本期我們Skyline國際機會平台邀請到了現任Pinkoi擔任Product Analytics Lead的Lany!!在資料領域擁有十年經歷的她，來為我們分享她與資料之間的點滴，從中帶給讀者一些職涯啟示！
數據背後的故事：Lany 如何踏上資料分析之旅
Lany 就讀政大資訊管理系，這個學系隸屬商學院，除了學習程式技能，也涵蓋許多商學和管理知識，給 Lany 在思考職涯時許多選擇空間。趁著求學期間，她嘗試了各種不同的職位實習，例如軟體開發或擔任顧問角色，後來逐漸透過刪去法，了解自己對寫系統和程式並沒有太大的熱情。
但這些嘗試沒有白費，透過進入企業觀察跨部門的日常，Lany 發現自己對決策過程充滿好奇，她很想知道這些決策背後的原因，這一部分與 Lany 本身個性有關，對於喜歡問「為什麼」的她來說，資料分析正好給了一個機會，能夠自主去探索和回答這些「為什麼」。
在分析資料的過程中，她發現自己可以透過資料來挖掘答案，理解趨勢背後的原因，甚至發現一些別人未曾注意到的細節，這是讓她深深投入資料分析領域的主要原因。
另一方面，當她剛進入任何一家公司時，對公司的領域（domain）還不太熟悉，但 Lany 發現資料設計和儲存方式隱含了許多商業邏輯，站在分析角色反而能更主動式地綜觀營運模式，再加上分析的技能，便能快速理解公司的重點和策略，這對她在進入職場初期的成長有很大的幫助。
在資料分析中實務與學歷哪個比較重要？？
在擔任招募主管幾年後，Lany 認為在資料分析領域，學歷並不是最重要的，因為這是一份非常依賴經驗的工作，學業中訓練出來的制式化回答問題的能力在資料分析並不管用。每個公司面臨的問題不同，對同個問題的解讀資料方式就會不一樣，並不存在所謂的成功方程式。
如果在學期間能累積一些實際操作資料的經驗，會非常加分。這意味著你已經了解資料的複雜程度，並具備了心理建設，在處理實際公司資料之前，你已經知道大致的資料流程、資料可能的缺漏情境、哪些資料格式需要轉換、資料存儲的不同階段以及用意等等，可能會面臨的問題。
除了了解資料的原始和加工後的樣貌，也會基於這些資料，發展分析和應用場景，當你開始分析公司的問題時，透過參與不同公司的分析團隊，也能大略理解現行常用的資料工具有哪些，甚至更熟悉公司內不同團隊常提出的資料問題。因此，Lany 認為，如果有機會，應該為自己創造接觸真實資料的機會。對她而言，這比學歷重要得多。
而對於想就讀研究所的朋友們，可以先思考：「你想在研究所累積什麼？」如果你專注於研究一個方法或理論，你可以找擅長特定領域理論和研究的指導教授；但如果你更在乎理論如何被特定領域應用，你應該尋找有沒有該領域的教授能讓你在碩士中深耕。因此，思考為什麼讀研究所是重要的事情。
對 Lany 來說，她讀研究所是因為覺得大學學得廣但淺，每個知識只是知道一個小片段，所以想更深入地專注於一個範圍內完成一個題目。此外，Lany 在選擇指導老師時，選擇了應用導向的老師。比起研究一個演算法或找出更好的演算法，她更想知道這些方法如何在企業中應用。這也呼應了 Lany之前提到的，多了解資料與企業之間的關聯，是她想通過研究所幫自己累積經驗的一種方式。
原來資料分析師光是會挖掘和整理資料是不夠的，還要有這些能力！！
如果想從事資料分析相關的工作，Lany認為一定要對操作資料非常熟練，這不僅僅針對資料分析師。現在資料相關的職缺分工越來越細緻，在她剛進入職場的時候，資料職位並沒有那麼多細分，而隨著職位定義變得越來越精細，很多人會不小心把資料工程師和資料分析師這些角色分得很開，但其實在實際工作中，分析資料時免不了要處理資料，因此還是會跨足到一些資料工程的技能。儘管這些技能不一定要非常專精，但從資料的出發點來看，有些技能在職能之間是相互關聯的。
在資料領域，SQL 是一個非常基礎且通用的技能，是所有資料職能都應該具備的技術。他能方便跨職能溝通，甚至在一些一些公司中的專案經理（PM）也會使用 SQL，應該將它視為一個基本功。此外，熟練至少一種編程語言的能力也很重要，現在大部分人可能會使用 Python，有些人可能寫 R，不管是哪一種，只要操作起來順手就好。
擁有技術只是分析師的基本門檻，要成為成功的資料分析師，光是會挖掘和整理資料是不夠的，邏輯思維和溝通能力非常重要。資料分析的價值在於如何將結果傳達出去，落實在企業決策中，邏輯思維和溝通能力便是能否產生價值的關鍵。
要做到這一點，首先邏輯思維對應到：分析師要釐清問題的本質，有時候表面上的問題並不是問題的核心，而是背後有更深層的原因，因此在進行分析之前，確保你真正理解要解決的問題是什麼，這是合作中必須達成的第一步。
當你將資料分析結果挖掘出來後，能否有效地溝通，將資料發現傳達給團隊，使他們明白接下來任務的優先序，以及促使團隊作出有共識的決策，因此溝通也是必須具備的能力。當這些軟實力一起發揮，分析師才算真正將資料價值彰顯在組織中。
另外一個思考溝通能力的視角，在於選擇合適的分析方法，有時候理解和傳達的清晰度比模型精準度更重要。Lany 作為資料分析師，她的角色更多是分析資料而非迭代模型，因此她的溝通對象主要是人。在選擇研究方法時，Lany 需要考慮能否清晰地傳達模型中的學習和分析結果，而不是優先追求技術上最先進、最多人關注的新模型。舉例來說，使用機器學習的方法來進行分析，會在解釋過程中遇到困難，所以她可能會選擇一個相對簡單但更易於解釋，但犧牲一些精準度的方法。
因此，熟悉多樣的分析方法並能靈活應用與解釋，是資料分析師應該具備的能力，它能為自己的溝通能力加分。Lany表示：「有時候不執著一個厲害的模型，而是容易讓大家聽得懂，很重要！」這除了確保大家都能聽懂每次分析師傳達的重點，長期下來，也默默累積了分析師這個腳色在企業中的可信賴程度，彼此養成更緊密的合作。
從電商到串流平台，Lany 如何從中調整資料分析策略 Part1
Lany 跨足電商、串流平台與零售產業間，由於接觸到產品都與人的生活有關，這使得她輾轉於不同產業間要面對的差異並不大；以分析工作來說，關注的都是產品與人之間的關係。因此對她而言，工作上的差異並不來自於產業，而是來自於公司本身的文化、產品所在的生命週期階段，以及公司對資料參與決策的成熟度。
- 公司文化：保守的公司文化相對開放的文化要採納更多過去的經驗，而強調創新開放的公司會積極嘗試不同市場新知，對資料分析師的工作，分別有不同的挑戰。
- 產品生命週期：不同產品的生命週期也會帶來工作方法和分析方法的差異。對於一個尚未發表的新產品，與一個已經成熟且上線多年的產品，需要的是完全不同的資料視角，甚至是分析技能。
- 舉例：當公司的產品生命週期處於早期階段，資料尚不充足的情況下擔任資料分析師，面臨的挑戰是如何在有限的資料下，外加外部資料來提供有效的分析。
- Mozilla 案例：Lany 從 Mozilla 獲得非常難得的經驗，由於新產品內部資料並不豐富，她需要訓練自己去研究外部市場資料的能力。在視野上，這與過去的經驗有很大的不同。過去，Lany 可以輕易地獲取所需資料，而現在，需要在沒有資料的情況下回答問題，這拓展了她在資料領域的視野。
Lany ：「要從自己的產品概念開始，再放大一點去看市場上的資料，並且跟著團隊一起思考尚不存在的產品，驗證市場定位和使用者需求，以及如何進入市場的規劃。是個非常好玩的過程！」
- 資料參與決策的成熟度：公司對於資料參與決策的熟悉程度也會帶來不同的挑戰。有些公司剛剛引入資料來輔助決策，而有些公司已經使用資料很久了。當一個團隊對資料的認識不深時，資料分析師需要花更多心力來導入資料思維，這是一個文化上的轉變，也是一個特別具挑戰性的情況。
- 舉例：當公司的產品剛開始引進資料參與決策，不同團隊或是管理層級會對資料有不同想像和期待，分析師的挑戰在於，如何讓大家理解現有資料能發揮的價值、可解讀的範圍及其有限性。
Lany 在思考職涯進程時，覺得隨著資料經驗的累積，慢慢熟悉各種資料需求情境之後，可以進到資料剛開始參與決策的環境，挑戰具有開創性質的工作，這會是多個面向軟技能的積累。因為當已經熟悉如何做分析後，便能在不同公司的成熟度下，自如的運用這些技能。
從電商到串流平台，Lany 如何從中調整資料分析策略 Part2
在學校期間，Lany 認為自己的分析技能並未得到充分訓練，課程內容偏向簡單的單點解題，缺乏針對產品思維的分析訓練。因此，她透過不同工作的選擇，來鍛鍊當時缺乏的技能。
Lany 的資料旅程從統一開始，因為那裡的資料豐富且產品多樣，可以從這裡開始鍛鍊分析技能，她在統一會了如何撰寫 SQL、設計資料儲存方式，以及使用 R 語言進行資料分析和視覺化圖表。這是她真正開始訓練資料操作能力的地方。而到了 Nielsen，Lany 選擇加入偏研究型的部門，這裡的工作重點不在客戶管理，而是在分析方法層面的研究。這段經驗讓她能夠順暢應用之前學到的技能，並進一步加強分析方法面上的能力。後來進入 KKBox 就職，當時其推薦部門非常強大， Lany 對加入這個團隊抱有很高的期望，希望能從中了解當使用演算法時的真實場景，這是她之前在其他地方無法獲得的經驗。
通過這些經歷，Lany 逐漸養成了自身的資料分析技能，並且能夠更深刻地應用所學的知識。
Lany 在東南亞市場的產品分析思維轉折
Lany 在 Mozilla 曾接觸東南亞地區的瀏覽器產品。然而，由於東南亞使用者並不是熟悉的市場，對當地用戶的需求和行為模式不了解，在解讀數據的時候常出現難以理解的行為樣貌，也常對背後的需求動機缺乏想像。
有次機會，她飛到當地跟隨 User Researcher 的訪談任務，這讓她親身體會到當地用戶的生活條件及行為模式。例如，當地的網絡基礎設施不穩定，用戶經常需要在有網路的時候截圖，來閱讀網頁內容，或者由於手機規格較低，他們會頻繁清理手機內存。這些行為在數據中都有顯現，但在她真正了解當地的生活情況後，才明白其背後的需求，也在這時候才理解自己看到的數據代表的意義。
這樣的實地調研讓 Lany 深刻認識到，Mozilla 瀏覽器與其他主流瀏覽器的區別，在於能夠更好地服務於這些用戶的生活場景，因此，團隊主力能夠更專注於精簡輕量的瀏覽器，而不是五花八門的功能。這樣的產品設計，既能夠為用戶提供真實的價值，也能讓當初的產品在市場上占有一席之地。
這個經歷讓 Lany 意識到，回到產品本身，了解產品想提供的價值，和用戶真正體驗到的價值，這兩者的一致性是非常重要的。數據在這個過程中起到了關鍵的作用，因為它能夠量化這些用戶的需求，並且為產品開發提供清楚的指引。這個過程也讓產品經理和團隊能夠更清楚地了解他們正在溝通的對象，以及產品開發的方向是否與用戶需求相符。
這次經歷成為了 Lany 職業生涯中的一個重要轉折點，也影響了她後來挑選產品和公司的標準。Lany 開始更加重視公司是否關注用戶體驗，以及是否有渠道收集用戶的想法、心聲和反饋，這些都成為了她考慮加入公司的重要因素。
回歸產品使用體驗，從資料挖掘問題的根本
隨著 Lany 的分析技能逐漸成熟，開始面對公司常常遇到的一個問題：「資料能如何幫助我們達到目標？」這是每個公司都想知道的答案。
在解決這個問題時，通常會有兩種思路：
- 直接從目標回推：許多公司會選擇辦更多活動、加大宣傳力度，或者做更多嘗試來達成目標。
- 回歸使用者需求：Lany 個人偏好回頭看看使用者在告訴我們什麼、哪些是我們尚未嘗試但使用者需要的，這些資訊往往藏在以往不斷收集的資料裡。透過分析過去的資料，能更肯定策略和機會點，而不是依賴於增加新的手段。
Lany 覺得很多時候團隊會期望分析師找到一個關鍵數字來幫公司找到成功策略，但往往這個神奇數字不存在，這並不是她熟悉的解題方式。
當企業想著要增加更多嘗試時，可能會偏離產品原本想要傳遞的價值，以及使用者喜愛這個產品的原因。這就是為什麼 Lany 非常重視與產品團隊討論的問題：「我們隨著時間，不變的核心是什麼？現在使用者體驗如何？還有什麼進步的空間？」她認為我們應該回到產品本身和市場需求，先確認產品核心價值穩固，此時資料分析才能幫助公司團隊回答問題的根本。這也是她喜歡回到產品本身的原因。
Lany：「以數字為目標太容易了，比如說，我們達到了一萬名使用者，下個階段可能會設定三倍的成長目標，但這個三倍是怎麼來的？我們能不斷喊出下一個數字，但沒有理解為什麼、以及怎麼樣才能實現這個成長。」
資料世界的挑戰-在變動中尋找生存之道
Lany 覺得這個領域的挑戰就在於其一直在快速變化。從她剛出社會時看到的職缺「研究員」開始，到現在各式各樣的資料職缺名稱，變動非常迅速。演算法的進步、計算能力的提升，已經讓許多事情變得可能，而且這種快速的變化可以預見會繼續下去。
因此，變化本身就是這個職位的特質，而挑戰在於如何在這種快速變化的環境中生存下去。Lany 認為保持開放的心態來面對這些變化非常重要，不要被每一個新技術拉走，而是要了解它們的發展，並思考這些新技術是否能夠應用到當前工作中。
面對新技術時，不必馬上投身於每一個新的技術專研裡，反而是回到自己的工作定位上，思考這些新技術相對舊方法的優劣勢，能否為公司提供額外的價值。穩定自己的心態，清楚自己在公司中的位置和需要傳遞的價值，這樣就不會被不斷出現的新技術追趕或感到焦慮。
此外，也不要受限於目前的職位或工作範圍。例如，作為分析師，同時學習一些資料工程或產品管理的技能，這樣可以增加彈性、更容易完成工作或跨領域合作，提升自己提供價值的能力。因此，打破現有職位定義的束縛，基於自己在公司內的定位，持續學習和拓展技能範圍，是非常重要的。
面試不只追求答案的正確性！Lany 強調思考脈絡重於答案
在面試時，如果對方很急著給出答案，Lany會很好奇他為什麼會有這樣的反應。對她來說，與其說最終的答案有多重要，更重視的是面試者在得出答案的過程中，發現了什麼，以及他的思考脈絡。這個過程比最終答案更為重要。當你能清楚地描述你的思考過程，甚至適時的與主考官確認想法在團隊中的可行性，大家才能理解為什麼這個答案如此重要。這也是一種表現溝通與合作能力的方式。
此外，當有人急於給出答案時，是否有確認過問題的本質也很重要。舉例來說，當一位同事急著要求你幫忙撈取某些資料時，你是否會追問這個需求背後的原因？單純撈資料很容易，但了解為什麼需要這個資料，以及這個資料是否真的能解決問題，才是分析師價值的關鍵。
作為一名分析師，能夠找到值得解決的問題並給出正確的協助，這些能力非常重要。因此，不必馬上跳進答案的「正確性」，反而要關注的是正在處理什麼問題。
與AI共舞-Lany 談如何保持靈活心態與資料價值
最近，隨著AI技術的快速發展，許多人開始擔心自己的職位會被取代。然而，Lany 認為保持開放和不斷學習的心態是應對這種變化的關鍵。變動是常態，無論有沒有 AI 的出現。因此，如何在這樣的環境中保持靈活、開放的心態是非常重要的！
不要讓自己被某一項技能所限制。例如，現在可能擅長 Coding，但這並不意味著在未來的十年裡，這項技能依然會是優勢。因此，不應該用單一技能來定義自己，而是找到自己的優勢，把技能視為擴充自己機會廣度的好牌，開放的去累積技能來提高自己的價值。
在公司裡，價值不僅僅體現在技術能力上，還體現在如何發揮數據的價值。這不只涉及到是否會 Coding，更重要的是能否與不同的團隊合作、是否具備良好的溝通能力、有效地傳遞數據所代表的資訊、甚至帶領團隊引發更多創新靈感。這些都構成一位分析角色的立體面貌，缺一不可。當我們越能鮮明的活出自己的腳色，AI 會成為技能樹上的加分項，並且也不輕易自己容易被取而代之。
Skyline很榮幸地邀請到Lany來與大家分享啦！
立馬報名 9/12 (四) 19:00 – 21:30
「洞析資料驅動的產品思維：跨足零售、串流、電商的資料旅程—– Product Analytics Lead Lany」的講座吧！
報名連結：https://www.accupass.com/event/2407310426281857248967
