2024-11-04
375
數據分析已成為當今最熱門的技能之一,不僅是數據分析師,行銷、產品經理、業務等各種職位,工作都無法與數據完全脫鉤。那麼,數據究竟是如何發揮作用的呢?在生成式 AI 崛起的背景下,未來的企業又會如何運用數據來創造價值?
數據分析已成為當今最熱門的技能之一,不僅是數據分析師,行銷、產品經理、業務等各種職位,工作都無法與數據完全脫鉤。那麼,數據究竟是如何發揮作用的呢?在生成式 AI 崛起的背景下,未來的企業又會如何運用數據來創造價值?
作為一名數據分析師,我今天想分享一些企業在實際情境中常見的數據應用案例,並探討未來企業如何透過 SUPA 模式來提升數據的使用潛力。
數據的使用場景:數據分析師們都在做些什麼?
提到數據分析師,很多人會聯想到的是一堆表格、看似複雜的數據圖表、統計模型、演算法等等內容,但數據分析工作的核心概念,我在不少的公開演講中有提到,是「讓企業願意根據數據進行思考與決策,而非透過直覺。」
舉例來說,當老闆發現公司最近營運績效不佳、業績下滑時,往往希望找出問題的根本原因。此時我們可以將問題進行拆解,例如「最近營運績效不好」的「最近」是跟什麼時間相比?「營運績效」是指哪一個 KPI 呢?「不好」又是多不好?減少5%就算「不好」嗎?還是要減少至20%我們才稱之為「不好」呢?
透過將籠統的商業問題進行拆解,我們可以歸類出一個個細項,這些細項都可以找到相對應的數據來驗證。如此一來就可以幫助提出問題的人用數據進行思考,找到真正的問題對症下藥,而不是僅透過常理或直覺。
以下介紹幾種數據分析師常見的專案類型:
專案類型一:自動化數據儀表板
這類型的專案主要目的是建立數據追蹤系統,讓相關部門可以掌握關鍵指標,進而能根據數據做出商業決策。自動化數據儀表板能夠簡化日常報告製作流程,減少手動整理數據的時間,並確保數據的一致性與及時性。
數據分析師在設計儀表板時,除了 Looker Studio、Power BI 等工具的使用,因為這些儀表板通常會根據企業的 KPI 和需求來設計,例如銷售數據、網站流量到客戶行為分析等,數據分析師也必須花許多時間與各個需求部門進行開會溝通,確保儀表板在必要時候能提供即時洞察,輔助更快速的商業決策。
專案類型二:深度數據分析報告
這類專案通常以深入理解特定問題或現象為目標,並提供具體的策略建議。針對具體的商業問題,例如影響客戶流失率的因素、某些類型產品的銷售趨勢、特性消費檔期或節慶的策略,數據分析師會運用多種數據來源進行分析,並將結果整理成圖表與文字,讓讀者理解原因、趨勢和潛在影響。
例如我過去在媒體業工作時,經常會被問的問題是「父親節檔期快到了,該怎麼借助檔期熱度設定行銷預算?」、「雙11快到了,今年的熱度還能夠達到去年水準嗎?哪一些商品品類最有發展的潛力?」等等,因此每當這些檔期到來前,我們都會搜集各個來源相關數據,彙整成一份份的數據洞察報告,提供給有需要的業務單位做策略參考。
專案類型三:統計與機器學習模型
這類型專案也常被稱為「進階數據分析專案」,聚焦於運用統計方法與機器學習技術來預測或分析特定事件,找出隱藏在數據中、平時難以輕易察覺的洞察。例如某些企業會根據大量歷史數據,透過模型預測未來銷售額、客戶的流失風險,或是使用分類模型來辨別高潛力客戶。
我自己的經驗中,使用這類進階分析方法的頻率也不少。例如,以前客戶經常會詢問我們「該怎麼配置廣告預算呢?該投放 A 媒體多一點,還是 B 媒體多一點?」我們就曾經透過某一種特殊的統計模型方法,運用客戶過往的廣告投放數據,預測在哪一種預算配置下,能幫助客戶達到最好的廣告總收益。
數據分析的挑戰:數據有了,卻未必能驅動策略
然而,即便擁有了數據和分析方法,也不代每次都表能夠有效落地、協助做出正確的決策。以我上一段分享的幾個專案為例,就算做了很多儀表板和數據分析報告,也不見得大家會願意使用;就算設計了高級的統計模型和演算法,業務單位不見得能理解當中的原理,甚至有時還會被質疑模型是「黑盒子」進而不信任數據分析的結果。
我在上一篇文章「數據驅動不再只是空談:未來的企業這樣轉型!」中有提到,很多的企業喜歡打著 Data Driven 的名號,想要推行各式各樣的數據應用方法,可實際上卻只是空有數據,卻無法進行有效的運用。背後的原因很複雜,有可能是因為缺乏合適的技術與人才,也可能是公司本身的文化就跟數據驅動相背離。但除了這些之外,我認為還有一個更加關鍵、卻也更難被解決的原因,那就是「數據對很多企業來說,只是輔助的角色」。
但是!隨著生成式 AI 的問世,這樣的難題有可能被解決。我最近看了鼎新電腦的「數智驅動未來企業白皮書」並參加了「數智未來峰會」之後,獲得了一些啟發。當中最重要的,是談到了「SUPA」的未來數據使用方式。
未來的數據使用方式:什麼是SUPA?
我在上一篇文章「數據驅動不再只是空談:未來的企業這樣轉型!」中也有簡單提到,鼎新電腦推出了一款名叫 METIS 的 PaaS 服務,就運用了 SUPA(Sensing 感知、Understanding 理解、Planning 規劃、Acting 行動)的原理,嘗試了一種全新的數據使用模式,讓數據能夠主動為企業提供正確的行動方向。
這種數據使用模式,很可能為數據分析師的工作帶來巨大的變革,因此今天想具體跟大家分享一下,這種 SUPA 模式究竟是如何運行的:
Sensing 感知
Sensing 的核心概念在於「保持敏銳」。想像你在逛街時,會不斷注意四周的環境變化,例如看到特殊的商品陳列、促銷折扣訊息,甚至周圍的顧客反應。對企業來說, Sensing就是不斷收集內部與外部的數據,為後續分析打好基礎,比如銷售數據、客戶反饋,或是機器設備的運作情形、原物料的供應等等,以便掌握當前企業營運的動態。
Understanding 理解
Understanding 是將 Sensing 收集到的資訊進一步「轉化為意義」。想像自己今天拿到很多的數據,但它們如同一堆零散的拼圖碎片,Understanding 就是找出這些碎片之間的關聯,拼湊出完整畫面的過程。對於企業而言,是將不同部門、產線、客戶數據等連結起來,看清它們之間的關係與影響。例如,理解供應商的交貨時間表與生產時間的關聯,判斷哪些供應商交貨穩定、哪些原物料需要提早訂購,從而更準確地進行生產規劃和庫存管理。
Planning 規劃
Planning 是基於 Understanding 的成果制定解決方案。就像規劃一場登山活動,我們需要考慮路線的選擇、預備物資、安排行程,才能確保順利登頂。同樣地,企業根據數據中的洞察進行具體規劃,制訂達成目標的步驟和行動方案。這個階段包含資源分配、時間安排、與相關部門的協同計畫,讓所有人都清楚接下來該做什麼。
Acting 行動
Acting 是把計劃付諸實踐,並確保各單位在適當時機完成各自的任務。例如,採購部負責通知供應商按新計劃交貨,生產部門按照排程啟動製程。若在行動過程中系統偵測到供應鏈異常,系統自動通知負責人員進行調整,快速啟動備選供應商,以確保生產不中斷並達到最終的交貨目標。
SUPA與生成式AI:數據分析師的觀點
去年生成式 AI 剛問世的時候,我對於數據分析工作受到的影響其實沒有太具體的想像,但當我讀到 SUPA 這樣的概念之後,便開始體會到數據在生活中無處不在的影響力。
在我的工作經驗中,有時會感覺數據只是報表上的數字,不一定會落實成為現實中的決策,但SUPA 概念給我的啟發,是提醒了我數據真正的價值,也許在於「感測」身邊的細微變化,並在「理解」之後找到它們的連結。數據分析的目的,不僅是要我們「被動地接受」,而是能夠主動思考、判斷,進而行動。
SUPA 作為數智驅動的核心基礎,將數據的收集與生成式 AI 能力相結合,讓企業能自動化完成 S(感知)和 U(理解)的動態感知與智能洞察; P(規劃)和 A(行動)階段,企業則能夠基於這些洞察制定效率更高的行動計劃,確保不同部門和人員在適當時機執行相關任務。SUPA 的運行模式不僅提升了決策的速度和精確性,更幫助企業敏捷適應環境變化,使數據真正成為驅動業務成長的利器。
除了企業運行之外,SUPA的概念同樣適合提醒我們個人面對生活中的挑戰時的態度。例如要時刻保持敏銳的觀察力,理解變化的背後意涵,做好計劃,然後不猶豫地執行。或許,這正是我們在不確定的世界中,能找到穩定而有效前行的關鍵。
如果喜歡我的文章,歡迎「註冊就享知平台」,並「訂閱我」喔!
安迪的知識學院
36 Followers
安迪的知識學院
36 Followers
我們使用本身的Cookie和第三方的Cookie進行分析,並根據您的瀏覽習慣和個人資料向您展示與您的偏好相關的廣告。如欲瞭解更多資訊,您可以查閱我們的隱私權政策。