採訪·撰文 劉燿瑜
想做資料分析，不能只靠工程師！管其毅：建立數據團隊前，主管必懂的 2 個觀念
2021年 5 月中旬本土疫情爆發，輝瑞（Pfizer）和莫德納（Moderna）等國外疫苗備受討論。但以莫德納為例，你可能不知道的是，它從研發到正式上市，只用了 10 個月左右的時間，甚至去年 2 月初，美國才剛出現零星確診個案，第一批臨床試驗疫苗就已問世。
研究莫德納生技公司個案的哈佛商學院教授馬可．顏西提（Marco Iansiti）、卡林．拉哈尼（Karin R. Lakhani）在《領導者的數位轉型》一書中就指出，莫德納能有如此迅速的動作，歸功於其以數據為中心的營運模式。
從研發到製造，財務到供應鏈管理，莫德納都是以一個整合性的資料平台為基礎，嵌入源自每個部門的專業數據，讓技術專家、經理人能運用平台之力，提高不論是預測供應鏈狀況、財務建模、疫苗設計與生產的執行、決策效率。
過去一年多來，全球企業正因 COVID-19 疫情加速轉型。台灣也在本土疫情升溫期間，感受到疫情推力。曾任 ebay、LinkedIn，擁有 20 多年數據科學經驗的矽谷知名資料科學家管其毅，在接受《經理人》專訪時指出，當遠距工作成為日常，人們接觸手機、網路時間愈長，數據累積的速度愈快。
此時，能善用數據分析過往經驗、做預測的企業，更有機會快速找到優化產品或用戶體驗的方法，拉開與競爭對手的距離。
因此建立以數據為核心的營運模式，對企業而言，已經不是該不該做的問題，而是該如何做？管其毅提出經理人在建立數據團隊前該有的兩個先備觀念。
觀念一：數據分析不只是提出預測，能幫助下對決策才有價值
「比起關注 data science（資料科學），經理人更該思考如何借助數據做好 decision science（決策科學）」管其毅解釋，資料科學主要能分成 3 個階段：
首先是描述型分析，也就是透過累積、蒐集來的數據，了解已經發生的事，像產品銷售狀況、現有顧客樣貌等。再來是診斷，釐清現狀有哪些問題、哪些地方應該做更好。最後則透過機器學習、演算法，針對問題，提出預測及未來應採取的行動。
資料科學的 3 階段
| 一、描述型分析 | 二、診斷 | 三、預測 |
|---|---|---|
| 透過數據了解已經發生的事。 | 釐清目前待解決、需要改善的問題。 | 提出預測以及未來應採取的行動。 |
但即便是預測階段，都還是只停在資訊洞察的階段，沒有對公司產生實質助益。管其毅指出，資料科學真正價值應在預測後的最後一哩路，下決策。
比方說，數據分析預測出某商品未來存貨會短缺，此時經理人要下的決策可能有兩種，一種是提前預訂更多該商品，另外是預先將該商品漲價。經理人應就最後決策結果，回頭審視前面的數據分析，是否有助於提升下正確決策的機率。
若該商品的總營業額最終反倒下降代表商業痛點沒有被解決，經理人就應思考、與團隊討論，以後還要多掌握哪些數據分析結果（可能是預測消費者對漲價的反應等）以便經理人下次決策能更有把握，不會選錯。
管其毅指出，雖然經理人早在資料科學當道前，就在學習決策科學，每天要為公司下好幾個決定。但過去經理人習慣聘請顧問，為公司問題提出不同行動方案。
由於行動方案是顧問用其專業設計出來的，最後經理人選擇的方案無論效果為何，都不見得能學到可複製到下次決策的經驗。
「資料科學無論成敗，都能持續優化未來做決策的準度。」管其毅解釋，資料科學所輔助的決策科學，不像顧問提供的一次性解決方案，而是創造一個不斷修正的循環，經理人可以定期定量檢測最近一次的決策結果與品質，回頭討論下次如何做得更好。
觀念二：數據團隊不是找工程師就好，資料科學家應具備 5 種能力
了解數據分析的價值後，經理人還要懂得如何找到對的人、建團隊。管其毅指出，一個完整的數據團隊，通常能分成三種角色：資料工程師（Data Engineer）、機器學習工程師（Machine Learning Engineer）、資料分析師（Data Analyst）。
資料工程師主要負責較基礎的資料整理工作。將蒐集來的大數據加以清理、篩選，設計一個好的資料存取架構，供人方便查詢、讀取。
而機器學習工程師、資料分析師則屬於資料科學家（Data Scientist）的範疇。管其毅指出，經理人在尋找這方面的人才時，應注意對方是否具備以下 5 種工作能力：
- 即便有資料工程師整理數據，也該懂得怎麼透過 Python 等軟體，處理、編成數據的能力，對數據有基本使用概念。
- 要有統計學知識，知道如何設計統計實驗好驗證假設、執行 A/B 測試。
- 會寫機器學習或人工智慧等演算法，好建出可模擬、預測的統計模型。
- 具備領域知識（Domain knowledge），像銀行業的資料科學家可能要有風控背景。懂得產業常識，才能根據分析結果提出洞見、思考解決之道。
- 能把複雜的分析結果，簡單說的能力。比方在調查門市客群樣貌時，不只會說拜訪時間、人數，而是將數據轉變成故事，指出對方可能是利用午休時間來店裡用餐的粉領上班族。如此一來，團隊更方便做後續討論。
實務上，機器學習工程師負責優化原有用戶體驗，將現成的演算法雕磨更精準；資料分析師則負責就自身產業知識，提出預測及決策依據。
像以 Uber Eats 為例，機器學習工程師可能主要負責首頁的餐廳推薦，讓演算法能更貼近使用者喜好，資料分析師則會想著還能開發哪些新功能，提升使用者黏著度、客單價。
管其毅提醒，初建數據團隊應從公司盈利最大或是成本最多的核心單位開始，將數據團隊的價值發揮在刀口，從小地方開始、不要一開始就想著要建立全部門都互通的數據平台。「像我過去在 LinkedIn 帶的數據團隊，就是從 40 人開始，一步步讓組織看到數據分析價值，最後拓展為 200 多人、各部門搶著合作的團隊。」
