[政大數據分析社]

對於初學者而言，數據分析通常有著令人難以理解、無從著手的印象，這次 NCCU DA 政大數據分析社將對於數據分析的重要性、應用及分析流程的簡介，希望讀者在看完之後對於數據分析有基礎的認識，有助後續學習能保持清晰思路！

✨ 一、數據分析的意義及重要性 – 掌握事實

數據的意義在於掌握事實，並將洞察呈現給目標受眾。銷量下滑、顧客變少… 這類對於商業的描述在沒有數據的支持下，都只是缺乏判斷標準的「主觀論述」，然而在講究「客觀事實」的商場中，能否依據事實決定有效執行策略，或透過數據說服他人接受決策建議，往往決定了商業行為的成敗，而數據便是最客觀，最能說服人的有力工具。
隨著科技進步，許多企業都會累積商業營運數據，但不一定會妥善利用它們，只停留在「數據化管理」（收集並保存數據）階段而已，將「 數據分析」應用於現有數據，企業才能因應日益複雜的商業環境挑戰，以下是兩主因：

｜專業知識不足以應對複雜環境
在數據化管理階段，只能觀察到數據表象而已，例如發現「今年銷額走勢在特定月份效益特高」，在缺乏量化分析的情況下，只能透過既有知識進行推論，對判斷結果沒有十足信心，但若採用量化分析，則可以利用統計工具比對各種變數與銷額的相關性，進而找出實際的關鍵要素。數據可以挖掘人們在商業領域的盲點。

｜案例的高重用與可複製性
在商場中會遇到一些「偶然」或「必然」的現象，量化分析有助於釐清不同變數之間的關聯，進而找出規律性，或推翻既有的判斷，可以幫助專業人士在面對新問題時，透過過去的分析結果進行判斷，節省解決問題的成本。

以上商業價值便是數據分析歷年在商場地位屹立不搖，甚至逐漸上升的緣由，也是許多市場研究公司、商業數據營運部門愈趨興盛的原因。

✨ 二、數據分析的職場應用 – 用途及產業

前段落主要談論的是數據分析的意義及價值，接下來將簡介數據分析在商業領域的常見用途及常用領域。以下將依複雜度由易至難，簡介常見四種數據分析在商場的應用形式：
｜市場大小估計
有分為由上而下（top-down）或由下而上(buttom-up)，多用於進入市場前的決策分析。
｜敏感度模型
從多不確定性因素中找出影響關鍵指標的敏感性因素，並分析、測算其影響程度和敏感性程度，多用於效益評估關鍵指標的界定。
｜迴歸模型
了解變數間相關性、方向與強度，並建立數學模型預測研究者感興趣的變數，多用於變數間關聯性分析及商業現象預測。
｜資料科學模型
是更高階的分析需求，借助統計與計算科學衡量多種複雜因子，以挖掘更深層的洞察（如建立客戶流失的分類預測模型、顧客分群的集群分析），多用於資科團隊協作或數位轉型案例。

總而言之，數據可以幫助你驗證假說，以及提出有效解決方案，讓企業更精準的解決問題。目前數據分析在商業的主要領域包含：
｜金融分析
市場變動因子拆解、財務會計、公司競爭優劣勢量化分析…
｜供應鏈分析
採購、物流、庫存管理…
｜人資分析
招募、績效改善、人才組成規劃…
｜營運分析
報酬率分析、資產週轉率分析、行政效率改善…
｜行銷分析
顧客價值週期、行銷歸因推演、效益評估…

而其中在行銷領域的應用是最為常見的，行銷中的許多環節都仰賴數據，加上從業人數多、有多數位平台支援等因素，故出現頻率很高。此外，以上列出的五大項僅是較常使用數據分析的領域，實際上很多產業或多或少都會接觸到數據，應用領域非常廣泛，因此能否利用數據解決問題也是當今商業領域的關鍵技能之一。

✨ 三、數據分析流程 – 雙鑽石模型
雙鑽石模型是英國設計委員會於 2005 發明的問題解決架構，它的價值在於它可以幫助人們在解決問題時有個「有本可循的思考架構」。起初雙鑽石模型的發明目的是為了讓設計師在工作時有清楚的思考架構，但其實它在很多領域皆適用，本次將以其在數據分析領域的應用為例。

｜Step 1：Goal Setting 目標釐清（發散，挖掘問題）
在得到商業目標，準備開始解決問題時，第一步不是開始執行，而是要釐清目標的本質，進而掌握各式子目標，其中主要需考量兩點：
1. 目標量化可行性
實際、可量化的目標有助於後續效益評估的執行，可協助我們判斷此問題是否被有效解決。
2. 可能影響因素及資料來源
會影響目標達成與否的要素有很多個，我們可以透過拆解該目標（Ex. 以樹狀圖呈現），以量化思考為本，對於拆解後的項目深入分析，透過數據了解它們的重要性、關聯性⋯⋯。

另外在釐清目標的同時，我們需要進行廣範圍的資訊搜集，常見的資訊搜集方式有「調查產業知識及公開資料」、「請教專家及相關決策者」及「使用者進行訪談」，在目標釐清階段，我們透過廣泛的資蒐來確保我們對商業目標各面向的掌握。

｜Step 2：Problem Research 問題研究（收斂，定義問題）
在搜集了大量資訊後，接下來要做的事情是「收斂」。考量到解決問題的精確程度，需要對上階段資蒐所發現的子目標們進行排序，才能鎖定關鍵問題並進而解決，而優先度的排序標準包含：
– 分析應用範圍
– 利害相關人關聯程度
– 實作可行性
– 資料完整度

這邊可以依據自己對以上標準的重視程度，對各式拆解後的目標進行評分、排序，進而釐清核心要點 —— 「資料分析目標」。與一開始得到的商業目標不同，資料分析目標是在資蒐、決策後判斷而出「最有利商業目標達成」的要素，是分析流程的核心，後續也要隨時留意兩者之間是否扣合。

｜Step 3：Data Analysis & Visualization 診斷分析與視覺化（再發散，發展洞察）
在掌握了核心資料分析目標後，下一步便是「以資料分析為本」提出假設，並透過「診斷分析」驗證、挖掘資料各變數的關聯及因果關係，其中以 MECE （不重複、不遺漏）原則進行推論，接著再透過「視覺化」呈現分析結果，讓聽眾了解脈絡及結論。
透過診斷分析與視覺化呈現，我們可以認識資料的分佈、與業務經驗的匹配度、回答分析目標的精確度、分析結果的意義…等要素，進而從數據中發現洞察，而診斷分析與視覺化也分為「現況分析」、「原因分析」兩種應用方式。經歷了該分析階段，我們達到了「掌握洞察」的目的。

｜Step 4：Predictive Analytics 進階預測分析
在掌握許多洞察後，下一步將透過進階預測分析，針對洞察主題再近一步挖深並收斂，進而發現重要、需要被解決的問題，其中能達成以下功效：
1. 找出隱藏變數關係
圖表無法呈現的非線性關係，或大量特徵的分類問題可透過進階預測分析找出隱藏模式。
2. 反覆驗證學習
不斷從實務環境獲取新資料進行模型驗證和學習，結合數據理論和實務。

而進階預測分析的應用類別則包含效益最大化（最佳化指標）、危害預防（異常預測）及自動化（影音辨別）等領域。到了分析最後階段，此時已經徹底掌握了問題的本質，後續則可以採取實際行動方案以解決關鍵問題！

———————————————————————————————————————————————————-
以上就是關於數據分析的意義、應用及運作流程的簡介，希望讀者看完之後會理解到數據分析在當今商業領域的廣泛應用，以及其對於解決問題能產生的助力，後續也可持續關注政大數據分析社的文章，針對各分析流程進行更深入的學習！

[作者]

文章