從被動解決需求到設計資料分析解決方案，主動出擊創造機會
訪談、撰稿/ Chava
Irene 目前在 iKala 擔任專案經理，為公司設計可銷售的解決方案。研究所時一堂課的啟蒙讓 Irene 一腳踏進了資料科學的領域，一路走來她不斷主動創造機會，從較被動分析客戶交付資料的角色，到現在可以預測需求，主動設計符合市場需求的資料分析解決方案。
iKala 的轉型：從線上 K 歌到建構 AI 行銷科技服務生態系
iKala 2011 年從線上卡拉 OK 平台起家，第一次的轉型為 Livehouse.in 網路直播，接著萃取技術推出 StraaS 影音服務，而後進一步與 Google 攜手擴大服務範圍。瞄準目前當紅的網紅經濟，推出 KOL Radar，幫助客戶找到適合的產品推廣人選。
此外，iKala 發現東南亞賣家相較於使用蝦皮等既有電商平台，更習慣直接透過社群網路買賣商品。如：Facebook 張貼銷售訊息、Instagram 發布商品照，再使用 Line 溝通交易細節。這樣的習慣造成流程零碎複雜，因此，在進行了許多市場訪談後推出了 Shoplus，以Chatbot 技術為基礎，結合不同社群平台，提供直播競標、訂單彙整、物流、交易金流服務，在不大幅改變賣家行為的前提下使銷售流程更流暢。
主動提供資料分析解決方案，為服務加值
Irene 隸屬於解決方案小組＊。iKala 的雲端事業群 GCP 專門家，提供企業建置 Google Cloud Platform 的技術服務。為了使服務加值，並減少可替代性，解決方案小組應運而生。Irene 和他的組員們需要結合 iKala 現有技術，設計資料分析解決方案，為公司吸引更多來自不同產業的客戶。
當客戶有相關需求時，首先透過 PM 洽談、定義問題，再交由系統架構團隊先建立資料分析解決方案所需的基礎建設，接著由 2 位分析師合作分析資料，以避免主觀判斷造成的錯誤，最後交由 BI 設計師將分析結果視覺化，便於客戶理解。
主動學習迎接挑戰，讓經驗成為培養能力的養分
Irene 能力的培養來自於不斷的學習與自我挑戰。大學時 Irene 學的是資管，學習內容囊括了管理、程式設計，而研究所的 Data Mining 課程成為了她在資料科學領域的起點。與單純寫程式相比，Irene 發現自己更享受尋找方法解決問題。因此，她開始尋求各種機會加強自己的能力，像是參加 SAS 競賽為她打下扎實的基礎，而後更透過中研院的實習專案培養出文字探勘的能力。
與目前資料科學快速發展、滿地開花的狀況不同，剛畢業時，Irene 發現市場上幾乎沒有直接與資料探勘相關的職缺，因此她選擇 進入電信業，負責管理資料倉儲。工作內容主要是提供內部單位所需資料，例如：行銷活動所需用戶資料，包括年齡、上網行為等等。然而，比起被動地依照要求 用 SQL 撈出資料，Irene 希望可以善用資料庫中的龐大數據，主動提供見解。這樣的積極也讓她加入了新成立的 Big Data 小組，使用會員相似性、商品相似性、人口統計變數、消費紀錄等資料規劃影音娛樂內容推薦。
因為想要更自主的發掘產業新趨勢以及應用新技術，Irene 接著選擇成為顧問，從甲方到乙方幫客戶解決問題。擔任顧問時經常需要快速掌握產業知識，Irene 會主動蒐集網路二手資料、諮詢公司內產業顧問，甚至從客戶身上學習。再加上累積不同專案中相似可複製的經驗。舉例來說：雖然是不同的銀行客戶，還是有基本的共同特點，如信用卡部門就必須關注發卡量、卡友活動成效等指標。透過專案的累積，Irene 漸漸對電信、金融業有了更多掌握，甚至能夠為客戶預估未來可能遇到的問題。
金融、電信這兩個產業掌握了大量客戶資料，有許多值得挖掘的東西，但同時卻也因規模龐大，決策時需要考量的因素較多，加上競爭者相似性高，有時不免因市場壓力需要參考對手的策略。為了接觸更有彈性和創意發揮空間的網路產業，Irene 接著選擇加入了 iKala，此時，過往培養的技術能力、學習流程、產業知識、溝通技巧等等都成了她的養分，讓她能夠進而主動規劃產品，而不是被動針對問題提供解法。
對於資料科學家來說，掌握艱深的技術不是全部
綜觀 Irene 一路上的學習過程，我們也請她分享一些對學習的想法。對於還在探索的新鮮人，Irene 認為最好的方法就是主動去找資料分析，把資料分析的流程做一遍，即便用簡單的演算法也好，即便沒有 Intern 或工作經驗，也可以用這個方法去量化你的經驗。另外一個重點就是要找到有興趣的產業，才能將這條路走得更長遠。
Irene 目前也不斷透過各種管道學習，包括從線上、線下課程掌握新的技術；透過商業文章獲取產業知識，並把握機會鍛鍊自己的溝通與簡報能力等等。此外，她也積極參與不同社群活動，掌握最新趨勢並建立人脈。Irene 最後與我們分享了她對於「資料科學家」這個名詞的想法：
有些人可能會覺得資料科學家需要很高的學歷、懂很多演算法，然後要能夠實作，但我覺得不僅止於這樣。還需要結合許多產業知識，了解每個產業的重點指標，再套進演算法。能夠對某個產業有足夠的了解才能算是資料科學家。
＊iKala 解決方案目前發展的面向分別是：
iKala AI 聊天機器人：建置環境包括客戶官網、Line 與其他社群平台。借用 Shoplus 的經驗，推動電商方面的 Chatbot，需根據需求客製化，應用方向包括：公司內部溝通、客服等等。
iKala 智慧推薦引擎：主打媒體業，目前雖有文章標籤，但還不夠精準。以文章語意分析優先，再結合用戶觀看行為、用戶調查、人口統計變數等資訊推薦內容。
iKala LTV 顧客終身價值模型：透過 LTV 顧客終身價值模型，企業將可以預測消費者未來貢獻價值，並依據不同類型的消費者提出不同的服務組合，藉此提高企業獲利。iKala 透過開發精準的數據分析模型，協助廣告科技、電商、遊戲、媒體等產業更了解消費者，以人工智慧及大數據技術提升營運績效。
iKala DMP 數據資產管理平台：iKala DMP 數據資產管理平台運用 Google Cloud 大數據技術，即時匯集用戶跨屏數位軌跡資料，協助企業掌握顧客旅程全景數據，搭配視覺化報表可以洞悉網站流量、廣告行銷成效與客戶行為。iKala DMP 數據資產管理平台可另搭配 iKala AI 聊天機器人、iKala 智慧推薦引擎、iKala LTV 顧客終身價值模型等解決方案，以數據驅動數位行銷操作。
相關職缺：
- 大數據工程師 70K+TWD month
https://meet.jobs/jobs/10492?referral_code=widstaipei
2. 機器學習工程師 80K+TWD month
https://meet.jobs/jobs/10490?referral_code=widstaipei
[ 廣告數據平台 ]
3. 資深前端工程師 70K+TWD month
https://meet.jobs/jobs/10818?referral_code=widstaipei
4. 資深軟體工程師 70K+TWD month
https://meet.jobs/jobs/10817?referral_code=widstaipei
5. 商務開發總監 70K+TWD month
