資料科學

數據分析師 (Data Analyst) 的工作內容、需要特質、薪水、3 個必備技能

發佈日期: 作者:

數據分析師（Data Analyst）是做什麼的？

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。

立即領取

免費點我下載數據技能路線指南

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

如何成為數據分析師：必備的工作技能

數據分析師必備的三個技能：

    1. 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。

    1. 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。

    1. 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。

三個成為數據分析師的學習重點：專業技能、產業知識、及批判性思考：

    • 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。

數據分析師兩大工作內容：需求確認及分析

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：

    • 為什麼他們需要資料？

    • 這些資料能夠解決他們的問題嗎？

    • 除了他們所需的資料，我們如何挖掘其他資料，幫助他們了解的更多？

從事數據分析工作通常要經歷幾個步驟

    1. 定義要解決的問題

    1. 收集正確數據

    1. 清理數據

    1. 數據分析與解讀

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。

    • 診斷分析（Diagnostic Analysis）：診斷分析幫助你了解 Why did it happen 為什麼會發生這樣的狀況，資料分析師能找到過去存在類似的模式，將可能導致這個結果的因素建立相關性，例如電商結帳失敗提高的原因，可能是結帳頁面要填的資料太多導致客戶流失，可以從過去與現在填寫完成率做比較。

    • 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。

    • 處方式分析（Prescriptive Analysis）：處方式分析則是混合了其他數據分析，因為你知道希望的結果是什麼，為了達成這個目標，可以事前做出哪些相應的動作。例如保險業想要獲利最大化，就通過數據搜集預測誰是高風險族群，將他們的保費提高。

想做數據分析或轉職數據分析師？你可以先準備好必備的「數據思維」

專業的 Data Analyst 要有哪些特質？

1. 好奇心

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。

2. 批判思考

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。

3. 注意細節

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。

4. 合作精神

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。

5. 道德感和誠信

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。

數據分析師的常用工具

    1. 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。

    1. 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。

    1. 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。

    1. 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。

    1. 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。

    1. 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。

有了技術與工具，要解決問題你需要「商業應用」和「影響力」兩個軟實力

數據分析師薪水範圍

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

數據分析師該學習哪些東西？

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。

1. 統計學和數學

2. 程式設計（特別是Python或R）

3. 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

大數據技術

數據分析如何學習？

初學者階段：打好基礎

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。

SQL 是什麼？用實際案例操作資料入門SQL語法

中級學習者階段：技能深化

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。

資料視覺化是什麼？實用工具與設計方法

進階學習者階段：專業發展

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。

機器學習是什麼、有何應用？和深度學習、強化學習的差異

數據分析師的職涯發展路徑與選項

初級階段：數據分析師

    1. 學習基礎技能：熟悉Excel、SQL和基礎統計學。

    1. 實務經驗：進行數據清洗、初級分析，以及撰寫數據報告。

    1. 軟技能培養：加強溝通與協作能力。

中級階段：高級數據分析師

    1. 技能深化：學習R、Python進行複雜的統計分析和數據處理。

    1. 數據可視化：精通Tableau或Power BI製作報表。

    1. 跨部門協作：參與業務策略規劃，進行業務分析和預測。

高級階段：數據科學家

    1. 機器學習：掌握機器學習算法，使用如TensorFlow或PyTorch等工具。

    1. 大數據技能：學習使用Hadoop、Spark等大數據處理工具。

    1. 專案管理：能夠主導大型數據分析項目。

專家階段：業務分析經理/資料分析主管

    1. 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。

    1. 戰略決策：參與公司高層會議，提供數據支持的商業決策。

    1. 業務發展：利用數據分析導出新的業務機會。

學習數據分析的指引「數據分析職能地圖」

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)

目前，AC 有兩堂數據分析課程「數據思維」與「數據應用」。

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。