數據分析怎麼做才有效率？拆解 4 大流程、高效執行技巧，真正解決商業問題

數據分析怎麼做才有效率？大數據浪潮之下，數據管理與應用的能力，成為企業極力追求的指標技能；雖然許多人都有透過 Excel 製作圖表的經驗，但有些人的圖表與分析提問總是更具說服力，他們是怎樣做到的？面對龐大的數據與老闆的期待，你需要透過哪些方法來應對？

數據分析怎麼做才有效率？拆解數據分析的 4 大流程

本文彙整了數據分析的 4 大流程，並分享每個階段的高效執行技巧。

數據分析流程 1. 定義有效的商業分析目標：繪製商業圖表草圖，建立團隊的共識

許多人一開始就收集了過多的數據，導致管理上花費了許多無謂成本，好的數據分析成果建構於有效的商業分析目標：優先確認最後目標為何，想給誰看？這些人想看到什麼？怎樣呈現能把故事說得最清楚？ 大多數的數據與想要回答的商業問題是脫鉤的，若能有意識性的收集進行，通常能取得較好的分析成果。

此外，不同的產業與職業可能有截然不同的商業目標。例如行銷人員更在意如何找到下廣告的高 CP 值目標，業務與 PM 可能希望第一時間掌握相關產品與業務的推進進度，財務人員則希望能找到有效的財務指標等，導致分析過程不同人的視角容易產生衝突。

若要有效溝通，能 在整理數據前就討論分析目標，像是「希望能看到 110 年度 XX 類別的歷史數據排行」，甚至繪製商業圖表草圖，能有效透過視覺化的方式展開溝通，大幅提升團隊的分析共識。

數據分析流程 2. 資料收集與清洗：以 No Code 工具建立自助清洗流程，減少人力支出

以核心商業問題開展的資料收集任務，通常相對有效率，也能分配更多資源給重要但較難取得的數據來源，然而「資料雜亂」是分析初始階段所必然面對的挑戰。由於多數數據都是不規則的，常需要花費 80% 時間來收集、整理，才能推進到分析與視覺化任務。這項任務難以避免，但是否有較高效的技巧？

大多組織依賴工程師來整理數據，但最懂得如何使用數據的人往往並非工程師，且非所有組織都有能力雇用或培養此類的技術人員。如何讓非技術專才的人，也擁有清洗資料的能力？其實現在有愈來愈多工具讓使用者透過非程式化的方式，完成資料清洗甚至建構自動化流程，像 Tableau Prep 就能透過圖形化介面建構自動化數據清洗任務，並能處理千萬筆的資料量。

數據分析流程 3. 展開細部的資料提問：善用金字塔方法，建立有效的分析自我提問

整理完數據後，許多人仍會困惑於要分析什麼。遇到這樣的問題，能善用金字塔思考法，透過「最大目標」>「子分類目標」>「分析任務」等多層式的問題框架，快速整理出有效的分析提問。金字塔法的層數沒有固定，常見的是分成 3 個階層，分別是：

• 第一層：描述分析的大目標願景
• 第二層：描述分析議題中的子分類
• 第三層：描述每項子分類中，列出明確的分析提問

以新冠肺炎（COVID-19）的數據分析任務為例，第二層的命題可能是「各國的狀況？」、「案例數的變化情形」、「台灣的狀況」等，而將子分類視覺化之後，就能再展開一層細部提問，以一張圖展開所有的分析問題。

數據分析流程 4. 以資料視覺化有效展示成果：巧用視覺化工具，提升圖表製作能力

最後階段是將數據產製為資料視覺化圖表，根據目標選用正確的圖表相當重要，許多人只會使用像是長條圖、圓餅圖等常見圖表，但在某些情境之下，還有其它圖表更適合描述分析問題，了解圖表的使用場景，或是能靈活搭配使用更多圖表種類的工具，就是每個人的競爭力所在了。

視覺化工具是此環節的關鍵能力，不同工具能製作的圖表也有差異，除了 Excel 之外，現在比較知名的還有 Tableau、PowerBI、Google Data Studio 等。其中 Tableau 是公認最彈性且最漂亮的圖表製作軟體，PowerBI 則是微軟針對大數據場景所推出的產品，也受到許多人好評；Google Data Studio 則可透過瀏覽器就直接開始製圖，相當方便。

此外，許多人擔心自己不具備操作程式化工具的能力，像 Python、R、JavaScript 等，雖然這些工具確實能用於高度彈性的整合環境，但對一般商務人士來說，操作門檻較高，並不一定合適；相較之下，選用一個可高度客製化圖表的非程式化工具（如 Tableau 或 PowerBI），或許更適用於廣大的商業人士。