在當今數位轉型浪潮中，數據分析師（Data Analyst/Scientist）的角色不再僅限於提供報表，更要成為驅動成長、協助高層制定 Actionable Decision 的關鍵推手。
本次臺大管顧社邀請到 Dennis 為我們深入解析他是如何運用系統化思維，確保數據分析能真正帶來商業影響力！
數據分析的「終極目標」是什麼？
許多人誤以為數據分析的目標是產出複雜的模型或精美的報表。Dennis 指出，數據分析的有效性只取決於一件事：它對最終決策（Decision-Making）的貢獻 。我們必須從「結果」回推，採用 以終為始 的思維，確保每一步分析都有明確的商業價值 。
數據分析的四個層次與價值躍升
數據的價值，是從「發生什麼」一步步進化到「能做什麼」：
Data （數據）： 處理「發生了什麼？是多少？」的問題。這階段的產出是原始指標、平均數或分佈，通常透過 Dashboard 或 BI 報表呈現。
Information（資訊）： 處理「為什麼會發生？」的問題。目的是找出數據趨勢、簡單對比和成因的分析，主要使用 Excel 或 Dashboard 進行分析。
Insight （洞察）： 處理「接下來會發生什麼？」的問題。這是對未來的預期（Guessing）或預測，有時需要運用統計模型或機器學習技術。
Foresight （預見）： 處理「我可以做些什麼讓未來更好？」的問題。這是制定行動方案和決策優化的階段，通常透過 A/B Testing 或實驗設計來實現。
Issue-Lever-Decision 決策框架
在真實的數據分析專案中，Dennis 指出約 80% 的分析工作其實都落在 Lever 與 Decision 兩個階段，也因此形成了 Issue–Lever–Decision 的分析框架：
Issue（問題點／機會點）: 描述現狀與痛點
目標： 找出需要解決的機會點或痛點 (如：轉換率不如預期)
對應技術： BI 報表
Lever （槓桿／行動方案）: 找出關鍵驅動因素
目標： 找出可以改變現狀的關鍵因素或行動 (如：改善產品頁面載入速度)
對應技術： Data Science Modeling 如迴歸分析，以找出 Key Driver
Decision （決策）: 具體化行動細節
目標： 確定具體的行動方案細節（如：決定廣告預算在 Facebook 和 Instagram 的分配比例）
對應技術： A/B Testing 或因果推論來驗證不同選擇的效果。
這個框架的價值在於它能將龐雜的分析流程聚焦在「能真正創造影響」的地方，確保每一步都能連結到可行的商業決策。
數據的角色：Driver 與 Factor
Dennis 提到，想要達成高效分析，其實必須先精準定義數據的角色：
Driver（驅動因素）: 與目標指標呈線性或乘法關係，用來拆解總目標。例如，電商銷售額 = 流量 × 轉換率 × 客單價。
Factor （影響因素）: 會影響結果，但與結果沒有直接乘法關係。例如，用戶滿意度、網站載入速度、天氣。
理解這兩者，是將分析從「描述現狀」提升到「解釋成因」的關鍵一步！
分析技術：「分」與「析」
接著 Dennis 將分析過程分為「分」（Splitting）和「析」（Comparing）兩個步驟：
分（Splitting）：拆分數據，目的是處理原始數據，使其能凸顯潛在模式
凝聚（Aggregating）: 將過於分散的類別（例如：少量國家）合併為大類，以找到數據模式 。
分解（Structuring）: 組合不同維度（例如：將「國家」與「溫度」組合為「美國低溫區」），以發現單獨維度看不出的模式。
劃分（Binning）: 根據連續型變數（例如：購買次數）劃分出具有意義的客群（例如：忠誠客戶）。
改變統計尺度（Changing Statistical Scale）: 根據數據的尺度進行轉換，例如將「滿意度」（順序）轉為「滿意度 3 分以上的比例」（比例），讓模式更容易被觀察，有助於證明或推翻假設。
析（Comparing）：將數據進行比較，以發現差異和機會
橫向對比：與同業、競爭者或內部其他單位（例如：其他品牌、部門）進行比較，以了解自身定位與差距。
縱向對比：進行時間序列上的比較（例如：同比 YoY、環比 MoM），觀察趨勢與變化。
輸入／輸出對比：將輸入與輸出數據繪製在 45 度線上，找出偏離預期 (Input = Output) 的點，以識別異常和有趣模式。
分析工具與資源
在進行數據分析專案時，選擇合適的工具至關重要。Dennis 提醒，應該根據專案目標和時間壓力來決定使用的工具，並隨時權衡其效率與潛在風險：
Excel/Google Sheets：容易調整參數和建立模型，是進行快速估算和簡單模型測試的理想選擇。
Dashboard（Tableau/Power BI）：適合用來進行視覺化、快速拉取趨勢圖，並有助於描述性分析（Issue 層次）的呈現。
Programming（Python/R）：功能強大，能覆蓋數據分析的端到端流程（撈數據、清洗、建模），是執行複雜分析（Lever 層次）的首選。
AI （Generative AI）: 雖然能快速生成程式碼或初步分析草稿 ，但需要嚴格驗證準確性，因為結果可能參雜幻覺，且難以控制風險。
總結來講，其實並沒有絕對最好的工具，只有最適合當前專案階段和複雜度的選擇！
專案流程心法：假說思考與行動導向
最後，在課堂中 Dennis 分享了他過去執行各種專案時的核心心法：
Holistic View（全方位視角）： 透過建構 Issue Tree，從上到下完整拆解問題，確保沒有遺漏任何潛在的 Driver 或路徑，將分析範圍釐清為一張明確的地圖。
Start With The End（以終為始）： 每一次分析都要鎖定明確的目標和產出 。你必須不斷問自己：「這能讓決策更好嗎？」以確保所有分析都對最終目標有實質貢獻。
Small Data, Big Insight （小數據大洞察）： 數據並非越大越好。有時結合現有的小數據與質化研究（例如：專家訪談、用戶訪談），反而能獲得更高價值的洞察。
Context Matters（情境脈絡）： 你的建議必須基於完整的商業情境。永遠要知道 Stakeholders 有沒有能力做到你提出的建議（Actionable Insight）。避免提出他們沒有權限或資源執行的建議，導致分析白費功夫。
這套心法確保了從問題定義到最終行動的完整性，將數據分析師的職責從單純的數據呈現，提升到對商業結果的直接影響。
非常感謝 Dennis 在百忙之中蒞臨臺大管顧社，無私分享他在過往豐富的數據分析經驗中的第一線經驗與思考方法，讓社員們不僅學到方法，更真正理解數據在企業中的意義與力量。期待社團同學能將這些洞察帶到未來的專案與職涯旅程，持續用數據創造影響力，成為能夠在組織中推動成長、解決問題的關鍵人才！
