Shopee 蝦皮實習，扎實的數據分析與商業訓練

Published in

Finformation當資料科學遇上財務金融

18 min readApr 16, 2020

最近因為將要做學術研究的關係離開蝦皮。有鑒於剛好下一年度2020的暑期實習計畫開始，在這個時間點寫心得文應該可以幫助到更多人了解這家公司，所以決定記錄下自己這接近一年（2019.7~2020.4）充實的實習心得(Commercial + BI)。最後會寫上個人之前申請時準備履歷、面試的感受。

Shopee 是一家怎麼樣的公司？

母公司為SEA （NYSE SEA）, 2009年在新加坡成立，旗下有三大事業體，包含Garena (台灣營運英雄聯盟、極速領域、傳說對決等遊戲…) 、AirPay (行動支付)、Shopee 蝦皮購物，Shopee於2015年首次在新加坡推出，目前已擴展到馬來西亞、泰國、印度尼西亞、越南、菲律賓和臺灣，以東南亞市場為主，為全世界華人地區用戶的線上購物和銷售商品提供服務。東南亞市場現在其實是網路業的兵家必爭之地，登陸台灣時，曾經因為免運的價格戰大力衝擊台灣電商市場。

先說結論

如標題所述，我覺得蝦皮實習這趟旅程下來：

提升自己的溝通能力
商業簡報製作技巧
大東南亞市場的商業思維
更懂得掌握數據分析
了解實務建模上的問題

如果對電商(特別是電商，蝦皮的實習訓練絕對會讓你對電子商務（甚至說互聯網）常看指標有非常深刻的認識)、互聯網產業有興趣，我非常推薦你/妳來這邊學習與工作，如果你還不確定想去什麼產業，蝦皮絕對也是一個很好的訓練場所，因為他是平台電商，上面有分成四大品類，品類下面又有許多子品類，換句話說，如果想要接觸到不同產業、消費品的資料分析，或者是學習一些domain，蝦皮絕對都有辦法滿足你，只是看你/妳願不願主動去學。

福利

蝦皮的實習福利也是一等一的，有咖啡機讓你提神，想喝飲料或者牛奶冰箱都有，每週固定水果日，下午餓了可以去零食區逛一圈回來，有時候冰箱還有奶酪等等的…. 還有按摩時段可以搶（填）！，工作疲乏了其實可以到沙發區去或者是多功能室（一大排座位，非用餐時間空空的）換個位置來思考，外面看出去就是松菸跟京華城、台北市的都會區，天氣好的時候他們都會發光（很刺眼XD）不過景色真的很好，有一種自由享受的感覺。

然後實習生也會配到一台筆電、有自己的公司信箱、雲端硬碟、很大的座位，上面有一個牌子寫自己的名字，那個位置就是你的！我就看到蠻多人（正職或者實習生都有）會精心佈置自己的座位，比如放一些小玩偶、盆栽、模型、角落生物之類的…還有看到一些奇奇怪怪的抱枕（比如ㄓㄌ抱枕）XDD 有時候也會看到蝦小編，辦公室整體就是橘色橘色配上許多個人化座位，蠻溫馨的。

工作氣氛

快樂型，也可能是我待過的兩個team都這樣，Commercial 稍微比較活潑一點，BI雖然比較沈穩不過還是很多超好笑的事情。5分鐘左右一次笑聲吧。然後同事不定時會餵食、Team building包括密室逃脫、城市尋寶、卡拉等等…或者跟主管一起跑去搶樓上樓下的水果就會覺得很好玩XD

然後平常跟同事的訊息互動到後面都是下面這種感覺，真人真事。

: Dennis ，我們有任務了！

: 走啊拿水果！

？？？？？？？？？？？？

好進入正題：

我在蝦皮有幸待過兩個很棒的部門，Business Intelligence（數據分析部門）與 Commercial（商務營運部門），以下將分別就兩個團隊說明自己的感覺。

Commercial

在Commercial 我是屬於HE team，比較偏向Data Analyst（Data Analyst 使用工具以Python , Excel 為主，搭配一些內部會使用的BI工具，我自己是有用Power BI來做DashBoard、Python寫模型，不過像我主管主要是使用R，看個人專精程度），主要收穫有三點：

E-commerce Business 電子商務的知識
Data Driven Campaign Analysis 數據驅動的分析
Actionable and problem solving 解決問題的能力

E-commerce Business

在Commercial可以讓自己對電子商務有非常多的了解，也就是Data Sciecne 或者我們說Data Analysis中的domain know-how 有個認識，這也是我樂見的，畢竟如果連你分析的數據都不知道是什麼、有什麼含義，那很容易把數據變成數字或者編碼，沒有實質意義，也難以得到特別的insight。

Commercial 比較多的營運規劃是Campagin Analysis，包括說每一檔活動的成效、要操作什麼商品等等… 畢竟現在電商常常造節、規劃活動與促銷，不同Campaign其實都有不同的目的，而蝦皮使用不同Campaign的場景都不太一樣，會區分等級。在內部可以學到「不同目的」的行銷與操作商品的思考方法，因為蝦皮的商業模式簡單來說可以分成

B2C
B2B2C
C2C

我覺得最大的好處就是：你會考慮到很多不同的「Stakeholders」以及「Target Audience」，以前學財務管理的時候對stakeholders這個詞都沒什麼感覺（投資人、富爸爸），真的在Commercial就會理解到為什麼要做這麼多的規劃與盤算。除了Campaign，因為App有許多的資源可以使用，所以每一個渠道，包括說不同的推播方式都是你在規劃活動、分析數據時會考慮、並且作為一個操作工具的手段。舉個簡單的例子，如果我們今天發現信用卡的案型成效不錯，除了了解原因，以後在推行這個產品的時候其實就可以作為一個說服店家、合作廠商的案例。再比如關鍵字廣告的競價可以讓商品更往前、提升流量，通常是預算的主要支出…. 實在有太多domain know how可以學到，也讓我寫了一本Evernote的記事。

Data Driven Campaign Analysis

回到我本身，我覺得在Commercial 很好玩一點是可以做許多嘗試，也就是「具行動力的假說思考」，比如你結合天氣資料發現下週的氣溫如何，那搞不好適合推毛衣、暖爐等等….又到分析議題上，同樣一批數據怎麼樣發生價值，好比你發現「鬼滅之刃」站內搜索關鍵詞突然竄高，就可以想有什麼負責的產品是可以聯合搭配、規劃的，疫情之下又反映了什麼產品的需求激增，這點可以從許多電商的站內數據旁敲側擊得到。

Actionable and problem solving

我的主管很樂於讓我嘗試想做的專案，這也是我覺得蝦皮實習一個很棒的點，不管在BI還是在Commercial ，主管都會在第一天跟你說「如果你有什麼想法，都歡迎說出來！」，不只第一天，這在之後每一次開會、每一次討論、每一次頭腦風暴主管們都會再說一次：「Dennis , 你對這件事情會怎麼想？」

比如我就根據資料發現有許多有趣的事情可以挖掘，包括Bundling (Basket Analysis) , Sales Forecasting (KPI) , CLV estimation(Beta-Gamma model) 、Customer Clustering 都是可以根據手邊的銷售資料就可以建立，那其實也不一定每一件事情都可以做，因為要考慮他是不是可以實際產生行動，比如發折價券就比較屬於我們可以控制的，那麼可行性比較高。Bundling 可以直接在活動案型上線時協助選品，這也可以做。

我覺得這其中也提供了很多流程優化的機會，比如寫程式可以自動化一些比較重複性的工作，那麼就可以幫團隊做出來。尤其蝦皮又很多資料相關的事務，有自動化整理資料的工具會方便很多。

同事也會教很多domain knowhow，舉個例子，有些店家會在商品標題打上入內議價，這是為了廠商之間控制價格的協定，這對資料分析來說是一個noise，但是你很難去改變，因為這是一個商業上的事情，要想改變不一定靠資料就可以，還需要跟其他人溝通、了解資料品質的狀況。

再比如說，會根據我們的商業情景產生不一樣的問題，好比NLP（自然語言處理 — 一種AI technuque）中我們說NER（命名實體識別）可以做 Brand Detection，一種用模型辨識商品品牌的方法。

但是實務上我在做Brand detection時，資料的名稱常常混了很多型號（通常都是數字與英文字母編碼），比如手機、筆電會有不同型號，更遑論有些商品的名稱並不會寫上Brand name（因為賣家的命名標準不同），你要先想辦法區分出他們，這就是一個蠻實務上的問題，在學校是不會碰到的、在B2C電商也不太會遇到，但是到了C2C場景就會遇到，而這就是考驗一個資料分析師解決問題能力的地方，要根據商業場景去識別問題，並且考慮有哪些解決方法/演算法，然後執行與實作。

Business Intelligence

其中在BI 的時候是Data Science team，BI還有其他team，分別會處理不同的數據問題，而Data Science 工作比較偏建模（modeling），使用Machine Learning , Deep Learning的相關技術。主要使用語言為Python，資料量一大會是SQL。

我覺得在BI ，尤其是Data Science 主要收穫有三點：

Consulting 內部諮詢、數據解決方案提供
Data Quality 資料品質
Modeling 模型可解釋性

Consulting

BI 就我的認知比較像是輔助性後台，協助整個business run得更順利，而這個問題除了我們會主動開發、了解，其他部門比如Marketing , HR 等等也可能會提出，並且共同商討一個數據驅動的解決方案。

這裡的解決方案並不一定是很fancy的模型，它有可能是一個產品，比如儀表板，也有可能是一個data request ，需要什麼樣的外部資料、內部資料來協助決策、業務推動，都會由BI 這邊去提供，所以我記得才剛到BI，我就有跟不同team，可能是BD 、可能是CM開會、發想或者確定執行一個解決方案。這點也很有趣，因為即使作為實習生，你可以了解到跨部門的合作方式、學習換位思考，怎麼可以幫助這家公司往前？比如我寫過爬蟲、做過簡報、寫過模型、資料清洗的腳本等等…. 這些都是某種解決方案。

重點不在「寫了一個多準確的模型」，而是「你怎麼樣解決這個問題」。

Data Quality

包括資料清洗與分析，這邊的資料清洗其實不單純指缺失填補、資料型態規整等等…

更多我覺得是「對領域知識的掌握程度」

好比雙11 , 雙12的資料不太可能「直接」拿去做銷售預測，或者你在EDA時發現 00:00 下的單特別多，原因是App上有一些小遊戲可以玩、或者辦了什麼活動，這些都是noise，因為小活動可能才花你1元、9元，並不是你平常的消費行為或者習慣，但是作為資料就會被算作「你消費過一次」，在CLV estimation , churn prediction 的model上都會影響到模型，就要設計一些機制來讓資料乾淨一些。

而這些機制設計可能又跟計量經濟的「方法本質」有關，比如你要找一個變數去衡量移除掉會怎麼樣、能不能保留資料完整性的同時又移除noise的影響？這也是我覺得學這種我們說「hard technique」的知識時，最重要一點是「怎麼用」，我在修習Wharton 商學院的分析課程時，教授第一句話就是：

「這個時代無關乎你擁有多少知識，而在於你該怎麼使用它。」

這句話絕對是學習技術非常重要的一句話，尤其是商管應用上。

如果只把計量經濟、數量方法當作一種習題，那麼它就走不出教室，但是真實世界上，解到資料科學的問題時經常需要使用對資料結構拆解的技術，除了工具要夠熟練（比如我寫Python就覺得很多資料操作起來蠻容易的）、還要懂得使用、挑選方法。

Modeling 模型可解釋性

這個就跟建模的準確度有關，這邊我就先general 一點以免太複雜，有興趣可以之後聊聊。簡單來說這個變數重要嗎，如果重要「然後呢？」。

比如你發現「是否雙11消費是今年首次消費」這個變數對預測消費能力的重要性很高，那你要「讓大家雙11前至少買一次」嗎？「讓大家不要都等到雙11嗎？」該怎麼做？這個就蠻模糊的，如果追求預測性，那麼解釋性可能就是一個tradeoff沒錯。再舉個例子，PCA是一個很常用的降維技巧，但是會取代掉原本的變數意涵，這時候就要靠domain know how標註這個因子是什麼意涵，這其實也不容易做，特別是資料量很大的時候。

跨國視野與合作

跨國合作時，除了模型變數意涵，資料隱私與傳輸也是一個課題，比如說新加坡總部那邊可能會有一個很大的模型，到臺灣辦公室這邊，BI要去整合，就需要先整理哪些變數可以用（某些新加坡有的資料在臺灣不一定有，相對地，臺灣也可以透過自己的資料去fine tune model，各國辦公室目前都有相對「接地氣」的營運策略），或者印尼蝦皮那邊有一個best practice我們可以嘗試，也不會直接拿來用，不同國家間對資料隱私權的規範、敏感度都不相同，比如印尼人可能就很討厭tracking，在台灣上網可能只是會被retargeting，他們是真的線上線下的「資訊轟炸」，你滑一滑腳踏車，走一走會來一通電話問你要不要買腳踏車，這也是在跨國合作的時候需要考慮、分析的。我的公司信箱也會每幾天就有不同國家的市場新聞、動態進來，像是越南的市場動態就會常常看到Lazada（越南的電商巨頭）、台灣可能就是PChome之類的… 每週我都會自己針對這一週的市場資料做消化、整理，蝦皮同樣提供實習生這種跨國視野。

履歷、面試

我不是專業的人資，以下說得都是我的理解與參考，也不代表照著做就可以「offer get」，不過希望能對今年的申請者有所幫助，可以參考：

蝦皮辦公室外面就是大大的標語「順勢應變、分秒必爭」，我覺得雖然不同部門側重的點不同，但這句話絕對是工作起來可以感受到的，一個專案的問題發現、分析、解決、執行通常很快，我們做了很多盤算，真的到了上線時也會不停優化。尤其是雙11的時候，看著儀表板會很刺激XD 在蝦皮的時間，我剛好參與到了下半年的所有大促（從D9到D12），蝦皮真的是一個移動速度非常快的電商，也因為這樣，你必須要很快反應、很快給出你的「假說」，根據那個假說去找答案。

我想說的是：

通常如果一個職缺名額不太多、又是熱門的職位、公司，那麼更應該挖掘自己的「特質」你/妳有沒有跟別人不一樣的地方？比如我在政大實習版幫團隊貼出徵才文章，1個名額，收到了50封左右的履歷，全部台政清交（Data Analyst Intern position），背景也都是很優秀的人，要怎麼取1對企業來說就很困難，求職者必須想辦法「打造自己的個人品牌」自己的市場定位，我覺得這個蠻重要是必須體認到：在學校我們修同樣的科目，學測指考都考一樣的東西，但是現在不一樣，沒必要去跟一群人「站在同一個地方競爭」，「程式」寫不過別人，但是很懂「電商」，那可能就會成為主管錄取你/妳的理由，學歷也是，沒有規定只有哪些學校可以投遞，學歷只是「在學科測驗那個標準之下」測出來的很參考的評量，如果你/妳覺得你有可以貢獻、幫助團隊的能力，招募團隊會看到的。側重點不同，很難給出一個通用方案，不過我覺得準備重點其實就是以下三點：

找到自己的「專長」，而且身旁的人、甚至全世界都知道那方面你是「專家」
溝通能力，有辦法讓「專長」被面試官「看到」
相信自己，有「自信」

大概就是這樣，可以去思考「我的」什麼「專長」可以很符合「順勢應變、分秒必爭」的特質，再來可以參考蝦皮MA的三大特質：

Critical thinking
Leadership
Ownership

然後去思考「什麼背景可以佐證我這一點？」

自信的關鍵其實就在於知道自己很符合這家公司，得失心也不用太重，蝦皮不過是某家公司，今天它選擇你/妳，你/妳同時也在選擇它，在準備過程理解公司，並且確認你們彼此都接受，準備過程就能收穫許多。

最後，我當初蝦皮面試體驗是非常好的那種，前面有問題時人資都會很快回覆、面試時主管也像是在跟你討論蝦皮、資料（看你面什麼職位）、你本身，出去的時候Eric(面試官)還送我到電梯門口才回辦公室（這點讓我受寵若驚），非常尊重面試者，其實不必太緊張，把面試當作跟以後的同事先聊天就好，當然也不要太Chill ，除非Marketing (歐

經驗、感受、我

我想這些經驗跟我個人挑選工作有關，我是一個很在意「感受」的人，比如說工作的人、工作的內容、工作的氣氛，而會這麼喜歡這份實習經驗，除了三者都在蝦皮獲得良好的回饋之外，更重要的是它有讓我「更接近目標」的感覺：

每份工作其實都在接近那個最想要成為的自己。

可以非常老實說，進了Commercial讓我對商業思維、國際市場更感興趣，並且是「數據驅動的商業分析」，而進了Business Intelligence讓我更明確要走Customer 、Quantitative Marketing 相關的modeling，好比說估計客戶生命價值、流失模型、決策問題等等「商業問題」，而不是現在Data Science領域很夯的CV 、Bot之類的…內部的訓練紮實，蝦皮很多高層都是麥肯錫出身的，內部培訓用的簡報、文件撰寫等教學以我在政大管顧社（也是請Mastercard、BCG等顧問來上課）來說能感受得到這些都是「管理顧問式」的教學，也讓我對故事線簡報邏輯等掌握得更加清楚。

全部打完，看到這邊還是覺得很感謝蝦皮的人、事、物。工作內容因為許多蠻私密的所以無法分享，但都是解決既有成就感又有趣的商業問題，想到自己做的東西會影響到台灣的Shopee App、Web 這麼多使用者，依然覺得這種感覺真的很特別。回首這份實習，它讓我在學習、強化資料科學這段路上得到非常多實務經驗，對商業的理解也是。學無止盡，這份實習的成長曲線是非常高的，希望大家也能有一個很棒的實習經驗。

感謝區

最後謝謝蝦皮的大家，Sandy,Aaron兩位大主管給予我的機會。

謝謝Joanne學姊讓我有機會嘗試不同的領域、PoloBao 教我各種暗黑（？爬蟲技巧、Py2SQL XXD

米雪總是在我開會時的100個「為什麼」跟「這什麼」詳細解答（剛進蝦皮時開會真的一堆專有名詞跟縮寫聽到霧煞煞）、Jia 教的分析方式、Jimmy 的C2C 、Tiffany的Campaign Analysis、Chris的Vlook up 、Scarlett的比價、Yuni的特徵工程、另外一個Jimmy的DataBase、查理的後端、Sonny的網頁知識，凱迪、安迪等各個intern… 都讓我獲益良多。

最後是Eric , 謝謝你教了我上面那些（我記得太多了，應該上面的都有包含到XD）跟讓我做許多想做的專案、想寫的東西，能遇到這麼棒的主管真的非常開心！

— — — — — — — — — — — — — — — — — — — — — — — — — — — —

敬請期待下一篇！或是您也可以逛逛我的其他資料科學文章：人工智慧商務系列：

Python資料科學系列：

看我用金融的概念解釋AI：

如果想跟著我實作資料科學，開始寫程式必知必會基礎系列：

Coding共十講，讓你進入程式世界