資料分析師的一天長什麼樣子？｜經驗談
- 任性分析師 GT
- 5月29日
- 讀畢需時 8 分鐘
已更新：5月29日
本文章整理自之前參加 PyLadies Kaohsiung 線上經驗分享會的內容。
當時在這個活動中，我分享的主題是「數據分析職涯分享：從 0 到 1 的真實路徑」，主要是想和對資料分析職涯有興趣的人聊聊：資料分析師在公司裡實際都在做什麼？如果對這份工作有興趣，可以從哪些地方開始觀察與準備。
因為簡報本身比較像口頭分享的輔助材料，所以後來想說，乾脆把這次分享的內容重新整理成文章形式，也放到部落格上和大家交流。
（若需要簡報，請再透過以下按鈕）
前言
在家教、線下活動中，一直都收到過關於資料分析職涯的問題。
有人會問該不該先學 Python，有人會問 SQL 要學到什麼程度，也有人會問：「資料分析師是不是每天都在寫 Code 和拉報表？」
這些問題我其實都可以理解。因為在真的進入這個領域以前，我自己也曾把資料分析師想像成一個坐在電腦前，把資料撈出來然後做成圖表的人。
不過，如果以我自己這幾年在軟體業的經驗來看，這些其實只佔了一部分。
SQL、Dashboard、Python、統計概念，這些都很重要。但實際工作中，技術通常只是其中一個環節。更多時候，分析師真正要處理的是：
這個問題到底在問什麼？
我們手上的資料能不能回答？
得出來的結果要怎麼解讀？
這些結果能不能幫助團隊做出更好的決策？
所以這篇文章想聊的不是「該怎麼從 0 轉職資料分析師」，而是更往工作現場靠近一點：
資料分析師在公司裡到底都在做什麼？
一、資料分析師的核心工作：用資料幫助別人做決定
如果要用一句話描述資料分析師的工作，我會說：
資料分析師的工作，更像是「用資料幫助團隊做決定」。
這句話聽起來很簡單，但實際上背後包含很多「翻譯」的過程。
很多時候，需求一開始並不會是一個很明確的分析題目。它可能長得像：
：「這個功能表現好像不太好」
：「最近用戶的ＯＯ數據是不是有下降」
：「我們想知道這個專案有沒有價值」
：「可不可以幫忙看一下這個數字為什麼怪怪的」
如果直接跳進 SQL 開始撈資料，很可能會很快算出一堆數字，但那些數字不一定真的回答了問題。
所以分析師的第一步通常不是寫 Code，而是釐清問題。對方真正想知道的是什麼？這個問題背後對應到什麼決策？如果結果是 A，團隊會怎麼做？反之，如果是 B，他們可能採取什麼行動？
接著才是評估資料是否能回答這個問題。畢竟，不一定每個用戶行為都有被記錄下來，也不一定每份資料都乾淨到可以直接使用。有時候資料欄位看起來存在，但定義和你想像的不一樣；有時候數字算得出來，但其實只能回答問題的一小部分。
等問題和資料都確認過後，才會進到比較多人想像中的分析工作：撈資料、整理資料、做圖表、跑檢定、根據結果再拆解原因。最後，還要把這些結果轉換成其他人能理解、能有後續行動的資訊。
這也是我後來越來越有感的一件事：
SQL（任何的程式語言）只是工具，釐清問題才是首要任務。
寫出很漂亮的 SQL 當然很好。但如果一開始問題定義錯了，再精準的數字、再好的 Action Item 都沒有任何意義。
二、在軟體業裡，資料分析師每天可能在忙什麼？
以軟體業來說，資料分析師的工作內容其實滿多元的，而且不太會只有「做報表」這一件事。
第一大類：產品專案、指標框架相關的任務
指標框架方面，舉例來說：公司可能會有北極星指標，因此會需要針對北極星指標做拆解，讓這個顆粒度能夠適用在將團隊專案目標上。同時，還必須讓產品團隊能「追蹤」。
產品專案相關的則會分成兩個面向。第一：在專案開啟前（例如：當某個團隊想做一個新功能），資料分析師可能會協助評估這個專案的機會點：有多少用戶可能受到影響？目前的使用情境是什麼？如果專案成功，可能帶來多大的成長？
第二，如果專案適合透過實驗驗證，分析師也會參與實驗設計，和 PM、設計師一起確認實驗對象、實驗設計、成功指標、健康指標，以及後續要怎麼定義實驗成功（功能可以上線）。
第二大類：排查與臨時需求
這類在日常工作裡很常出現這些情況。像是：某個 Dashboard 的數字突然掉了、兩份報表數字對不起來、客戶或投資人臨時需要某個指標、行銷活動上線後需要即時看成效，這些臨時需要協助處理的事情。
有時候排查數字異常很像偵探在辦案。你會需要一路確認資料源、埋點、資料 ETL、產品版本、活動設定，甚至使用者行為是不是剛好因為外部事件而改變。最後找出原因時，可能不是一個什麼很驚人的發現 —— 可能只是某個欄位定義改了、某段資料流程壞了、或是某個功能版本剛好在那個時間點上線。
第三大類：數據基礎建設
這包含 Dashboard 建立、ETL 或 Data Pipeline、前端事件追蹤埋點規劃，也包含讓其他團隊更容易理解與使用數據。這類工作不一定那麼容易被看見價值，但它往往會影響整個組織使用資料的效率。
三、以產品實驗為例：分析師不是實驗結束才出現
講到產品，很多人都會想到產品實驗。因此這邊也特別拉出一個章節來說明。
很多人想到產品實驗（A/B Testing），可能會誤以為分析師的工作就是幫忙做統計檢定，實驗跑完之後看一下檢定結果，哪一組顯著好就上線哪個功能。
但在實際工作中，分析師通常不是等實驗結束才出現。而是在「決定要做實驗前」就已經開始了。
舉例來說，假設產品團隊想調整某個介面，或是調整推薦排序，希望提升使用者互動。這時候分析師第一個要協助的，通常不是直接幫忙算樣本數，而是先確認：
這個問題適合透過實驗驗證嗎？
團隊提出的假設是基於哪個數據觀察？
目前這個功能的現況如何？
如果實驗結果不好，可能會傷害哪些指標？（實驗風險）
又例如，如果想調整留言區的 UI 或排序，我們可能會先看：
有留言的討論大概佔多少？
會進入留言區的用戶比例高不高？
留言得到互動的狀況如何？
不同類型討論的使用情境有沒有差異？
這些問題正是為了確認實驗是否真的有進行的必要。
如果一個本來就觸發量就很低的功能，或是成功指標和產品目標沒有關聯，那即使實驗設計看起來很完整，也不一定能產生有用的學習。
接著，我們會和團隊一起確認實驗細節：實驗對象是誰？要分成幾組？每組對應的假設是什麼？成功指標是什麼？健康指標又是什麼？
這裡也會牽涉到資料埋點。因為如果事前沒有把該記錄的事件記錄下來，實驗跑完之後才發現關鍵行為沒有資料，那就真的是欲哭無淚。
實驗開始後，分析師也不只是等實驗走期結束看結果。過程中還要確認實驗版本、埋點和樣本數是否正常，是否需要排除前期的新奇效應，健康指標有沒有受到傷害，等等。
最後，實驗結束後才會進入結果解讀。除了看控制組和實驗組差異，也要看差異量有多大、統計上是否顯著、實務上是否值得行動，以及不同分群下是否有不一樣的結果。
總結來說，資料分析師在產品實驗裡扮演的角色，不只是「幫忙算結果」，而是協助團隊從假設、指標、資料品質到決策建議，完整走完一次的過程。
四、工作後才知道：真正難的不一定是寫程式
剛開始接觸資料分析時，我們很容易把焦慮集中在技術上：SQL 會不會不夠熟？Python 要不要學？統計是不是很難？
這些焦慮當然合理。畢竟工具能力是基本功，沒有工具就很難真的把分析做出來。
但工作之後我才發現，真正讓人卡住的，很多時候不只是「我不會寫程式」，而是自己對產品 / 公司的商業模式理解不夠。
如果不了解自家產品、服務模式、使用者行為和團隊決策脈絡，就算能把數字算出來，也很難提出真正有幫助的建議。同樣一個指標上升，在不同產品階段、不同業務情境下，代表的意義可能完全不同。
五、這份工作適合什麼樣的人？
如果你正在思考自己適不適合成為資料分析師，我會建議不要只問自己「我喜不喜歡寫程式」。更重要的問題可能是：
你喜不喜歡釐清模糊問題？
你會不會想知道一個某個現象背後的原因？
你能不能接受接收到的問題可能沒有標準答案？
你願不願意和不同角色來回溝通？
我覺得適合資料分析的人，通常會對問題背後的脈絡有好奇心。他們不只是想知道數字是多少，也會想知道為什麼會這樣、這個變化對產品代表什麼、下一步可以怎麼做。
同時，這份工作也需要一定程度地接受不確定性。因為不是每個問題都有能用且乾淨的資料，不是每次分析都能得到漂亮的結論，也不是每個專案都能帶來明確成效。
反之，如果你非常討厭大量討論和會議，只想安靜地完成明確任務，或是對指標異常、需求變動很容易感到焦慮，那這份工作可能會比想像中更消耗自己的熱情。
這不是說這樣就不適合，而是要先知道：資料分析不只是和資料相處，也是在和問題、產品、需求方，以及任務中的各種不確定性相處。
結語：先從身邊的小問題開始練習
如果你對資料分析有興趣，我不會建議一開始就急著把所有技能都學完。
因為這條路上的要學的技能其實也不少，舉凡：SQL、Python、統計、視覺化，每一項都可以一路往下鑽研。如果一定要等到自己準備好才開始，可能永遠都會覺得時間不夠。
比較實際的方式，是先從身邊的小問題開始。
觀察你現在的工作或生活裡，有哪些地方其實已經在使用數據？有沒有什麼決策，是可以透過資料輔助判斷的？有沒有一個小問題，你可以試著定義指標、整理資料、做出初步解讀？
這個主題沒什麼限制：可以是你的部落格 / 社群流量分析，直接拿網路的開源專案，甚至是你自己的財務情況。
重點不是一開始就做出多厲害的作品，而是練習把模糊的問題變成可以被觀察、被衡量、被討論的題目。
等你真的開始做，就會自然發現自己缺什麼。可能是 SQL 不夠熟，可能是統計概念需要補，也可能是視覺化還可以更好。這時候再回頭補技能，通常會比漫無目的地學習更有效。
對我來說，資料分析最有趣的地方，一直不是某個工具本身，而是這個過程會更了解你有熱情的領域，讓自己知道怎麼讓這個領域變得更好。
所以如果你也對這個資料分析有興趣，我會建議先不要把程式當成目標本身。把它當成工具，邊實作邊學習，才會走得更有效率，也更開心。
最後，這邊也想推薦想成為資料分析師的大家
如果對資料分析有興趣，或是想更加鑽研 Python，很歡迎加入 PyLadies Kaohsiung 社群。即便你人不在南台灣，社群也有許多課程是開放線上參與的！（⚠️ 社群只開放女性參加）
再來，如果你想繼續關注我的文章，即時掌握新內容，也歡迎追蹤我的 Instagram 帳號：
留言