自學後半路出家，成為了商業分析師，從被數十家公司拒絕（面試血淚史ＱＱ），到現在有幸能夠在某家外商銀行工作，一路走路相當不易，除了辛苦，也有了新的體會。「商業分析」聽起來很潮，門檻也不像軟體工程師這麼高，加上媒體的推波助瀾，讓數據分析成為報章雜誌上所崇拜的顯學，越來越多人申請 MSBA（包含我ＱＱ）、學習 Python 謀求轉職等等，但商業分析真的適合自己嗎？你想像的分析真的是所謂的分析嗎？以下是我的真實經驗，不同的四家公司的資料分析工作。

缺乏資料整合的製造業

我曾經在電路板公司擔任市場分析師，需要分析公司產品的市場價格、成本合理性、預測客戶需求等等，雖然當初完全不會寫程式語言，但靠著強大的Excel，就能定期產出客戶需求整合的報表、定義指標追蹤產品成本、預測客戶需求。但這個過程並不順遂，仍有許多問題：

  • ERP系統過於老舊，諸多欄位已經沒有使用價值：過去公司可能只有台灣一個工廠，但隨著公司的成長，工廠越來越多，甚至前進中國，如過往外銷，但現在卻以外銷為主，海關商品編碼就成為一個重要欄位，如果類似情況沒有更新或重新規劃，就容易造成計算困難。

  • 資料斷點嚴重，整合困難：過去資料沒有明確規範，個別部門生產的資料皆自主管理，但已經累積了40年，因此超級難以整合與利用，舉例而言，過往要分析產品成本，需要營業處的出貨資料（營收、真實出貨資料）、製造單位的生產資料（包含良率、生產量）、財務單位的成本計算，新進的人員還有到處申請權限，相當複雜、麻煩，只能 by project 製作，效率不高。

工人智慧擋著先的新創

離職後，我開啟了自學之路，也到了一家新創公司擔任營運分析實習生，同樣使用Excel處理每天需要的產出，甚至耗費更多時間，利用人工來彌補系統的不足。即便主管知道也瞭解資料的重要性，並且試著導入 Tableau 這類型的 BI Tool，但在資料的來源、pipeline的建置上更是無能為力，問題如下：

  • 資源不足，包括人力、時間與金錢：在營運處的同仁幾乎都是商管學院畢業的，並沒有編寫程式的背景，因此讓大部分人能夠使用很簡單的工具，處理日常報表相當重要，於是公司導入了 Tableau，但衍生而來的問題就是串接資料來源，缺乏 IT的 協助與資源，還是難以讓報表自動化，每日仍需要耗費相當的人力與工時，實行所謂的工人智慧。

  • 規模化後的工作模式改變：過去規模較小（每月售出產品給 100 個客人），建置系統需要花費大量的時間與金錢，相較而言讓同仁每日手工處理都比較快，但在規模放大後（每月售出產品給 100000 個客人）就相當不一樣的，但過往的工作模式已經定型，需要花費時間溝通、調整、訓練，甚至應該聘用與過去背景不同的員工來進行資料處理。

單兵作戰，博奕公司的 Data Team

Internship結束後，面試了數十家公司都被拒絕，但幸運的是，我還是找到工作，進入一間博奕公司，協助進行財務分析與資料處理，不幸的是，這裡連資料庫都沒有。台灣有相當多博奕公司，即便是中小規模的辦公室設立在台灣，仍舊會有非常多資料分析的需求，同時營運成本低、獲利高，因此相當願意投資在人才、設備上。但缺點仍舊明顯，尤其是公司內部僅有我一人，因此包含資料庫都是我和另外兩位IT共同建置和維護的。

  • 一切都要自己來：因為觀念和工作方法都尚未建立，因此有很大的發會空間，但缺點就是自己不行的話，也沒人可以幫你（甚至要花時間說服同事幫忙），舉例而言，我和 IT 在 GCP 建立 MSSQL DB 作為 Tableau 的資料來源，再來需要撰寫 Python 清理資料、匯入資料庫（當然 Schema 也要自己來！）再來是寫 batch 檔讓程式排程，自動執行，職位名稱是分析，但比較長的時間在進行資料工程。

  • 溝通成本高，難以推動專案：有許多資料不是自動生成的，是由人員手動填寫，但要讓他們寫的報表結構化，需要改變很多作業流程，因為過去沒有資料分析的概念與需求，因此容易引起反彈。

  • 資料品質不佳：過去的資料是為了製作財務報表，不需要逐筆分析，因此容易有疏漏（只要最後數字正確就好），再者，若要從頭收集資料，需要再耗費 3–4 個月收集與驗證，才能進行到分析的階段。

成熟運用資料的金融業

我目前在一家銀行擔任 Business Analyst，雖然才剛入職不久，目前了解的不多，但明顯感受到重視資料、使用資料的氛圍，也因為資料的風險，因此金融業通常投資相當大的成本，建置資料系統，保管資料，同時便於整合資料、圖像化、追蹤成果等等。

金融業對於資料的運用，如：輿情分析、呆帳預測、信用評估等等，但因爲是在台灣的分公司，因此更多資料科學上的應用、建模、預測仍在總部進行，希望未來能有機會加入！

一種分析，百種解讀

普遍上對「分析」的定義，大致上就是利用大數據，從中提煉出所謂的Insight，但實際上工作內容、職位會根據產業、企業有很大的差別。因此在面試的時候可以多多詢問，藉此獲得更多資訊來判斷職務，避免對工作內容上的認定過於理想化。

資料分析的工作鏈相當長，最末端接觸到的資料量最少、商業價值最高，通常是看著報表做決定的老闆，很難有機會直接對整理的 csv 檔案進行分析，經驗上，資料通常需要整理、釐清資料欄位的定義，我常常認為自己是修築下水道（Data pipeline）的工人，80% 以上的時間都在用於資料處理，所以要分析出有價值的黃金，需要先弄髒手來挖礦！