在10/30(三)晚上的YouTube直播 ，我分享了自己的數據分析學習之旅
（我知道大家或許懶得看四十幾分鐘的影片重播XD，所以 … ）
這次整理成文字版本，分享給大家～
從研究所開始數據分析之旅 我的數據分析之旅開始於研究所時期。那時，我在政大念統計所，開始打工幫老師處理一些民意調查、滿意度調查的案子。我的工作包括問卷資料的輸入、問卷資料分析與報告撰寫，這些經驗為我後來的數據分析工作奠定了基礎。
問卷資料記錄形式 最初的工作是從問卷資料的輸入開始，當時的問卷形式包含紙本和電子兩種。紙本問卷需要人工輸入到 Excel 中，電子問卷則是通過系統直接記錄。
問卷資料的記錄方式主要是以表格的形式呈現。每一份問卷的資料都以一橫列（row）的方式記錄，而每個題目則是一直行（column）。單選題、複選題、開放式題目的記錄方式各有不同，這些不同的形式需要在後續的分析中進行特別處理，例如對開放式題目進行編碼和重新分類。
了解資料是怎麼被記錄的？形式是什麼？ 非常重要，這是數據分析的第一步。
問卷資料分析工具＆流程 當時使用的工具就是Excel 跟 SPSS，用這些工具就可以做問卷資料處理。
一拿到問卷Raw Data資料表後，處理步驟如下：
數據清理 Data Cleaning ： 拿到問卷資料後，第一步就是進行數據清理。這包括檢查人工輸入的錯誤、處理遺漏值（missing value）、檢查跳題邏輯的正確性（例如回答特定選項應跳過某些題目）等。此外，對於開放式題目的回答，也需要進行重新分類與編碼，以便後續分析。 報表製作 ： 完成數據清理後，接下來就是報表製作。通常會先製作次數分配表，以了解每個題目的回答比例。此外，我們也會進行交叉分析，例如比較不同年齡層或性別的回答差異。如果這份問卷是每年都有做的調查，就會比較歷年的數據趨勢。這些報表能幫助我們深入了解用戶的行為與偏好。 撰寫報告 ： 在完成報表製作後，最後一步就是撰寫報告。報告中除了數據表格，還會使用適當的圖表來呈現資料，例如圓餅圖、直方圖或折線圖，這樣能夠更直觀地展示數據趨勢和用戶行為，並提供相應的洞察。 市調公司時期 - 接觸更多不同的調查類型 我研究所畢業後，就去市調公司工作。 有機會接觸到各種不同的市場研究項目，這些案子涵蓋了便利商店、藥廠等企業的品牌研究、員工滿意度調查以及廣告效果測試等不同類型的調查。專案類型不同，但使用的工具、分析的流程基本上跟之前大同小異。
線上影音平台時期：使用 GA 追蹤網站/App 資料 在市調公司工作幾年後，我加入了一家線上影音平台，本來是做使用者研究，後來因為產品上線開始有蒐集追蹤數據，就開始學用Google Analytics GA分析網站數據。最初，公司有請 Google 的顧問來設置 GA 的追蹤系統，而後續的維護和更新由我來負責。
這部分的流程跟之前接觸過的不太一樣…
GA 產品指標分析流程 定義追蹤碼規格 ： 首先，每次產品開發的新功能，都要先搞清楚要看哪些指標？要怎麼定義追蹤碼規格？ 當時我們是根據 AARRR 行銷漏斗模型來定義追蹤規格。另外，像是產品部門、行銷部門的KPI不一樣，所以要觀測的指標也會不一樣，這都需要弄清楚。 埋設追蹤碼 ： 定義好追蹤規格後，我會與工程師合作，請前端工程師（包括 Web、iOS、Android）埋設追蹤碼。 驗證追蹤碼 ： 在追蹤碼埋設完成後，我會在測試環境中進行驗證，以確保追蹤碼正確埋設並能夠正確觸發。確認沒有問題後，就會隨著產品功能上線到正式環境。 圖表製作 ： 收集到數據後，就會開始製作圖表進行分析。 GA 平台本身提供了許多即時的數據視覺化工具，可以用來查看各項指標的變化。如果需要更深入的分析，或是將 GA 的數據與其他數據來源結合，我會將數據導出至 Looker Studio 或 Excel，以便進行進一步的整理和分析，並製作更符合需求的報表。這些圖表能幫助團隊和管理層迅速了解新功能的成效，以及用戶的行為趨勢。
多種資料來源的挑戰 除了使用 GA（Google Analytics）的資料之外，我們還有一些產品相關的數據、訂單資料和客戶基本資料，這些資料並沒有全部整合到 GA，而是部分保存在我們自己的資料庫中。
因此，我們面臨的挑戰之一就是 如何將這些不同來源的數據取出來，合併、整理後做成視覺化圖表，放在同一張Dashbaord儀表版中，方便大家觀看？
當時我並沒有使用 R 或 Python 來處理這些資料，剛好我同事推薦了一個叫做 KNIME
結語 數據分析新手建議從Excel開始 看到程式語法會害怕的… ）Excel 是非常好的入門工具 ，能讓你理解資料處理的基本概念，例如篩選、排序、樞紐分析等。這些基礎知識對於未來學習更進階的工具（如 Python 或 R）是非常有幫助的，因為它們的許多功能和分析思維都可以在 Excel 中找到雛形。 分析前的準備工作 在進行數據分析之前，務必要理解分析的目的、結果應用和後續行動，並熟悉產品、了解使用者行為和公司商業模式。這樣才能清楚知道需要撈取哪些表格和欄位，確保分析的準確性和針對性。這樣才不會花了很多時間做表做圖，但卻無法產出有用的資訊。 AI 在數據分析中的角色 隨著 AI 技術的進步，數據分析的方式也在不斷演變。AI 工具能在數據清理、報表製作等方面提供極大的輔助，減少我們在重複性工作上的時間投入。然而，AI 無法替代我們對業務的深刻理解。只有真正了解數據背後的業務邏輯，才能有效地運用數據，發掘出潛在的商機，並做出明智的決策。 最後，要來跟大家說個好消息！
大約在12月，我將推出一個全新的 21天數據分析陪練課程 。每天只需要15-30分鐘，學習一個處理資料的小技巧，連續21天陪你練習，讓你在短時間內掌握數據分析的核心技巧。
為了更好地滿足大家的需求，我設計了一份課前需求調查表，想聽聽你對課程內容的想法和建議！完成調查的朋友，還可以獲得課程的折扣優惠哦！
