第六屆領航計劃-跨組導師論壇(一)

筆記手：Alvis Chen

台灣資料科學協會(TWDS)在今年舉辦第六屆領航計劃，特別邀請三位導師參與論壇活動回答導生問題，關注於職涯發展與轉職策略以及資料相關職位的角色與技能討論。

導師介紹：

Naiwen Chiang

耕耘資料領域近十年的資深數據專家，深信數據驅動的影響力能夠為企業帶來實質改變。

具有跨產業豐富經驗：
電信、母嬰、家電、零售、美妝、奢侈品、軟體 等多元化產業

現任職位：
天下雜誌主任分析師 — 持續專注於數據分析的前沿發展

資料分析與視覺化、商業策略分析、營運優化專精
深度掌握數據處理與視覺化呈現技術，讓複雜數據變得易懂易用，
結合數據洞察與商業思維，提供具有實戰價值的策略建議，致力於流量變現、私域經營、轉換預測等關鍵營運議題

Andrew Hu

目前在 Uber 台北辦公室 擔任 Merchant Analytics Manager，專精於運用數據洞察推動商戶端營運與成長策略。

Meta（美國） — Senior Data Scientist
主導 WhatsApp 的實驗設計與績效分析，深度參與產品優化決策流程

Spotify — Data Scientist
專注構建電商生態系統，並致力於營收來源的多元化發展

DoorDash — 資料科學家與留存行銷數據分析師
累積了豐富的消費者生命週期管理與 CRM 增長模型實戰經驗

Chen Hsi Shen (沈辰禧)

目前擔任台灣 Uber Senior Marketplace Analytics Manager ，專精於運用數據分析驅動平台營運與策略優化。

上海 PayPal — 資料科學家
深度參與交易分析與風險模型開發，並協助建立異常監測系統，累積了豐富的金融科技數據應用經驗

Hahow 線上教育平台開課

已開設三堂數據分析線上課程
累積超過 4,500 位學生
將實戰經驗轉化為系統化的教學內容

Ｑ：資料分析師如何轉行為資料科學家或是資料工程師，需要補強哪一些核心技能？

資料工程師：基礎架構的建築師

資料工程師專注於數據基礎架構的建設，他們的角色類似於軟體工程師，但更專精於數據領域的基礎設施。程式撰寫能力對他們而言至關重要，因為需要處理從後端到前端的完整數據流程，建立起企業的數據體系。在工作分配上，建構實際系統與研究新技術各佔約 50% 的時間，這樣的平衡讓他們既能解決當前問題，也能為未來做好技術準備。

資料科學家：模型與洞察的專家

資料科學家的核心職責在於模型建構和結構化數據的處理。他們的工作重心偏向分析面，約佔 75%的時間，其餘 25% 則投入於建構工作。隨著深度學習和 AI 技術的快速發展，資料科學家需要深入了解不同情境下適用的模型類型，並且值得注意的是，相較於五年前，這個領域的入行門檻已經有所降低，讓更多人能夠參與其中。

資料分析師：數據說書人

資料分析師的強項在於數據分析和故事呈現，他們主要透過 SQL 進行深度分析，從龐大的數據中挖掘出能夠引導企業營運決策的關鍵洞察。除了技術分析能力外，他們更需要扮演好「storyteller」的角色，將複雜的數據發現轉化為清晰易懂的商業故事，協助組織做出更明智的決策。

職位界線越趨不明顯

在當今的資料領域中，資料科學家與資料分析師之間的界線正變得越來越模糊。即使是相同的職稱，在不同團隊甚至同一公司內，實際的工作內容也可能截然不同。

以資料科學家為例，有些人的日常工作主要是撰寫SQL查詢和處理資料，有些則專精於機器學習模型的開發與優化，還有一些則需要「包山包海」，從資料處理到模型部署都要涉及。與此同時，傳統上被認為主要負責報表分析的資料分析師，現在也越來越需要運用預測模型來輔助決策制定。

更有趣的是，還有另一群資料科學家幾乎不需要撰寫SQL，他們的核心職責是理解業務分析需求、設計整體的分析架構和框架。這樣的職能分工反映了資料科學領域的快速發展，以及企業對不同層次資料專業人才的多元需求。

求職策略：內容重於形式

在數據領域求職時，建議不要過於糾結於職位名稱的差異，而應該將重點放在實際的工作內容上。由於前面提到的職能界線模糊問題，同樣的職稱可能代表完全不同的工作性質，因此深入了解具體職責才是關鍵。

最有效的方法是主動與招聘經理或透過LinkedIn等平台聯繫目標領域的從業人員，直接了解該職位的日常工作內容、使用的技術工具，以及團隊期待的技能組合。這樣的溝通不僅能幫助你準確評估職位的適合度，也能建立有價值的人脈網絡。

當你對目標職位有了清晰的認知後，就能更有針對性地補強自己的技能。與其盲目學習所有可能用到的技術，不如根據特定職位的需求，重點加強相關能力。這種精準的技能投資不僅能提高求職成功率，也能讓你在面試時更有信心地展現自己的專業能力

Q : 從資料工程師轉職成產品密切的分析職位（如產品分析師），有哪一些需要準備的方向與建議？

從資料工程師轉向產品分析師，最根本的差異在於工作重心的轉移。資料工程師專注於高效率的資料處理和流程優化，追求的是技術層面的卓越；而產品分析師則需要面向產品和客戶，將焦點轉向商業化和市場推廣的實際成效。

這種轉變要求思維模式的根本性調整：從原本關注技術方法和系統優化，轉向關注商業指標和對業務的實際影響。產品分析師的日常工作需要與產品團隊、行銷團隊和銷售團隊密切協作，這意味著你將從「後台技術支援」的角色，轉變為「前線商業洞察提供者」。

要順利完成這個轉變，需要培養四項關鍵能力。首先是商業思維能力，你必須深入理解產品如何在真實的商業場景中運作，以及各種商業決策背後的邏輯。其次是產品思維，要能夠像產品負責人一樣思考問題和解決方案，從用戶角度出發評估產品價值。

溝通能力同樣不可或缺，因為你需要向不同背景的團隊清晰傳達複雜的資料見解，讓技術洞察轉化為可執行的商業策略。最後，了解Go-to-market策略將幫助你理解如何有效推廣產品，並從數據角度支持市場決策。

在技能培養方面，建議主動培養商業思維，可以考慮參加商業思維學院的相關課程。同時，深入閱讀產品管理領域的經典書籍，特別推薦《How to Crack an Interview for a Product Manager》，這能幫你建立產品思維的基礎框架。

更重要的是，主動與產品經理和產品行銷經理建立聯繫，透過實際交流了解他們的工作內容和思維方式。在日常工作中，試著將自己定位為產品的CEO，主動思考產品可能面臨的各種問題及相應的解決方案。當然，徹底了解和熟悉目標產品是一切準備工作的基礎。

產品分析師的面試重點與技術職位截然不同。面試官更注重你的產品理解能力和商業思維，而非純粹的技術能力展示。因此，準備時應該重點展示如何將原始數據轉化為對產品和業務具有實際價值的洞察。

最後提及在面試過程中，要著重展示你能帶來的實際影響，而不是僅僅關注技術方法的優化程度。最關鍵的是，要能夠展示自己具備理解產品問題的能力，並能提出基於數據的具體解決方案，證明你能夠在商業環境中發揮數據的真正價值。

Q ：轉換產業時，最大挑戰是什麼？如何快速掌握新產業的資料結構與商業邏輯？

跨產業轉職時，最大的挑戰在於需要重新建立對新領域的深度理解。這包括掌握產業特有的背景知識與領域專業知識，以及快速熟悉該產業獨特的資料結構和商業邏輯。

更關鍵的是，如何向潛在雇主證明自己具備快速學習和適應新產業的能力。此外，轉職者還需要克服既有認知和過往經驗可能帶來的思維偏見，避免用舊產業的邏輯去理解新環境，這往往是轉職過程中最容易被忽略但卻最重要的挑戰。

想要快速掌握產業知識的有效方法，建議採用「由外而內」的學習策略。首先，親自體驗目標公司的產品流程，從一般使用者的角度實際操作產品，完整走過從註冊、使用到交易的每一個環節。這種第一手的體驗能讓你真正理解產品的價值主張和用戶痛點。

接下來，深入研究公司的商業模式與獲利邏輯，並建構出完整的利害關係人架構。以Uber Eats為例，需要理解平台、外送員和消費者三方之間的互動關係和利益平衡。特別重要的是，要採用top-down的方式理解業務，而非從底層資料流開始，這樣能避免見樹不見林的學習盲點。

在資源蒐集方面，可以閱讀各大科技公司的技術部落格，利用資料科學社群或LinkedIn建立產業人脈，並主動與該產業的從業人員交流，了解他們日常關注的核心問題和挑戰。

再來是，心態調整是轉職成功的關鍵因素。首先要保持開放心態，願意「倒空」既有認知，縮短「知道自己不知道」的過程，這類似於達克效應的學習歷程。要刻意避免從先前經驗帶來的慣性思維和認知盲點。

在與新同事互動時，要認真傾聽並主動找出關鍵問題，努力理解產品負責人或商務經理的思維邏輯。善用AI工具和網路資源蒐集基礎資料，但要記住先建構商業模式的全貌，再尋找對應的資料支撐，避免陷入從資料流反推業務邏輯的思維陷阱。

最重要的是，要有耐心度過新手期，接受在新產業中必然會有許多不理解的部分，這是轉職過程的必經階段，而非個人能力的問題。

Press enter or click to view image in full size

Q： Mentor 過去從 DS 轉為 Analytics Manager 或跨職能的轉變，關鍵成長是什麼？

從後端開發到商業決策面的轉變 — 辰禧的經驗分享

辰禧分享了從內部開發分析工具轉向直接面對商業場景的職涯轉變經驗。在原本的工作中，他發現自己對商業指標的變化缺乏真實的共感，例如當看到損失指標從 10,000 變成 15,000 時，往往只是把它當作數字的變化，而無法深刻理解背後對業務的實際影響。

這樣的體悟促使他決定轉職，希望能更直接地面對商業場景和實際營運挑戰。轉職後最重要的成長是學會了工作優先順序的判斷，開始專注於那些能直接對業務產生影響的任務。他學會了區分哪些工作對業務真正有價值，而不再只是追求技術層面的完美，這樣的思維轉換讓他的工作更具商業價值。

發揮個人優勢 — Andrew 的建議

Andrew 強調年輕就是最大的優勢，因為這個階段可以自由嘗試不同的功能領域和角色，探索各種可能性。關鍵在於透過這些嘗試了解自己真正喜歡什麼、擅長什麼，而不是盲目跟風。

他特別提醒要避免因為看到某個領域待遇優渥就貿然投入，例如僅因薪資考量而進入資料科學領域。更重要的是採用「揚長蔽短」的策略：充分發揮個人優點，同時巧妙包裝自己的不足之處。

在技術能力發展方面，Andrew指出大多數數據分析師都是從製作儀表板開始職涯，這是初階階段最能發揮影響力的工作類型，也是建立基礎技能和業務理解的重要起點。

從個人貢獻者到管理者 — 乃文的觀點

乃文分享了從資料科學家（DS）晉升為分析經理（Analytics Manager）的關鍵轉變。這個轉變的核心在於從個人貢獻者（IC）的角色轉變為團隊管理者，工作重心發生了根本性的改變。

在溝通層面，原本主要面對決策者的溝通對象，現在需要擴展到各個不同部門，這要求更強的跨部門協調能力。同時，需要大幅提升講述數據故事的能力（Storytelling），讓複雜的分析結果能夠被不同背景的聽眾理解和接受。

更重要的是，思維模式需要從專注於資料本身，轉向思考資料如何幫助整個團隊成長和獲得成功。作為管理者，需要學習如何帶領團隊成員共同進步，這包括培養領導能力、商業談判技巧，以及對商業問題的敏感度等關鍵管理技能。

Q : 資料分析師不同職涯階段（新手、中階）該優先培養哪些技能與思維

初階分析師：技術基礎與執行力

重點在於建立扎實的技術能力，熟練掌握SQL編寫和數據視覺化技巧，能夠製作基本dashboard並將分析結果呈現在商業簡報中。關鍵是有效率地完成指派任務，並培養在執行過程中思考下一步驟的前瞻性思維。

中階分析師：商業思維與協作能力

從技術執行轉向商業理解，提升商業敏感度和storytelling技能，讓數據洞察轉化為可執行的商業決策。發展跨部門溝通和stakeholder management能力，同時開始思考系統性解決方案，學會在分析前建立正確的問題框架和分析架構。

進階領導階段：策略思維與團隊管理

具備準確判斷問題優先級的能力，發展策略性思維和必要的「政治力」來推動專案成功。重點在於有效分配資源、帶領團隊，並透過跨部門影響力推進數據驅動決策。成功指標從個人技術能力轉為團隊合作創造的商業價值。

Q : 在實戰中如何運用資料支持商業決策?如何追蹤成效？

商業決策的兩種主要類型

資料分析師面對兩種決策情境：評估新計劃與分析事件成效。處理成效分析時，需釐清是要評估決策過程有效性還是指標變化趨勢。

資料支持決策的核心要素

確保分析結果能明確指引決策方向，深入了解關鍵決策者最關注的指標（如營收增長、用戶留存率）。用具體數據證明方案能達成商業目標，建立跨部門共識並明確定義主要追蹤指標。

分析框架與成效追蹤

運用3C模型（自身公司、競爭者、企業環境）進行全面分析。採用多元追蹤方式：監控實施情況、dashboard效用，並進行前後對比分析時考慮外部因素影響。在條件允許下進行實驗設計，科學化評估決策效果。

Q :資料科學需要掌握哪些機器學習與統計方法？有哪些工具是必備的？

三位講者分享了不同產業和職位的技能需求，以及有針對性的準備策略。

必備技能與知識

SQL是所有講者一致認定的必備技能，無論任何資料科學職位都無法避免。統計與實驗設計知識是職涯發展必要基礎，即使當前工作暫未使用也應具備。視覺化工具能力用於呈現分析結果，假設檢定與P值理解則是面試常考重點。

職涯發展策略

先了解目標職位的具體技能需求，再進行有針對性的學習，避免淺嚐輒止。應專注發展特定方向的專業能力，善用AI工具協助程式設計學習，並根據產業需求選擇適合的分析方法。

行業差異與工具選擇

不同產業適用方法各異，需根據目標產業調整學習重點。例如支付領域偏重線性模型和決策樹，實驗相關場景則專注 A/B測試等統計方法。

核心工具包括：精通 SQL、視覺化/BI工具、機器學習工具（線性模型、決策樹）以及統計測試工具（ A/B測試等實驗設計）。

Q : AI與未來趨勢，導師如何實際使用 AI工具輔助日常工作

各導師使用的 AI 工具，主要有三個面向使用到

程式開發與學習 ：程式碼生成優化、新語言學習、HTML自動生成
內容創作 ：文章撰寫輔助、簡報自動生成、分析框架建立
資訊處理 ：資料搜尋摘要、不熟悉領域分析輔助

Q :AI agent對新鮮人是否為機會？是資料人才應該把握的？

AI Agent 對所有人都是新事物，新鮮人雖然在理解業務需求方面可能面臨挑戰，但學習如何建構 AI agent仍非常重要。即使非技術背景也能打造AI agent，關鍵是理解 AI agent結構並培養快速反應能力。

效率差異帶來競爭優勢，熟悉 AI agent工具可成為新鮮人的顯著競爭優勢。實際差異在，舉例來說，當他人只能畫一張圖時，熟悉 AI的人可以畫三張；當他人只能建立基本儀表板時，熟悉AI的人可以建立完整且包含所有功能的儀表板。這樣的效率提升在工作中會產生明顯差異。

Q:資料分析師是否會被 AI 取代角色

三位專家的核心觀點

導師Andrew：從執行到策略思維， 單純執行coding工作的角色確實可能被AI取代，因為AI已能寫出比人類更好的程式碼。人類真正的價值在於能夠提出正確問題、建立合適的分析框架，以及深入了解stakeholder需求。

導師乃文：駕馭AI的能力， 未來將是「答案多餘問題」的時代，關鍵挑戰在於判斷眾多AI答案的正確性與適用性。核心專業知識讓人能夠正確評估AI產出結果，成為駕馭AI並為AI結果提供回饋的人才能不被取代。

導師辰禧：跨領域溝通與領導力， 停留在執行層面且缺乏跨領域溝通的工作最容易被取代。缺乏工作ownership的角色不只會被AI取代，也會被願意接受更低薪資的人取代。建議承擔跨部門溝通角色，擔任領導項目的角色，建立個人專業的「護城河」。

在AI時代保持價值的五大關鍵技能

提出正確問題的能力 ：框架思維比技術執行更重要
跨領域溝通與協作 ：成為部門間的橋樑角色
核心專業知識的深度掌握 ：評估AI產出的基礎能力
工作主導權與領導力 ：承擔責任而非被動執行
判斷與評估AI產出結果的能力 ：人機協作的核心競爭力

Q : 提升履歷在LinkedIn與ATS系統中的曝光率技巧分享

關鍵字策略 ，將履歷當作SEO來經營，關鍵字是提升曝光的核心策略。將專業技能做標籤化處理，讓演算法更容易抓取關鍵字資訊，適當組織關鍵字能讓系統更有效地推薦履歷給潛在雇主。

明確自我定位 ，在 LinkedIn 上明確展現專業定位，讓用人主管能立即看到你的強項。初入職場或中階專業人士可適當詳述自己的經歷，清晰的自我定位有助於提高曝光率。

履歷與職缺契合度 ，確保履歷與應徵職位的需求高度契合，讓招募方感覺你是「天選之人」。特別注意職缺中的 preferred qualification 部分，針對不同職缺客製化履歷，而非使用通用型履歷。

Q：進入Uber Mata 這類公司DA會被期待什麼能力與特質

大型科技公司對數據分析師有以下關鍵期望：

技術基礎 ：程式能力與商業邏輯思維需紮實掌握

Ownership 意識 ：對負責項目展現強烈的 ownership，主動承擔責任

全局思維 ：深度理解工作目的、業務影響及現實限制

溝通協作 ：具備跨部門溝通能力，能與不同背景同事有效合作

問題解決 ：主動發現並解決公司面臨的挑戰

領域經驗 ：相關產業背景是重要加分項，特別是與目標公司業務相關的經驗

導師另外針對面試過程常有的 Case interview 做介紹

Case Interview 三大類型

1. 產品發布評估 (Product Launch)

評估新產品或功能的推出可行性，需要：

平衡公司短期與長期目標
建立完整分析框架
設計成效追蹤機制

實例：分析 TikTok 是否應推出創作者付費內容功能

2. 問題調查 (Investigation)

針對特定問題進行深入分析：

提出合理假設並系統性驗證
運用數據找出根本原因

實例：用戶參與度下降的原因分析

3. 成效衡量 (Measurement)

建立產品成功評估標準：

定義明確的成功與失敗指標
設計合適的 KPI 體系
制定短期與長期目標

Q : 如何說服非技術背景的決策者接受資料洞察有推薦的溝通框架嗎？怎麼判斷公司是否有數據文化？

想知道一家公司是否真正重視數據驅動決策？導師提出可以藉由觀察以下幾個面向：

營運簡報標準化

公司營運簡報是否有固定、一致的格式
數據呈現方式是否規範統一

數據來源穩定性

檢查是否使用穩定的資料來源
避免每次分析都更換不同數據源的情況

數據觀點一致性

評估公司是否有系統性且穩定的數據解讀方式
各部門對數據的理解是否對齊

面試探詢技巧

在面試過程中，可主動詢問：

公司如何從數據中獲得商業洞察？
日常營運中如何運用數據做決策？

說服非技術背景決策者的 3C 框架

運用 Customer（客戶）、Competitor（競爭者）、Corporation（公司） 三個維度進行分析：

Customer 客戶面向

數據洞察如何改善客戶體驗
對客戶價值提升的具體影響

Competitor 競爭面向

相較競爭者的優勢或劣勢分析
市場地位的數據支撐

Corporation 公司面向

對公司營運效率的直接影響
與公司核心利益的關聯性

需要做出溝通要點設計，現況與未來並重

清楚說明目前狀態
描繪數據驅動的未來方向
強調與公司利益的直接關聯

因人制宜的溝通

針對不同層級利害關係人調整內容深度
了解決策者最關心的核心問題
提供能解決其具體痛點的數據支撐

非技術背景的決策者並非不懂數據，他們只是關注點不同。尊重其專業判斷，專注於價值傳遞。

Q&A 環節

Q : 非相關科系如何成功轉職資料產業？

作品集是致勝關鍵

資料科學領域興起不久，多數從業者來自理工背景，文商科系轉職者屬於「半路出家」。在這種情況下，作品集成為展現能力的最直接方式 。

作品集三大要點：

展現優勢 ：突出個人專長，切合目標職務需求
邏輯清晰 ：找非專案參與者檢視，確保論述脈絡完整
避免盲點 ：從外部視角檢驗溝通邏輯

技能展現勝過科系背景

企業通常不強制要求相關科系，更重視實際能力表現。除了作品集，資料分析能力、邏輯思考與面試表現同樣重要，但作品集能最直接證明求職者的實戰能力。

Q : Junior分析師如何脫離「工具人」困境？

現況問題診斷

多數 Junior 分析師工作內容：撈資料、建儀表板、執行主管交付任務，角色偏向「工具人」，缺乏主導權與成長空間。

突破策略：從Deliverer轉為Giver

提升Ownership意識：

不僅執行任務，主動優化現有流程
例如：改善 dashboard 背後的 pipeline、建立共用 entity table
向主管展現不同見解，承擔更多責任

質量並重的輸出：

定期完成 deliverable（基本要求）
主動提供 insight（加值服務）
長期建立高品質洞察的信任關係

與主管的關鍵對話，必問三個問題：

在這個團隊中，「Senior」的定義是什麼？
我的職涯成長路徑是什麼？
如何將我的目標與團隊發展對齊？

行動方案：

若團隊發展空間有限，考慮尋找更有潛力的工作環境
明確個人成長方向，積極討論職涯規劃

Q : 外商 vs 台商，資料分析師該如何選擇？

台商特色：身兼多職的全才型

工作範圍：

資料串接、建資料庫、數據分析、報表儀表板一手包辦
例如：餐飲集團數位轉型職位，需從零建立CRM資料庫

優劣分析：

優點：彈性自由度高，個人發揮空間大
優點：跨領域學習機會多，創造價值空間廣
缺點：責任重，需具備多項技能

外商特色：專業分工的專家型