【職涯分享】網路業與金融業資料分析師的日常
許多人好奇金融業與網路業的資料分析師的工作內容和職涯，因此在 NTUDAC 第三屆上學期的第二堂職涯分享社課，我們特別邀請到現任 Dcard 資料分析師 Roger 學長與國泰數數發資料分析師 Doris 學姊分享在網路業及金融業的資料分析日常。
Roger 學長分享
個人介紹：Roger 學長畢業於台大工管系，初入職場是在 EY Advisory 協助台港兩地金融機構進行信用風險的模型導入，因為更想透過資料發揮決策價值決定轉入 In-House。目前在 Dcard Business Intelligence 團隊擔任 Data Analyst，負責使用者行為探勘與資料視覺化。
Dcard簡介： 在台灣，每個⽉有數⼗億關注發⽣在 Dcard！Dcard 始於 2011 年，從午夜抽卡開始，延伸至校園聊天社群，再到電商與影音，Dcard 在多個領域皆已是最大社群，致⼒於打造更美好的訊息與⼈際交流平台，要讓每個⼈都能在 Dcard 上暢所欲⾔。
一、BI 團隊 Data Analyst 工作內容
想了解 Roger 的工作角色與職責，得先了解 Data Team 的組織架構，一般而言 Data Team 的負責以下三大工作：Machine Learning、Data Infrastructure、Business Intelligence。目前 Roger 的工作是在 Business Intelligence 團隊，也因此會對此有更多介紹。特別注意的是，不同工作角色需要的技能也不同，以 Roger 所在的 BI 團隊而言，要非常熟悉 SQL，工作有 70%-80% 都會使用到；而 Machine Learning 的工作，則主要需要 Python 建模相關的經驗，但會依據分配到哪個 BU 而有細部差異。
- Data Team 架構
- Machine Learning：負責特徵工程以及模型預測、部署。
- Data Infrastructure：負責讓資料更健全，例如：用更好的架構穩定地從顧客端接收資料，讓數據處理更即時。
- Business Intelligence：讓全公司的人都可以更認識資料，工作內容包含以下：
- A/B Testing：例如檢測新的功能是否真的有效幫助顧客使用產品。
- Business Analytics：與營運團隊合作分析
- Data Schema Design：當產品要有新功能時，需要討論此功能的成效指標、如何蒐集所需資料等。
- Data Visualization：利用視覺化圖表，幫助公司的每個人，更了解某項功能或專案的成果。
二、BI Analyst的一天
BI 團隊類似資料的管理者（Data Owner），要確保資料的使用，因此工作很重要的部分是跟各個部門溝通，約佔了整體工作時間的 30%-40%。Roger 每天的工作內容其實相當多變，不過典型的一天大致如下：
- 早上 10:30–11:00：每天到公司時，先確認是否有即時訊息，以及監測一些主要指標的表現。
- 早上 11:00–11:30：與需求團隊的每日例會，快速同步專案進度。
- 中午 12:00–16:00：午休時間，以及午休後參加一些會議。
- 下午 16:00–17:30：和營運或 BD 團隊溝通臨時專案需求。
- 下午 18:30–19:00：有時有需要長期研究的專案，就會利用下班前探索這些長期專案的資料。
三、風險諮詢顧問工作內容
在進入 Dcard 前，Roger 曾在 EY 擔任風險諮詢顧問，除了分享網路業資料分析師的工作內容與日常，這次分享也帶來對於 In-house 分析師與顧問相關工作的觀察。
風險諮詢顧問工作內容
- Cyber Security：協助客戶取得不同的資安 ISO 認證與流程導入。
- Internal Audit：像是企業內部的糾察隊角色，分析企業內部控制流程是否有漏洞，以及開銷與支出流程有沒有錯誤之處，並總結以上寫成報告書，幫助客戶做好內控。
- Risk Transformation：協助客戶了解法規更新並改善相關流程，使之能遵循法規
- Risk Assurance：主要處理電腦審計相關的業務。
對新鮮人從事金融顧問的職涯建議
Roger 建議以後想走金融顧問相關工作的社員，可以先考取特許金融分析師(CFA) Level 1 證照。由於每間顧問公司的分工方式與工作內容差異大，可以先打聽自己所要應徵的職位負責的產業與領域知識是否與個人職涯路徑相符。
四、顧問 v.s. In-House 分析師的異同
由於不少社員對於畢業後從事顧問或是分析師職位都有興趣，但難以決定畢業後該往哪個方向發展，因此 Roger 從他個人體驗的角度出發，特別分享了顧問以及新創 In-House 資料分析師的差異比較。真實情況或許因公司產業/大小而有所不同。：
- 工作目標設定：
- 顧問：工作的目標是交付合約內容產出，工作目標彈性較小，若想自行探索研究，會受限合約內容，也需要進行比較多的內外部溝通。
- In-House 資料分析師：工作目標通常是符合OKR 的研究或分析，一般來說彈性較大，例如：假設公司的整體目標是明年成長 10 %，那麼自己的工作目標只要能幫助公司達成目標都可以自訂列入 OKR。
2. 成就感來源：
- 顧問：成就感來源通常來自客戶反饋與業界口碑，由於專案的性質限制，較少得到客戶分享自己做的專案成效以及對他們內部的影響。
- In-House 資料分析師：成就感來自分析或研究結果對產品的實際影響，因為本身就在公司內部，容易得知自己工作的成效為何，可以更紮實地了解、衡量自己的工作成果。
3. 領域知識：
- 顧問：顧問所能獲得的領域知識視公司⼤⼩與分⼯⽽定，通常較「廣」。Roger 個人觀察，由於顧問可以接觸到很多不同產業的客戶，但較無法接觸到後續流程，整體來說，顧問在領域知識的累積，與 Inhouse 相比更廣泛。
- In-House 資料分析師：同樣也視公司⼤⼩與分⼯⽽定，Roger 個人觀察，通常較顧問更「深」。值得注意的是，領域知識的累積與分工有很大關係，以新創公司而言，可以看到整個資料分析的流程，就算不是自己所負責的部分，也可以大致了解其他部門的工作。
4. 核心能力：
- 顧問：溝通表達（客⼾關係管理）與問題解決（統計建模）。因為顧問會與客戶密集溝通，因此對於客戶關係的管理、交付內容優先順序排定相當重要。在問題解決方面，通常金融業的客戶，較重視統計相關的建模解釋性。由於金融業風控或法遵相關的模型通常都會需要交由主管單位備查，因此統計建模的高解釋性就相當重要，不然分析結果容易被客戶的經理層級拒絕。
- In-House 資料分析師：溝通表達（Data Storytelling）與問題解決（資料處理及分析）。以新創公司而言，使用數據說一個好的故事非常重要。通常會去撈不同種類或維度的資料佐證，解釋自己的洞察的合理性。問題解決能力著重資料處理與分析，常需要自己撈資料、清理資料、和公司不同部門說服資料的重要性，以讓資料品質變得更好。
五、求職攻略
- 履歷撰寫建議
- 清晰的排版：通常企業招募時，著重的是符合職缺需求、可以溝通的人選，不一定是最聰明厲害的那個。此時能讓招募人員一眼就能夠找到履歷中符合職缺需求的關鍵字就很重要，有時候套活潑的排版、過多 icon 除了不好閱讀外，也容易失焦、較難找到關鍵字。另外若履歷上的經驗很多的話，可以放個 Summary 的區塊，方便招募人員快速閱讀。
- 量化成就：除了建議大家可以多做專案和實習，提到拿到面試的機率外，量化自己的成就也很重要。例如：作為XX大學XX社公關長負責拉贊，可修改為：藉由協助社群宣傳與廣告獲取商家贊助，作為 XX ⼤學 XX 社公關長期間募得 XXX 元經費。
- 依照JD調整履歷內容與關鍵字：就算職稱相同，不同公司的職缺需求能力與職責也不盡相同，這與公司的產業/大小/新舊/分工有關。例如：若看到同樣是 Data Analyst 的職缺，A 公司的能力需求比較廣，BI/ML/Infra 相關的事務都需要處理，那麼有可能該公司的資料團隊剛成立，分工尚不明確，各職位間會互相協助彼此的需求。此時放上自己最卓越、最值得分享的經歷即可。若 B 公司的能力需求明顯專精於特定幾項，則放上的經驗需要準確命中該職位需求。
2. 面試準備資源與建議
Roger 強烈建議，平常在學習程式時，不要只是看影片而已，而是要自己動手寫才真正有學習。以下推薦幾個能幫助面試準備的資源：
- Lean Analytics：這是一本資料分析的好書，從中可以學習到自己分析指標時的盲點。
- LeetCode：可以到 LeetCode 免費練習 SQL 或其他程式語言等。
- Udacity A/B Testing 課程：對於資料分析師而言，A/B Testing 也是很重要的技能，此免費課程能夠從零到一了解 A/B Testing。
演講的最後，擁有多產業資料分析師面試經驗的 Roger 也提醒，在不同產業的分析工作文化與工作步調大不相同，例如：金融業較嚴謹；網路業/科技業追求速度，較為彈性；而電商則有許多波段，通常有促銷檔期的時候分析師會非常忙碌。在選擇工作時，除了考慮各產業、薪水外，思考自己想累積哪種數據分析經驗、哪種能力也是一大重點。
Doris 學姊分享
個人簡介：Doris 學姊畢業於台大工管系，目前為國泰數數發團隊的資料分析師，專注於東南亞市場的消金資料分析，包含：顧客識別、雲端分析專案等。藉豐富的專案經驗與市場敏銳度，從國泰該團隊的專案經理轉職成為資料分析師。在加入國泰前，曾於華碩 Global Talent Program 擔任產品經理，有四年越南工作經驗。
國泰數位數據暨科技發展中心（數數發）（Digital,Data,and Technology Experts，簡稱 DDT）介紹：國泰於金控層級設立的數數發中心，以數據驅動（data-driven as culture）為理念，結合子公司的力量與基礎，協助國泰金控打造數位數據生態圈，截至 2021 年底團隊成員已超過 700 人。國泰於 2021 年也在台中設立了資訊開發中心（CDC），作為東南亞市場數位轉型的開發重鎮。
一、從 PM 轉職成為資料分析師
在加入國泰前，Doris 已在越南從事產品經理的工作四年。憑藉著對於東南亞市場的熟悉度，Doris 先到國泰數數發團隊當專案經理，負責管理數據分析專案。Doris 表示，國泰數數發十分歡迎不同領域的人才，只要具備職缺所需的能力、興趣、特質即可，像是團隊有地理所背景的分析師專門做 GIS 分析，就非傳統金融背景出身。Doris 在擔任專案經理時，發現自己對於「分析」十分有興趣，因此決定一步步培養能力，轉職成為資料分析師。Doris 的轉職步驟包含：自學 coding → 累積 Side Projects 經驗→ 參加資料分析競賽證明能力→找老闆聊聊。藉著豐富的專案經驗、熟悉專案流程、業務單位痛點，成功從該團隊的專案經理轉職成為資料分析師。
二、國泰資料分析師的工作內容
東南亞市場的成長速度飛快，而國泰在越南、菲律賓、柬埔寨、寮國等地設有銀行、產險、人壽子公司、分公司或辦事處等，近年數數發團隊也將東南亞團隊獨立成為部門，希望賦能海外子公司發展數位數據技術能力，以提升營運效率。Doris 目前於國泰數數發底下的東南亞發展部門擔任資料分析師，專注於東南亞（越南、柬埔寨為主）的消金市場分析專案。
每天的各項工作佔比
- 清理資料（40%）：資料品質十分重要，把資料處理乾淨才能得到正確的分析結果。
- 簡報（30%）：資料分析師會花不少時間開會做簡報，讓不同單位知道專案進度、了解分析專案的價值，並透過跨部門溝通，定義專案的價值與產出。
- 寫程式（20%）：工作上常用 Python 與 SQL，會需要與其他人協作，因此Code Efficiency 相當重要。
- 開會（10%）：了解各業務單位的需求。
挑戰：資料治理與學習雲端知識
Doris 分享，由於金融業多為機密、敏感的資料，有不少法規限制、內控內稽規定，公司也相當重視客戶的個資。因此在做資料分析時，資料治理是一項重要議題。例如：使用去識別化資料分析、資料須留在地端等。即便在東南亞市場，當地法規限制相對較不嚴格，但仍須遵循母公司的準則，需要花時間了解各類法令遵循的規範。此外，由於工作中常用到雲端相關知識，因此花費不少時間學習 AWS、GCP 的課程，並考取雲端證照。
二、金融業資料分析師所需能力
- 資料敏感度：平時需要不斷累積、培養的能力。資料分析師最重要的是要用數據來發現商業洞察，要讓自己不斷地思考數據的意義以及試著去解釋它。
- 跨部門溝通能力：不管在哪種大小的公司，溝通能力都非常重要，這能說服其他部門、主管、同事，傳達自己做出來的東西具有價值。
- 資訊視覺化的能力：將數據分析的結果，透過視覺化的方式最能有效率地讓人理解，並且讓數據有感。
- 寫程式的能力：專案幾乎都會跟別人一起協作，有時甚至要寫文件來溝通自己的邏輯、變數，因此如何讓別人讀懂自己的程式碼很重要，這樣才能讓後續接手的人維護營運。
- 專家領域知識：數數發的資料分析師很像顧問，要去講解推動資料分析專案的原因，說服其他部門配合。當然必須要了解金融商品，才能更懂得如何分析資料、看哪些指標。例如：若不知道一張保單的同一要保人底下可能有多個被保人，在撈資料上就會產生問題。培養領域知識可以先思考自己有興趣的領域是消金（目前需求最多）、證券期貨或是企金、投資，以此培養領域知識。
- 專案管理的能力：視部門以及不同公司對資料分析師的定義，有些資料分析的團隊可能分工會很細，有些則較粗略，有時候資料分析師必須去說服其他部門或主管推動專案的目的與成效。
