嗯...最近很多人都在談數據，數據驅動。但說真的，資料分析這個詞，好像有點被...嗯...說得太簡單了。它其實不是單一的一件事。
我自己是覺得，它更像一個...一個過程，或者說一趟旅程吧。從最基本的看報表，到讓機器自己去想辦法。這中間有好幾個階段。今天，我們就來...嗯...慢慢聊一下這個過程。
重點一句話
簡單講，資料分析就是從「看懂過去發生什麼事」，一步步走到「讓系統建議未來該怎麼做最好」的過程。
資料分析的五個層次，像爬樓梯一樣
很多人會把這些分析方法一條一條列出來，但我覺得那樣有點...嗯...沒抓到重點。把它們看成一個連續的、越來越成熟的過程，可能會比較好懂。你得先學會看，才能學會問，然後才能預測。
- 第一層：描述性分析 (Descriptive) - 到底發生了什麼？
這最基本，也最常見。就是看歷史數據。你的日報表、月報表，告訴你上個月業績多少、哪個產品賣最好...嗯，基本上就是看後照鏡開車。它不會告訴你為什麼，就只是單純地陳述事實。 - 第二層：診斷性分析 (Diagnostic) - 為什麼會發生這種事？
好，當你看到上個月業績掉了，下意識就會問「為什麼？」。這就是診斷性分析的開始。是因爲我們下了折扣嗎？還是競品做了什麼活動？你會開始去...嗯...交叉比對不同的資料，試圖找出原因。從看現象，到找原因。 - 第三層：預測性分析 (Predictive) - 接下來可能會怎樣？
這一步就開始...有點科幻了，但其實現在很常用。就是用過去的數據，去猜未來。像是，根據過去三年的數據，預測下一季的銷量大概會落在什麼區間。它就像天氣預報，不保證 100% 準，但總比...嗯...瞎猜好。 - 第四層：處方性分析 (Prescriptive) - 我該怎麼做？
這個就更進階了。它不只預測未來，還會給你「處方」。它會說：「如果你想要業績提升 20%，你『應該』針對 A 客群，提供 5% 的折扣。」它直接給你行動建議。這背後通常都是機器學習在跑，分析各種可能性的結果。 - 第五層：認知性分析 (Cognitive) - 怎麼做到最好？
這就是...嗯...終極型態了吧。結合了 AI。系統不只給建議，它還會自己學習、自己調整。它會像人一樣，從經驗中學習，然後把新的發現存起來，變成它知識庫的一部分。整個系統會越用越聰明。這離我們一般人的工作好像有點遠，但很多大公司已經在用了。
那...商業智慧(BI)和商業分析(BA)差在哪？
說到這個，很多人就會搞混 BI 和 BA。其實用上面那五個層次就很好分了。
商業智慧，也就是 BI，比較像是...嗯...一個歷史學家。它專注在過去和現在，也就是「描述性分析」和「診斷性分析」。它的產出通常是 dashboards，儀表板，讓老闆們能一目了然公司現在的狀況。非常重要，是基礎。
而商業分析，BA，更像是個...探險家或預言家。它專注在未來，也就是「預測性分析」和「處方性分析」。它想回答的問題是「如果...那會怎麼樣？」，然後找出最好的路徑。
這幾年，你看連我們政府的國發會都在大力推動企業做數位轉型，其實講白了，核心就是希望大家不只停留在 BI，更能往 BA 的方向走，把數據變成真正的策略。但說真的，這兩者不是二選一，而是一個...嗯...合作的關係。
為了好懂一點，我弄了個簡單的比較表，你看完應該就...嗯...更有感覺了。
| 比較項目 | 商業智慧 (BI) | 商業分析 (BA) |
|---|---|---|
| 主要問題 | 發生了什麼？為什麼發生？ | 接下來會發生什麼？我該怎麼辦？ |
| 時間焦點 | 過去到現在。像看後照鏡。 | 未來。像看 GPS 導航。 |
| 主要技術 | 數據倉儲、ETL、儀表板...嗯...就是整理資料和呈現。 | 統計、機器學習、數據探勘...比較多數學模型。 |
| 使用者 | 比較廣。業務主管、營運人員...公司大部分人都能看。 | 比較專。通常是資料分析師、資料科學家在用。 |
| 最終產出 | 報告、儀表板、警報。 | 預測模型、最佳化建議、模擬結果。 |
但有個前提，很多人都忘了
講了這麼多...但如果一開始的東西就不對，那後面做的再多，其實都是白工。
這就是所謂的「Garbage In, Garbage Out」，垃圾進，垃圾出。我自己是覺得，這句話應該裱框掛在每個數據團隊的辦公室。
你想想，你給機器一堆錯誤的、過時的、不完整的資料，然後期待它給你什麼...嗯...黃金般的洞見？不可能的。
所以在做任何分析之前，你得先...像個偵探一樣，去審問你的資料：
- 資料夠新嗎？ 是昨天的還是上個月的？
- 格式對嗎？ 有沒有人偷偷改了欄位名稱，或把數字欄位存成文字？這超常發生。
- 有缺漏嗎？ 重要的 ID 或金額是不是空的？
- 數量正常嗎？ 每天進來的資料量是不是突然暴增或歸零？這通常是個警訊。
如果發現有問題，千萬不要...嗯...硬著頭皮用下去。就算老闆或業務催你，也要堅持。因為最後，如果分析結果出錯，要負責的...是你。你得回頭去找提供資料的人，跟他們訂好規則。
常見的幾個錯誤與修正
講到這裡，其實很多公司在導入數據分析時，會卡關，大概都是踩到下面幾個坑。
第一個坑：根本沒人知道哪個數字是對的。
這太常見了。行銷說這個月新客有 500 人，業務說他那邊報表只有 450 人。兩邊用的資料來源、計算方式不一樣，然後就開始開會吵架。嗯...很浪費時間。
解法：建立一個「單一事實來源 (Source of Truth)」。通常會是一個由數據團隊維護的「資料市集 (Data Mart)」。所有重要的指標，像是「新客定義」、「活躍用戶算法」，都在這裡被統一定義好。以後大家要數字，就都來這裡拿。這樣才能確保全公司用的是同一把尺。
第二個坑：不了解自己家生意，就想做數據模型。
有些人很迷戀技術，一來就想玩很酷的演算法。但如果連公司最核心的...嗯...賺錢模式、主要客戶是誰、最重要的業務流程是什麼都搞不清楚，你建出來的模型，很可能根本沒解決到真正的問題。
解法：在開始之前，先去跟產品經理、資深業務聊聊。畫出公司的「概念資料模型 (Conceptual Data Model)」，搞清楚「客戶」、「訂單」、「產品」這些核心的東西是怎麼互動的。很多國外專家，像是 Bernard Marr 在他的書《Data Strategy》裡也一直強調，策略永遠在技術前面。
第三個坑：急著想預測未來，卻連昨天發生什麼都看不懂。
這就是...嗯...好高騖遠。連第一層的「描述性分析」報表都做得亂七八糟，數據都對不起來，就想一步登天去做「預測性分析」。這是不可能的，基礎沒打好，上面蓋的樓一下就歪了。
解法：就...一步一步來。先把 BI 的基礎打好，確保大家看到的現況是一致的、可信的。當公司文化開始習慣用數據看事情了，再來導入 BA，成功率才會高很多。
總之...嗯...數據分析是個很有力的工具，但它更是一種文化。需要耐心，也需要紀律。不是買個軟體就能解決所有問題的。
對了，你們公司目前最常用的是哪一種分析？是還在看報表，還是已經開始玩預測了？可以在下面留言聊聊你們的經驗。
