您的企業要用數據來訓練AI，還是分析預測以獲得商務決策方向？
企業管理者常常面臨同樣的困境：為何公司內部的數據部門和專業人才，無法在更短的時間內產出我期待的數據處理成果？
理解數據分析類型並非單純的技術細節，對領導者來說，它是選擇合適人才的指南。數據分析師(Data Analyst)、商業分析師(Business Analyst)和資料科學家(Data Scientist)各有其專長，能在特定情境中發揮最大效能。同時，分析專業人士藉由識別數據類型，可更精確地滿足業務需求，實現預期成果。
資料分析的六大類型：從探索到預測的全方位解析
一、探索式資料分析 (Exploratory Data Analysis, EDA)
探索式資料分析（EDA）是數據分析的一個重要過程，旨在通過視覺化和統計方法來理解資料集的特徵、模式和關係。EDA的主要目的是幫助分析師在進行更深入的數據建模和分析之前，獲得對數據的初步認識。
舉例而言，企業要找到關鍵指標 (Key Metrics) 來監測和預測企業成長，或是行銷人員想要找出新的銷售模式以及市場溝通方法，都需要先經歷EDA。進行EDA時，可以使用多種軟體工具來輔助分析。常見的工具有R 語言、Python或是像 Power BI 或是 Tableau之類的Dashboard。
二、描述性分析 (Descriptive Analytics)
描述性分析是探索式資料分析的基礎，專注於彙總和解釋歷史數據，以提供對過去事件的清晰概覽。這類分析通常涉及計算各種統計指標，如平均值、標準差、百分位數等，以幫助理解資料的分佈和特徵。
描述性分析的主要目的是回答「發生了什麼？」這一問題。它可以用於多種情境，例如業務績效評估，也可以透過比較不同時間段的數據，企業能夠識別出銷售趨勢或季節性變化。對於產品或市場部門來説，通過分析客戶購買歷史，企業可以洞察消費者偏好，從而調整產品供應和營銷策略。
三、診斷性分析 (Diagnostic Analytics)
診斷性分析進一步探討「為什麼」某個現象會發生。這一階段通常涉及更複雜的技術，如趨勢分析、關聯性分析和對比分析，以揭示不同變數之間的關係。
診斷性分析常用於問題根源識別，例如產品銷售原因下降、行銷投入效度不佳的原因分析、學生學習情況診斷，也常用於行為模式的探索，例如從消費者行為了解他們的購物決策過程。因此，除了使用回歸分析和相關係數等科學工具之外，也會透過實地訪查搜集更多資訊，交叉比對，最終再通過經驗豐富的專業人士提出分析見解。
四、預測性分析 (Predictive Analytics)
預測性分析利用歷史資料和機器學習技術來預測未來的結果。這一類型的分析常常依賴於模型來識別趨勢並做出預測。
預測性分析主要回答「將會發生什麼？」這一問題，其應用包括需求預測和風險管理。在代理合約的談判過程中，如果能有需求預測數據，將能夠成為談判者非常大的助力。常用的技術包含時間序列分析和決策樹 (Decision tree)、隨機森林 (Random Forest) 等機器學習模型。透過增強學習法(Reinforcement Learning)，AI也可以不斷優化預測模型，例如更精準的預測颱風動態。
五、規範性分析 (Prescriptive Analytics)
如果分析的目的是找出最佳行動方案，為下一步找到具體的行動建議，通常會使用規範性分析。這類型的分析通常使用最佳化模型和模擬技術來探索不同策略可能帶來的結果。而分析師或資料科學家將需要根據數據給出具體的建議或方案，例如應該選擇哪種定價策略、接下來應該在哪些市場進行擴展等。進行規範性分析時，常用的工具包括線性規劃 (Linear Programming)，或是利用蒙特卡羅模擬（Monte Carlo method）來評估不確定性的影響。
六、因果分析 (Causal Analysis)
相關性並不等於因果關係，而因果分析旨在回答「某因素是否導致了某結果？」，專注於確立變數之間的因果關係。常用於政策評估或產品改進，例如評估新政策或措施對社會或經濟指標的影響，或是確定產品改進是否有效提升了客戶滿意度或銷售額。常用的方法包括隨機控制試驗（randomized controlled trial，RCT）以及結構方程模型（structural equation model, SEM）。
以上六種為常見的數據分析類型，應用涵蓋了從探索到預測、再到具體行動建議的完整過程。理解各類型分析的目的與方法，企業不僅能更快速有效地處理數據，還能針對性地選擇合適的人才。
數據分析師？商業分析師？資料科學家？
EDA需要具備數據處理、統計學和數據可視化的技能，並熟悉數據清理工具和編程語言，因此比較常由資料科學家或數據工程師(Data Engineer)負責。描述行分析需要能夠理解業務指標和組織運作並以簡單易懂的方式呈現數據，因此由數據分析師 或商業分析師負責較為合適。診斷性分析需要具備較強的統計學和因果推理能力，並需要熟悉機器學習和統計模型，因此常由數據分析師或資料科學家負責。預測行分析會需要精通機器算法，也需要負責人具備強的數學建模能力，因此會有資料科學家、機器學習工程師( Machine Learning Engineer, ML Engineer)。而規範性分析則會找資料科學家或商業分析師負責，因為他需要具備數學優化、決策分析、運籌學背景，熟悉算法和數據建模，能夠根據分析結果提供具體可執行的建議。
雖然以能力、職稱將人才和適合負責的項目分開來，但以實務上而言，經驗豐富的分析師或資料科學家，都具備跨領域的能力。因此領導人在尋找合適的數據人才時，可以綜合考量人才的經驗和能力，以判斷他們是否能在特定分析領域中發揮最高效能。同時，也應根據企業當前的數據需求來分配適當的資源，選擇具備相關分析能力的專業人員。總結來說，數據分析的多層次應用，結合對企業需求的深刻理解和對人才選擇的精準匹配，將有助於公司在競爭激烈的市場中做出迅速而明智的決策，實現數據驅動的成功轉型。
