Grow-002 如何成為數據分析師(How to Become a Data Analyst)
你曾經想過成為 數據分析師 嗎？或是為什麼想成為數據分析師呢？因為喜歡拆解問題的成就感？薪水不錯？還是會寫程式又懂商業感覺很帥？2025 年 5 月，我受 104 人力銀行《活動吧》 邀請，分享新鮮人講座主題〈非你莫數，無據挑戰！數據分析師的日常 × 入職前必備軟硬實力〉。這篇文章是當天講座的精華整理，特別寫給正在考慮轉職、或準備踏入數據領域的你。內容包含：數據分析師的工作日常&面臨挑戰、新鮮人的起薪水平&未來發展性、面對AI世代，如何培養無可取代的優勢、從0到1的職涯準備，新鮮人必備軟硬實力！如果你想用「聽的」，也可以直接收聽講座回放：104 活動吧｜104 新鮮人講座｜非你莫數，無據挑戰！數據分析師的日常 × 入職前必備軟硬實力
數據分析師薪水高嗎？
資料來源：104薪資情報，選擇職務類別「數據分析師/資料分析師」，資料更新時間：2025/12/01。
1. 數據分析師起薪不低，甚至高於一般大學生畢業起薪
從圖表來看：
- 數據分析師 1 年以下的年薪：62.6～86.9 萬
- 數據分析師 1 年以下的月薪：43K～60K
而根據勞動部統計：
- 台灣大學畢業生起薪中位數約 32K～36K
- 即便是熱門科系（管理/商科/資管等）多落在 36K～42K
- 數據分析師新鮮人起薪明顯高於台灣平均大學生起薪 19–43%
- 且工作3年後，就有機會挑戰年薪百萬
2. 工作1~5年是薪資成長最快的時候
- 工作3年後，薪資中位數從72.4萬(1-3年) → 84.7萬(3-5年)，成長12萬，漲幅近17%
- 反映市場對「具有實務經驗的分析人才」需求非常高
3. 工作5年以上薪資成長趨緩
- 工作5年後，薪資中位數從84.7萬(3-5年)→94.1萬(5-10年)，成長9.4萬，漲幅約11%
- 10 年以上：薪資中位數約97.4 萬，成長趨緩
- 若只停留在「資料處理」、「撈資料」、「做報表」層級，薪資會停滯。
- 要突破百萬以上，必須走向資深數據分析師/數據科學 、商業分析師/產品經理 、管理職 等更高複雜度的角色。
4. 市場職缺多集中在 1～3 年經驗
- 企業最需要的是「可以做事又不需要太資深」的 1–3 年人才。
- 10 年以上職缺僅剩 8 個，顯示：
- 資深分析師通常向上轉職（PM、主管、科學家）
- 或轉往其他領域（產品、商業策略、BI、數據顧問）
- 分析師不是一輩子的工作，是跳板。
5. 最需要分析師的兩大產業：科技 & 金融
- 電子資訊/軟體/半導體
- 產品數據、客戶數據、流量數據、AB test、營運分析需求極大
- 大多要求 SQL＋Python＋Dashboard
- 金融投顧/保險業
- 消費者行為分析
- 風險模型
- 信用資料
- 客戶分群與 cross-sell
6. 市場職缺集中在北部：台北市＋新北市
- 金融機構、銀行、保險總公司也多在北部
- 北部公司數據需求旺盛，形成職缺供給最大、薪資水平相對高的市場。
數據分析師的職涯？三大發展路徑
踏入數據分析領域後，不論是做一兩年或五年以上，接下來一定會面臨同樣的問題：「分析師下一步可以做什麼？」其實，數據分析師的職涯方向非常多元，大致可以分成三條主流路線：技術控、策略腦、領導型。每一條路都對應不同的興趣與強項，只要找到你最擅長的那一塊，就有機會成為團隊中不可或缺的人才。
1. 技術控：成為科學家或工程師，往深度技術走
如果你喜歡寫程式、喜歡模型、喜歡讓資料動起來，這條路會非常適合你。
在這條路線上，你會接觸：
- 深入學習 Python、機器學習、深度學習
- 理解資料架構、資料庫、資料工程、ETL Pipeline
- 更關注模型的準確度、演算法的優化、平台的穩定性
未來職涯可以發展為：
- 資料科學家
- 資料工程師
- AI / ML 工程師
這條路的特點是：技術門檻高，但薪資也會隨技術深度快速提高。如果你喜歡「用技術解決問題」，這條線就是你的舞台。
2. 策略腦：用數據驅動決策，成為公司最懂市場的人
如果你對「商業問題」更有興趣，例如：
- 為什麼客戶不買單？
- 我們的營收從哪裡來？
- 市場變化會帶來什麼影響？
- 產品下一步應該往哪走？
那你會非常適合往策略端或產品端發展。
這條路強調：
- 商業敏銳度
- 用數據說故事的能力
- 與 PM、行銷、營運跨部門合作
- 把洞察轉成決策
常見的未來角色包含：
- 商業分析師
- 產品分析師
- 產品經理
這條路是數據分析師中最具「決策影響力」的發展，很多人最後會走向產品或策略職位。
3. 領導型：從做事的人，變成帶方向的人
如果你擅長協調、溝通、規劃資源，對帶團隊與定方向有興趣，那你會更適合往管理職發展。
這條路的重點是：
- 帶人、帶方向
- 協調跨部門資源
- 設定 KPI 與數據策略
- 推動全公司使用資料決策
未來的角色可能是：
- 數據主管、數據團隊 Lead
- 資料長
- 技術長（若結合強技術背景）
這是最能「影響整間公司」的職涯線，也最考驗溝通力與遠見。
數據分析師每天到底在做什麼？五大核心工作拆解
很多人以為數據分析師的工作就是「寫 SQL、做報表、跑模型」，但實際上，從理解問題，到分析，再到提出建議，真正的工作是解決企業問題，也更貼近商業決策。
1. 釐清商業需求：找到真正的問題（難度★★★）
做分析前最重要的不是資料，而是 「問對問題」
分析師需要深入理解：
- 這次的商業問題是什麼？
- 企業想達成什麼目標？
- 哪些 KPI 最關鍵？
只有問題問得夠準，答案才會有效。
常見問題可能是：
- 提升轉換率
- 評估廣告是否帶來成效
- 了解產品介面易用性
這一步是一切的起點，也是最考驗溝通能力、邏輯思考與商業理解的地方。
2. 設計研究方法：選對方式比努力更重要（難度★★★★）
知道問題後，下一步是 「用什麼方法找答案？」
分析師需要判斷：
- 用什麼研究方法？(例如：A/B testing、用戶訪談、問卷調查)
- 選擇目標族群 (例如：哪一個segment? 流失客、忠誠客戶、競品使用者、歐美地區)
- 用什麼工具？(例如：問卷系統、CRM系統、後端數據庫)
如果方法選錯，就算問對問題，也得不出正確洞察。
例如：
- A/B 測試確認哪個版本比較好
- 用戶訪談理解痛點
- 問卷調查了解滿意度
這一步考驗的是研究設計能力，也需要經驗去理解各種方法的優缺點，才能判斷哪一種最適合當下的問題。研究方法本身沒有絕對的對錯，只有「是否合適」。可以向 LLM 模型請教、取得建議，但作為數據分析師，最終的判斷仍然需要由你來做。
3. 數據收集與清理：80% 的時間都花在這（難度★★）
現實世界的資料很亂，所以真正大量時間都花在：
- 撈資料、抓資料
- 整理欄位、補缺值
- 清理錯誤資料
資料來源可能是：
- GA 行為數據
- 用戶資料庫
- 問卷回收結果
- 網路爬蟲資料
資料清整雖然繁瑣，但卻是分析中最關鍵的基礎工作之一，直接影響模型的準確度與後續洞察的可靠性。好消息是，資料清整能力非常容易累積—只要了解資料的結構與特性，就能逐漸掌握清整的流程、技巧與判斷方法。
4. 數據分析與建模：真正的洞察從這裡開始（難度★★★）
資料清好後，就是進入分析核心：
- 趨勢分析、交叉比較
- 數據建模
- 驗證假設
例如：
- 用描述統計了解使用者輪廓
- 用回歸分析找出購買關鍵
- 用顯著性檢定驗證 A/B 測試結果
這一步最考驗分析能力與邏輯推理，是數據分析師真正的專業所在。能不能在龐雜的資料中抓出關鍵訊息，不只需要技術，更需要商業理解，才能看懂數據背後代表的行為與意義。雖然許多人認為建模很困難，但只要學好統計概念、掌握常用模型，再透過不斷練習，就能逐漸建立起自己的分析與建模能力。
5. 報告與建議：把數據變成商業決策（難度★★★★★）
資料分析本身不難，難的是把分析講清楚、講出商業價值。
這一步通常包含：
- 繪製圖表、視覺化
- 梳理洞察
- 提出行動建議（這最重要）
例如：
- 功能優化建議
- 廣告投放調整策略
- 產品設計方向修正
這一步往往最被低估，卻是最能展現影響力的環節。能否把複雜的分析結果轉化成一個清楚的故事，並提出可執行的行動建議，就是數據分析師真正的價值所在。五顆星的難度，是因為面對不同部門、不同層級的主管，要把重點講清楚、講到位，需要長時間的累積與練習。此外，好的行動建議來自對商業邏輯與跨部門運作的深度理解，否則很容易提出天馬行空、或根本無法落地的方向。而這也是許多分析師的盲點—只專注在分析本身，卻無法轉化成真正可行的建議。
從釐清問題 → 設計方法 → 收集資料 → 分析建模 → 建議提案。分析師的每一步都在回答同一件事：「怎麼用數據讓公司做出更好的決策？」這也是為什麼數據分析師會成為企業最重要的角色之一。
數據分析師會被 AI 取代嗎？從五大工作環節看答案
AI 的進步讓許多人開始擔心：「數據分析師會不會很快被取代？」事實上，分析師的工作並不是一條線，而是一個完整的流程。從釐清問題、設計方法、收集資料，到建模分析、提出建議，每一步 AI 的介入能力都不同。當我們逐一拆開來看，你會發現—AI 能取代的是「工具與流程」，但難以取代的是「判斷與決策」。
1. 釐清商業需求 — AI 無法取代（高度依賴人類思考與互動）
AI 可以回答問題，但 AI 不知道問題是什麼。
釐清商業需求需要理解市場、產品與內部流程，也需要與各部門溝通、提問與確認方向。這是高度仰賴「商業敏感度」與「人際互動」的環節。AI 幫不了太多，這一步仍完全依賴人類判斷。
2.設計研究方法 —AI 可提供建議，但無法代替判斷
AI 可以協助你：
- 提出採用哪些研究方法
- 列出可能的樣本族群
- 提供工具使用方式
但最終選擇什麼方法、如何設計研究、如何避免偏誤，仍需要具備經驗的分析師來做決策。AI 可輔助，但研究方法的決策權仍在分析師手上。
3.數據收集與清理 — AI 可大幅協助（程式、清洗、格式處理）
在資料收集與清整上，AI 的確能帶來大量幫助：
- 生成撈資料的程式碼
- 自動清洗欄位
- 去除重複或異常值
- 格式化資料
這些過去需要花大量時間的工作，現在 AI 都能加快速度。AI 是強力助手，但仍需要人確認資料正確性與邏輯。
4.數據分析與建模 — AI 可執行模型，但仍需人類理解結果
AI 能執行：
- 統計分析
- 建立機器學習模型
- 判讀初步結果
但 AI 無法理解企業策略、無法判斷數據是否合理，也無法解釋數據對公司的真正意義。模型做得再漂亮，如果不理解商業背景，也無法做出有價值的結論。AI 能做模型，但不能負責「理解」模型。
5. 報告與行動建議 — AI 無法取代（決策與落地執行需要人類）
AI 可以：
- 協助產出報表
- 協助寫文案
- 幫忙生成圖表
但 AI 無法理解跨部門如何協作、無法判斷建議是否可行、也無法背負決策風險。
最核心的價值—
- 故事怎麼說？
- 哪些洞察值得呈現？
- 這份建議能不能落地？
- 戰略方向要怎麼調整？
這些都只能靠真正理解商業現況的人類分析師來決定。AI 能生成報告，但無法取代「決策與執行」這件事。
6. AI 將取代「不懂商業、只會寫程式」的分析師
AI 會讓工具變快，但不會思考、提問、理解市場，也不會負責決策。
有商業思維、懂得判斷、能把洞察轉成建議的分析師，不但不會被取代，價值反而更高。AI 能替代的是「流程」，真正不可取代的是「思考」。
現在還能成為數據分析師嗎？
答案是—可以，而且機會比你想的還多。
不論你目前在哪個部門，數據都已經成為企業決策的共同語言。
例如：
- 行銷：評估廣告成效、提升轉換率、了解用戶漏斗，決定預算在哪裡最有效。
- 產品：用數據判斷用戶行為、功能使用率，協助優化產品體驗。
- 業務：分析哪些客戶最有價值、常見問題是什麼，提高成交率與服務效率。
- 人資：解析招募流程、員工流動率，幫助組織做更好的人才配置。
- 設計：透過使用者行為數據找痛點，優化介面與設計方向。
- 主管/經營階層：用 KPI、Dashboard 與財報數字做策略決策。
只要你在公司中需要做決策、需要理解用戶、需要改善流程，那你就正在使用數據。數據分析不再是某個部門的專屬技能，而是所有職位都必備的能力。
但也需要認清現實：市場競爭激烈、能力越來越捲
越來越多人正轉職投入數據分析領域，市場競爭自然變得激烈。同時，「只會撈資料的人」也確實正在被工具與 AI 自動化取代。
未來真正有價值的，不是執行工具的人，而是：
- 能理解商業邏輯、提出洞察的人
- 能把數據說成故事的人
- 能提出可落地的行動建議的人
如何培養AI 無法取代你的「軟實力」
當越來越多數據工作被自動化，你真正的競爭力，就不是 SQL 或模型，而是 AI 做不到的「軟實力」。這些能力決定你能不能把數據變成商業價值，也是數據分析師無可取代的核心。
1. 商業理解與洞察力：看懂資料背後的人與市場
能撈數據的人很多，但看懂數據的人很少，能理解「為什麼會發生」的人才是真正有價值的分析師。要提升商業敏感度，你可以：
- 吸收商業與產品案例（如商周、數位時代、業界案例）
- 拆解一款你常用的產品：它的 TA 是誰？商業模式如何？為什麼會讓你買單？
- 練習畫「用戶旅程地圖」，從使用者的角度理解產品流程
這些練習能讓你建立「用戶觀點 + 商業觀點」，是 AI 無法模擬的。
2. 跨部門溝通與說服力：把數據講到別人聽得懂
再好的分析，如果無法讓對方理解或願意採納，就沒有價值。強化談判能力、培養簡報力與說故事能力、提升影響力，你可以：
- 參與跨團隊合作，練習與不同專業背景的人共事
- 試著將複雜的洞察濃縮成簡短有力的簡報，用數據說故事，而不是丟一堆表格
- 建立信任感，嘗試幫助他人，在會議上提出自己的觀點
這種「說服決策者」的能力，是目前 AI 最難取代的部分。
3. 批判性思考與問題解決能力：找到真正的原因，而不是表面現象
AI 可以給你答案，但不會知道「問題在哪裡」。具備批判性思考的分析師，能從多角度拆解問題、找到真正的根因。建議可透過以下方式累積實戰經驗：
- 參加導師計畫、講座（例如：TWDS、曼陀號）
- 參加校內外競賽（如黑客松、資料競賽）
- 做案例分析練習（如：轉換率下降，到底怎麼找原因？）
這些經驗都能強化你的邏輯推理與實作能力。
4. 把資料轉化成可行策略的能力：從洞察到行動是最大價值
數據本身不能做決策，能落地的建議才重要。要培養這個能力，你可以：
- 每次分析問自己：「這個結果能帶來什麼行動？」
- 閱讀商業案例（Airbnb、Netflix 如何用資料優化產品）
- 實際做專案，如問卷分析、網站爬蟲資料整合，最後練習提出具體建議
最終你要能做到：找到問題 → 分析資料 → 提出可行解法，就是企業願意高薪聘請分析師的原因。
5. AI 不能取代思考、理解人性與做決策的人
工具會變、技術會變，但以下三件事不會變：
- 商業需要人來理解
- 問題需要人來定義
- 決策需要人來承擔
所以真正無法被 AI 取代的，是你能否：理解市場、溝通協作、拆解問題、提出策略。
如何持續精進自己的「硬實力」
在 AI 時代，工具會越來越強，但真正能保持競爭力的分析師，都是那些願意持續打磨核心技能的人。這些硬實力是你在職涯中最重要的基礎，也會直接影響你分析的速度、深度與品質。
1. 描述性統計能力：理解數據的基本語言
所有數據分析的根基，都來自於基礎統計概念，包含但不限於：
- 平均數、標準差
- 相關性分析
- 回歸分析
- 顯著性檢定
- A/B test 設計與判讀
掌握這些基礎，你就能看懂資料的脈絡，也能更準確地解讀背後的行為與趨勢。
2. 資料視覺化能力：讓洞察更容易被看見
將複雜表格轉化成視覺圖表是分析師講故事的關鍵，因此分析師至少要：
- 能用 PowerPoint 做出清晰易懂的圖表
- 熟悉至少一套儀表板工具，例如 Power BI / Tableau / Looker Studio
視覺化不只是畫圖，而是「用最少的元素，表達最關鍵的資訊」。
3. 資料處理能力：面對混亂資料時的基本功
現實世界的資料總是不乾淨，因此資料處理是最常見、也最重要的能力之一。
至少需要：
- 熟悉 Excel 的清整與轉換
- 處理缺值、格式問題
- 合併不同資料來源
- 整理成可分析的資料結構
能處理資料的人，才能開始分析資料。
4. 程式語言能力：讓你有效率、也走得更遠
當資料量變大，或需要更彈性的加工方式時，程式能力就非常關鍵。
分析師至少需要：
- 看懂資料庫結構
- 使用 SQL 撈取所需資料
- 使用 Python 處理大量資料、進行分析、自動化流程
程式不是目的，而是讓你在面對更複雜資料時，依然能有效率地完成任務的工具。
你可以怎麼開始成為數據分析師？
新鮮人打造數據分析師履歷的4個關鍵
1. 用「專案」代替「工作經驗」
大多數新鮮人沒有正式職場經驗，但其實你可能有做過很多值得寫進履歷的事情：
- 學校專題、實習、課堂作業、Side project、自學練習的分析作品
- 將這些內容用 STAR 法（情境、任務、行動、成果） 拆解，你就能呈現出：
- 你解決了什麼問題
- 你用了哪些工具（Python / SQL / Tableau 等）
- 你做出了什麼成果
- 強調用了哪些工具(Python/SQL/Tableau)與分析邏輯
- 例如：「分析 Instagram 校園活動貼文的互動數據，透過 Python 與 Excel 整理按讚、留言與貼文時間，找出最佳發文時段並提出內容優化建議，使互動率提升 25%。
2. 客製化投遞，呼應 JD 的關鍵字
客製化履歷會讓你更有機會提高面試率，做法很簡單：
- 尋找你有興趣的職缺，研究JD關鍵字
- 包含任務、技能和人格特質/軟實力都要考慮(溝通、問題解決能力…)
- 把 JD 的關鍵字融入到履歷描述中
- 例如：「擔任系學會社長，領導 12 人團隊舉辦迎新活動，透過定期會議追蹤進度並與廠商協作細節，成功吸引 150 位新生參與，活動滿意度 90%。」
3. 技能欄位明確，工具分類清楚
在 104 履歷上，技能欄位是 HR 最常看的區塊之一，明確呈現語言能力、擅長工具與證照，增加曝光機會與專業形象：例如：
- 語言能力：英文、中文
- 專長：
- 程式：Python、SQL
- 資料視覺化：Power BI、Tableau
- 證照：如 Google Data Analytics Certificate
4. 放上「作品集」，讓 HR 看到你會什麼
作品集是分析師求職的最大加分項。尤其是新鮮人，放上作品集會更有說服力。
- 整理與數據分析有關的專案，用STAR法說明專案內容
- 作品主題越貼近真實商業問題越好
- 將專案或報告連結放上Notion/Github/Medium等平台。
如何累積作品集?
1. 整理過去專案經驗
- 實習？例如：擔任 FB 社群小編，定期追蹤互動率、連結點擊與貼文表現，歸納受眾偏好。
- 學校課程？例如：在「消費者行為研究」課程中，以問卷調查了解學生對外送平台的使用頻率、選擇原因與滿意度，再使用 SPSS 進行交叉分析與相關性檢定，找出影響下單行為的關鍵因素，並提出提升平台體驗與行銷策略的建議。
2. 現在動手做一個
- 選一個你有興趣的主題（比會寫程式更重要！）：關鍵是你想解決什麼問題？用數據能回答什麼？
- 找到資料來源（或自己蒐集資料）：如政府資料開放平台、自己用 Google 表單設計問卷、爬蟲整理 Dcard 熱門文章等。
- 整理資料（資料清理能力才是大功臣）：使用 Excel 或 Python，刪除空值/格式統一/轉換欄位格式/自己設計新欄位
- 分析資料 & 視覺化（根據你提的問題，用圖表來說話）：長條圖/折線圖/相關圖、平均/佔比/趨勢變化、Tableau / Looker Studio / PowerPoint 呈現
- 統整洞察，提出具體結論與建議（要能說「所以我們學到什麼？」）：例如：XX 對特定貼文主題互動率較高，建議增加此類主題
- 放上 Notion/GitHub/Medium/Google Slide 等平台！
別害怕，開始投遞工作吧
許多人卡在「還不夠好、還不能投」，但事實是：我們永遠不會準備到 100%，但可以從 70% 就開始。提早投遞有幾個重要原因：
- 你會知道市場要什麼技能
- 你會了解自己的不足
- 每一次面試都能幫你更接近下一次成功
此外，面試題也會成為你作品集的靈感來源，讓你越準備越有內容。
結語：分析技能會改變你的未來，但勇氣才能讓你開始
別擔心你還不夠懂 Python，還搞不清楚回歸分析，也還沒進大公司實習—我也是這樣開始的。
如果你現在願意花時間學習、問問題、做專案、學工具、整理一份履歷，就已經比很多人更靠近未來。
數據分析這條路，不是比誰會寫程式快，而是看誰能用數據解決真實問題、能把故事講清楚。
這世界會一直需要這樣的人： 懂數字、有邏輯，但也能理解人、溝通價值。
所以別懷疑自己。
不管你是理組還是文組，自學還是科班，願你帶著好奇心和熱情，在數據的世界裡找到自己的位置，走出讓自己的路。
