數據分析筆記系列
這是分析筆記系列文章的集合頁。這個系列收集了我對數據分析的心得，這包含了：各項程式與工具的筆記、對分析本身的想法、分析方法與案例、數據工作者間的協作等內容。在最一開始的這篇，我想先談談身為分析師的工作內容以及分析思維 (身為分析師，進行分析時的腦內活動)。後續的目錄可以找到其他相關文章。
這份筆記有未臻完美的地方，會隨著我個人的精進會再持續調整。此外，我相信持續性的寫點東西是一件有意義的事，也期待在某些場合下，能帶給我不認識的人一點點幫助。
身為分析師
何謂一名數據分析師呢？結合常見的說明，我想可以簡易地描述為「利用數據發掘問題、解決問題」的職業。某些方面，分析師其實很像公司內部的顧問。就我自己的工作日常與見聞來說，可能包含以下任務
- 各單位的數據諮詢服務：這部分如同扮演內部顧問，解決各單位的問題，如：行銷活動的成效、業務的選品與招商推薦、產品的需求評估和成效追蹤等。具體的執行步驟則包含了：收集資料、處理資料、實驗設計、統計分析、建模、視覺化、簡報製作等項目。
- 數據管道的協作：在適當的分析與開發環境支持下，間接或是直接參與 DataPipeline (如：ETL) 的建置。
- 數據專案的規劃：包含開立資料規格、數據追蹤碼埋點規劃 (如：
GA) 等任務。這部分會很需要和 PM、工程、業務需求方等單位頻繁溝通。 - 數據探勘與研究：探索性的分析 (EDA) 為主，像是統計用戶的購買週期、RFM屬性等，找尋能夠推動 actions 的 insights，此處的 action 可能是行銷的目標選擇、產品開發或優化等。
- 數據賦能：教大家看懂數據、利用數據。
- 數據驅動：推動各單位依照數據進行決策的文化。
- 數據治理：促進數據交流與整合 (打破數據孤島)，提升使用數據的一致性。
- 其他數據撈取需求：這也許是相對阿雜的部分，沒有分析師會甘願當純粹的資料ATM，但若能控制在一定的比例以內，這不失為一種熟悉資料的方式。
分析思維
我認為分析思維是一種解決問題的能力，對分析師來說，這尤其是利用「數據」來解決問題。舉例來說，簽到得點這樣的活動是否有成效呢？當收到這樣的問題時，我可能會開始思考以下問題
- 數據上，如何定義簽到得點 (自變數 X) 才能反映問題呢？在本例中，應該定義成一個 0/1 變數還是連續變數呢？
- 數據上，要用何種指標反映成效 (應變數 Y)？
- 實驗是個好方法，但不是隨時都能做。取而代之可以用何種分析方式？單純比較幾個群體的平均、迴歸分析，甚至可能從過往資料找到準實驗設計的情境呢¹？這麼做會有任何偏誤嗎？
- 提供何種資料表格形式、視覺化形式，可以回答需求方的問題且同時易於理解呢？
- 資料在哪裡？需要如何整合資料？預估工時大概多久？
就我的經驗來說，收到模糊的需求其實是家常便飯，身為分析師，應該要能夠快速地想過以上的問題，並在和需求方來回溝通的過程中逐步釐清，確保最終分析結果可以被正確地解讀與利用。至於，能告訴需求方該怎麼用 (actions)，算是更進階的能力了，這需要對需求方的工作內容有一定的了解，這同時也是能讓分析能確實落地的重要步驟。
某種程度上，我認為「分析思維」才是分析師的核心。極端一點，擁有非常清楚的分析思維，甚至可以靠 chatgpt (或是你的碼農好夥伴) 完成分析而不必寫程式。
對於分析思維的養成，我認為過去的實證研究經驗也起到了很大的幫助。只要不是 regression monkey 的話，應該有很大的機會要思考：我要如何用數據回答研究問題 (specification)、分析策略是否有效 (identification) 等。這些過程 (除了執行時間長短外)，和分析師實際在處理問題時的思維，確實有很多可比之處。
分析心得類
- 對分析師綜合能力的自我期許 [TBA]
其他連結
註
[1] 這邊的準實驗，是指在某些情境下的某些比較，可以和隨機控制的實驗類比，也就是可以進行因果推論，如：Regression Discontinuity、Difference In Difference 等。
