隨著數據驅動的決策逐漸成為企業成功的關鍵，資料科學、數據分析正迅速崛起為現代職場中不可或缺的職業。對於那些對數據分析感興趣、並考慮轉職的人來說，資料科學、數據分析領域提供了不同種的發展機會。
本文將帶你深入了解資料科學、數據分析的工作內容、所需技能，以及在這個領域成功的關鍵，幫助你判斷自己是否適合這個充滿挑戰與機會的職業。
資料科學的基本概念
資料科學（Data Science）是一個跨學科領域，結合了統計學、數學、人工智慧、軟體開發及電腦科學等知識，目的是從大量數據分析中提取有價值的洞見，而隨著資料量以指數級速度增長，企業越來越依賴資料分析來提升收益與推動創新。
領域中，資料科學的常見職位包括有資料科學家、資料分析師、資料架構師、機器學習工程師等角色，各自職位在技術、職位目標上有所不同，後續將會再做更完整介紹，以利大家尋找合適自己的確切方向。
資料科學的工作流程
資料科學工作涉及多個方面，包括資料收集、資料前處理、模型訓練及評估和決策應用，其背後需要能夠處理結構化和非結構化數據，使用各種工具和技術來發現數據中的模式和趨勢，並將這些見解轉化為可操作的策略和決策。
- 步驟一｜取得資料，從各種來源（如資料庫、OpenData、API 等）收集數據，並確保數據的品質和完整性。
- 步驟二｜資料前處理，處理缺失值、重複數據和異常值，確保數據的準確性和一致性。
- 步驟三｜模型訓練及評估，構建和評估預測模型，並應用這些模型進行分類、回歸、聚類等任務。
- 步驟四｜決策應用，將分析結果實際應用在商業場景。
資料科學家需要能力
因資料科學的職務眾多，此處需先分享多數職務共同需要具備硬實力，以下是一些關鍵的硬實力：
- 程式技能
目前最主要使用的程式語言為「Python」或「R」，兩個程式語言主要是用以做數據處理和分析，並可透過當中的數據資料庫，如Pandas、NumPy、Scikit-learn、Pytorch 等，來做更近一步的分析。
另外常用的語言是「SQL」，用以查詢和操作資料庫，幫助資料科學家、數據分析師高效從資料庫中提取和處理數據。
- 統計和數學知識
從基礎統計學，理解基本的統計概念和方法，如平均數、中位數、標準差、假設檢驗和回歸分析等，了解基本數據各項指標、計算的意思，及線性代數、微積分、概率論等數學知識，用以支持機器學習算法的理解。
更進階版本的，就是各種機器學習算法，如線性回歸、決策樹、隨機森林、支持向量機、聚類分析和深度學習等。
- 數據處理和分析
主能能力包含分析前的數據清洗，透過處理缺失值、異常值和重複數據，來確保數據的品質，避免分析時「Garbage in – Garbage Out」的問題，接續透過特徵工程，來從數據中提取和創造有用的特徵，以提升模型的性能。
- 數據可視化
資料科學家整理、分析數據後，需要將結果轉換為跨部門也能理解的內容，因此透過數據可視化工具，如使用 Tableau、Power BI、Looker Studio 等工具，將數據分析結果轉化為直觀的圖表和儀表板。
- 雲端技術
熟悉 AWS、GCP 或 Azure 等雲服務平台，來利用雲服務進行數據儲存和計算。
資料科學家重點軟實力
除了掌握資料科學相關的技術和工具外，軟實力也是非常重要的，包含以下的關鍵軟實力，能夠幫助你在這個領域的求職過程中脫穎而出：
- 溝通能力：能夠清晰地向技術和非技術人員傳達信息，確保理解和行動一致。
- 團隊合作能力：與跨部門的團隊成員緊密合作，共同完成專案。
- 問題解決能力：識別、分析和解決複雜問題，找到創新的解決方案。
- 細節導向：注重細節，確保數據準確性和完整性，影響決策和系統可靠性。
- 適應力與靈活性：快速適應新技術和方法，保持競爭力和應變能力。
- 時間管理與專案管理能力：有效管理時間和專案進度，確保按時完成高質量工作。
- 持續學習的心態：保持好奇心，主動學習新知識和技能，應對新挑戰。
- 商業敏感度：理解業務需求，將技術結果轉化為實際商業策略，提高業務價值。
資料科學的求職市場
隨著數據驅動決策的重要性日益增加，企業對資料科學領域人才的需求也在不斷增長。以下是作者認為相對擁有較多資料科學領域相關職缺的產業。
- 科技產業：科技公司通常擁有大量數據需要分析和處理，如網路搜尋、社交媒體、電子商務等。這些公司利用資料科學來改進產品和服務，提升用戶體驗。
- 金融服務：金融機構如銀行、保險公司和投資公司依賴資料科學進行風險管理、詐騙檢測、投資分析和客戶細分等。
- 醫療保健：醫療機構和制藥公司利用資料科學進行疾病預測、個性化治療方案、臨床試驗分析和醫療成效評估。
- 零售與電商：零售公司通過資料科學進行市場分析、庫存管理、個性化推薦系統和客戶行為分析，提升銷售和運營效率。
- 製造業：製造業利用資料科學進行生產流程優化、預測性維護、供應鏈管理和品質控制，提升生產效率和產品質量。
- 電信業：電信公司利用資料科學進行網絡優化、客戶細分、行銷活動分析和客戶流失預測，提升服務質量和客戶滿意度。
- 政府與公共部門：政府機構利用資料科學進行政策制定、公共安全分析、交通管理和資源分配，提升公共服務效率和決策質量。
- 能源：能源公司利用資料科學進行能源生產預測、設備維護、能源消耗分析和可再生能源研究，提升能源利用效率和環境可持續性。
- 物流與運輸：物流和運輸公司利用資料科學進行路徑優化、車隊管理、供應鏈分析和需求預測，提升運輸效率和成本效益。
- 教育：教育機構利用資料科學進行學生表現分析、個性化學習方案設計、課程評估和教育資源分配，提升教學效果和學生成功率。
資料科學的各職缺工作內容與性格
此節將介紹資料科學領域的各項職務的工作內容，以下是作者針對目前就業市場的職缺＆個人經驗去整理的工作內容，請注意此內容僅供參考，實際工作內容可能會因產業、公司、地區、個人經驗與技能等因素而有所不同。以六型人格而言，資料科學工作者的人格特質主要為思考者與組織者，部分工作如果需要發揮影響力，會需要影響者。
資料科學家（Data Scientist）
- 收集、處理和分析大規模資料集
- 建立和評估機器學習模型
- 提供數據驅動的洞見和建議
- 可視化數據以便於理解和展示
- 與業務和技術團隊協作制定數據策略
資料分析師（Data Analyst）
- 收集和清理數據
- 分析數據並提供洞見和報告
- 使用統計工具和技術進行數據分析
- 建立和維護數據儀表板和報表
- 協助業務決策過程
資料架構師（Data Architect）
- 設計和規劃數據庫結構和架構
- 確保數據系統的可擴展性和效率
- 定義數據存取和安全策略
- 與開發和運營團隊合作實施數據解決方案
- 評估和選擇適當的數據管理技術和工具
機器學習工程師（Machine Learning Engineer）
- 設計和開發機器學習模型
- 訓練和優化機器學習算法
- 部署和維護機器學習系統
- 分析模型性能並進行改進
- 與數據科學家和工程師團隊協作
資料工程師（Data Engineer）
- 設計、構建和維護數據管道和ETL流程
- 確保數據的高可用性和一致性
- 優化數據存儲和檢索性能
- 整合來自多個來源的數據
- 實施數據治理和數據質量管理
統計學家（Statistician）
- 設計和執行統計調查和實驗
- 分析和解釋數據
- 開發統計模型和預測算法
- 提供數據驅動的建議和決策支持
- 使用統計軟件工具進行數據分析
商業分析師（Business Analyst）
- 分析業務需求和流程
- 建立和優化業務報告系統
- 提出業務改進建議
- 進行成本效益分析
- 支持業務策略和規劃過程
資料庫管理員（Database Administrator, DBA）
- 安裝、配置和維護數據庫系統
- 確保數據庫的安全性和完整性
- 監控和優化數據庫性能
- 實施數據庫備份和恢復策略
- 管理數據庫用戶和權限
AI工程師（AI Engineer）
- 設計和開發人工智慧算法和模型
- 訓練和部署機器學習模型
- 優化模型性能和準確性
- 開發和維護AI系統和應用
- 跟踪和研究AI技術的最新發展
資料科學的職業發展
資料科學領域的各項職務基本上都可以通過不斷學習和提升自己的技能來平移（例如：資料分析師移動到資料架構師），如果發現對數據不感興趣，也可以跳離數據領域變成軟體工程師。而晉升路線則是可以選擇原本領域持續往上往變成資深的資料工作者（例如：資深數據分析師etc.），或是像作者一樣往資料專案經理也是一種選擇，其他路線則是資料產品經理、甚至是Data Team Lead、高層領導職位。
資料科學的各職缺薪水
薪資水準通常取決於多個因素，包括所在產業、公司、地區、個人經驗與技能等因素。且因為資料科學領域是一個非常新興的領域，且還有一些近幾年才出現的職缺名稱（例如：數據治理工程師、AI提示詞工程師 etc.），因為樣本數非常少，所以作者這邊先以樣本數相對多的職缺：資料分析師、資料工程師、資料科學家來舉例。
薪資參考 (月薪範圍P25~P75，指的是將薪資分成四等份，列出第1、第3四分位數)：
資料分析師
資料工程師
資料科學家
參考來源：
如果你對資料科學這個職位感興趣，或者想要更多了解是否適合轉職到這個領域，歡迎與我聯繫，我會根據你的背景和目標為你提供專業的職涯諮詢。
撰文者：賴俊杉 職涯諮詢師
現任：知名企業集團總部 Data Project Manager
