釋數據。理由：基本的統計分析能力對於理解數據趨勢和打造簡單的數據模型至關重要。
- 數據視覺化與溝通：熟悉 Tableau、Power BI 或 D3.js 等工具，並能有效地將數據洞察傳達給非技術利益相關者。理由：將複雜數據轉化為易於理解的視覺格式，對於跨部門溝通和決策支持至關重要。
- 實驗設計（如調查設計和 A/B 測試）：有效收集能真正幫助您理解問題的相關數據的能力。理由：良好的實驗設計是獲取有意義洞察和做出精確決策的基礎。
- SQL 與資料庫管理：精通 SQL 查詢資料庫，以及對 MySQL、PostgreSQL 或 Microsoft SQL Server 等資料庫管理系統的了解。理由：在數據驅動的商業環境中，能夠有效管理和查詢資料庫是基本且關鍵的技能。
- Python 程式設計：Python 仍是數據分析的關鍵語言，特別是使用 Pandas、NumPy 和 Scikit-learn 等庫。理由：Python 的多功能性和強大的數據處理能力使其成為數據分析師的首選工具。
- 資訊安全與數據治理觀念：了解數據安全和合規性的重要性。理由：隨著數據隱私和安全法規的日益嚴格，確保數據的合法和安全使用變得越來越重要。
- 提示技巧（prompting)：利用如 ChatGPT 等 AI 工具加速分析過程。例如，在數據探索中，您可以要求它從不同角度分析數據。理由：AI工具能夠提高數據分析的效率和多樣性，是現代數據分析師的重要輔助工具。
AI 有著改變一切的可能
2023 年是生成式 AI 爆發的一年，隨著企業增加 AI 和機器學習技術的投入，對於能有效運用相關技術與工具（例如 ChatGPT）的人才也有爆發性的需求。與此同時，隱私和數據安全將成為數據人才一項重要卻容易被忽略的責任，例如在使用 ChatGPT 進行數據分析時，預先判斷、監控可能的各種風險也是數據人才在 2024 年必須掌握的課題。
未來一年，AI 技術會持續以極速發展，與其預測 AI 的能力與應用會發展到什麼程度，我們建議讀者應該關注 AI 趨勢變化、思考這項技術帶來影響（這點顯然不限於數據分析工作與技能），持續強化自己的學習與適應能力。
我們想要強調一個觀念：AI 固然是一個強大的工具，但它只是一個輔助手段。技術工具越強大，我們就越需要投資在自己的核心能力上，包括正確的數據觀念與思維、能夠有效運用數據的產業知識，以及能清楚解釋 AI 應用狀況與決策背後邏輯的溝通能力。這樣我們才能駕馭 AI，讓它提升我們的產能，而不是取代我們。
結語
回到數據分析趨勢，我們認為數據能力已不再僅限於特定職種（如數據分析師）。未來各職能工作者都需要學會如何使用數據進行溝通、尋找機會並做出決策。反過來說，儘早掌握這項能力與技術，會對你帶來更多競爭優勢。
如同我們在前面的分析，要理解在 2024 年該具備哪些數據能力，需要先明白企業企圖解決哪些問題。ALPHA Camp 會持續針對數據技能做研究與分析，如果這篇文章對你有幫助，那麼或許你也會想看看我們製作的短片，了解業界公司對於數據人才的要求與工作方式。但也別忘了持續關注我們的部落格，讓 ALPHA Camp 為你帶來最新的市場資訊。
