數據分析是什麼？基本流程與方法對照

數據分析（Data Analytics）指運用統計等工具，對大量而繁雜的資料進行蒐集、整理與分析，把數字背後的問題以可理解的方式呈現；從問題走到結論的路徑是確認分析目的、蒐集資料、處理資料、儲存資料、分析資料，最後把結果用回決策，方法則依目的從對比、結構、交叉、漏斗、分組、平均、綜合評價、杜邦與矩陣關聯中挑選。各家說明的步驟切法與方法清單長度不同，差異處在對應段落直接標明出處。

一個典型情境是某個數字連續兩期往下走，接著要決定先補資料、先換方法，還是先調整策略。同一份數字能支撐的判斷其實有層級：描述現況、找出關聯、驗證假設，各自需要不同的資料與方法。把問題、資料、分析、結論四段先分開，再決定每一步用哪種方法，日後複查才有欄位可以對。

數據分析定義：能回答什麼、不能回答什麼

亞利桑那州立大學（ASU）的中文頁面把數據分析（Data Analytics）定義為運用統計學等各種分析工具，對大量又繁雜的資料進行蒐集、整理與分析，讓資料背後隱藏的問題以清楚易懂的方式呈現，並提供相應的處理方向；MBA 智庫百科的定義則寫成「為提取有用資訊、形成結論而對資料加以詳細研究和概括總結的過程」。兩個說法的重心不同，前者強調把問題呈現出來並指出處理方向，後者強調從資料中提取資訊、形成結論，在一般商業與統計情境下可以並用。

描述性、探索性、驗證性三種類型

ASU 的中文頁面把數據分析方法分成描述性、探索性與驗證性三類。描述性分析屬初級，重點是把資料轉成容易理解的統計摘要，常見作法有對比、平均、結構、分組與交叉分析，用來了解資料的特徵與分布情況；驗證性分析以統計推論或假設檢定為主，回歸分析、變異數分析與假設檢定都落在這一類，確認資料之間的關係是否具顯著性。

探索性資料分析（EDA）在美國 NIST 與 SEMATECH 的統計工程手冊裡是另一種作法：資料蒐集之後不先套用模型，以直方圖、箱形圖等圖形技術為主，讓資料自己顯示結構，從中找出重要變數、抓出離群值與異常，並檢查後續分析的前提假設，主成分分析與相關分析常在這個階段使用。手冊把兩種順序寫得很清楚，古典（驗證性）分析走「問題、資料、模型、分析、結論」，探索性分析走「問題、資料、分析、模型、結論」，實務上分析的人會混用兩種元素，探索階段用來看出資料結構與可能的模型，模型與假設是否成立再交給驗證性的檢定。

能回答的範圍因此有明確邊界。描述性分析說的是資料長什麼樣子、有沒有分布上的差異；假設成不成立要交給驗證性分析，把描述性結果當成假設已被驗證，是越界的推論。另一條界線在資料本身，來源不正確或不完整時，後面的方法再細也補不回來。判斷一份分析能不能回答問題，先看它有沒有寫出分析對象、時間範圍與樣本，這三項缺一，結論就無法複查。

數據分析六步驟：從問題到結論怎麼走

數據分析的流程通常從確認分析目的開始，接著蒐集資料、處理資料、儲存資料、分析資料，最後把結果利用出去；帆軟 FineReport 的教學頁則排成明確分析目的和思路、資料收集、資料處理、資料分析、數據展現、報告撰寫，並把處理階段細分為資料清洗、轉化、提取與計算。兩版前四步大致重疊，差別在 ASU 的中文頁面把儲存獨立成一步，FineReport 把展現與報告撰寫拆成兩步，所以看到「六步」不必先假設那是完全相同的六件事。

目的與資料：把問題寫成可以驗證的句子

確認目的排在第一步，因為它決定後面要蒐集什麼、用哪種方法、結果怎麼呈現。目的模糊的典型症狀是資源花在錯的方向上，蒐集來的資料最後用不上。ASU 的中文頁面建議把「希望業績變好」改成帶數字的句子，例如提高本季線上訂單量 15%，並把分析目標與假設記錄下來，方便後續驗證。

資料來源分三類：公司系統、CRM、ERP 與網站流量紀錄等內部資料，公開統計與第三方資料庫等外部資料，以及依分析目的設計的調查問卷；帆軟 FineReport 的教學頁另外列出資料庫、公開出版物、網際網路與市場調查四種取得方式。不論走哪一條，都要確認來源合法性與隱私規範，並檢查完整性、準確性與時效性，問卷類的資料要蒐集足夠樣本數，樣本不足會直接壓低可信度。

使用政府開放資料要另外看授權條件。台灣政府資料開放平臺採用的「政府資料開放授權條款第 1 版」，允許使用者不限目的、時間及地域、非專屬、不可撤回、免授權金利用，不必再向提供機關個別申請授權；條件是利用時必須依附件的顯名聲明標示原資料提供機關，未盡顯名標示義務者視為自始未取得授權，授權範圍也不包括專利權與商標權。影響寫在報表欄位上：用政府公開資料跑出來的分析，要把提供機關、年份與資料名稱版本一起交出，這幾欄日後複查口徑時同樣用得到。

處理到利用：資料整理完才進分析

原始資料通常帶著錯誤、缺失、異常值、重複紀錄與格式不一致，處理階段做的是清理、轉換與標準化，再把不同來源整合成一份可用的資料庫。缺失值的填補方式要說得通，用平均值補齊或直接排除無法使用的資料列都可以，隨意填補會讓後面的分析失真，處理過程也要留備份。

儲存這一步容易被略過，卻決定後續能不能複查。ASU 的中文頁面建議依資料量與自身需求選擇資料庫、雲端儲存或內部伺服器，設定存取權限，並建立清楚目錄與定期備份，避免重複命名與資料遺失。

分析是六步裡最花時間的一段。依最初的目的選統計工具、機器學習模型或迴歸分析、A／B 測試等方法，過程中通常要反覆換方法、調參數、重新定義特徵，直到找到能解釋或預測現象的模型，同時要檢查樣本是否失衡、有沒有異常值。結果交出去以前，ASU 的中文頁面另外提醒兩件事：呈現方式要依受眾調整，管理層與專案團隊需要看的細節不同；分析的限制與假設要寫清楚，決策端才不會把結果用到範圍之外。

常見數據分析方法：哪些清單可對照

被列為常見方法的九項是杜邦分析、對比分析、結構分析、交叉分析、漏斗分析、分組分析、平均分析、綜合評價分析與矩陣關聯分析，這份清單出自 ASU 的中文頁面。九項裡對比、平均、結構、分組與交叉屬於描述性分析，其餘四項是針對財務、流程、多指標與策略排序的專門作法，下表保留各方法的用途與執行方式，方便按問題對照。

九種方法的目的與執行方式

方法	主要目的	執行方式	適用問題
對比分析法	看出不同時間、地點或條件下的差異	將兩組或多組資料作橫向（不同對象）或縱向（不同時期）比較，如年度營收、各區銷售量	業績成長、成本變動與市場表現的變化來源
結構分析法	掌握各部分對整體的影響程度	把整體拆成各組成部分並計算占比，如各產品線占銷售額比重	主要營收來源與成本分布是否合理
交叉分析法	找出兩個以上變數之間的關聯	設定時間、空間或目標作為比較基準，再比較實際數值差異	不同年齡層的購買偏好、不同地區的消費習慣
漏斗分析法	找出使用者從起點到轉換的流失環節	設定完整流程（瀏覽、加入購物車、結帳、完成訂單）並計算各階段轉換率與流失率	行銷、產品與銷售流程中的流失位置
分組與平均分析法	建立基準線並比較組間差異	依通路、時間或產品類型分組，再以算術平均、加權平均或中位數搭配標準差	組別之間的表現落差與資料離散程度
綜合評價與矩陣關聯分析法	多指標整合排序，或檢視變數之間的相關強度	設定指標與權重後標準化計分；建立相關矩陣並劃分象限	績效、滿意度、產品競爭力與策略排序
杜邦分析法	拆解淨資產收益率的構成與變動原因	計算股東權益報酬率（ROE），再分析淨利率、總資產周轉率與權益乘數的變化	財務結構與盈利來源

選法的方式比背清單重要。問題是「哪個時期的表現不一樣」，對比與平均先建立基準；問題是「哪一群人偏好哪一項」，交叉分析與矩陣關聯處理變數之間的關聯強度；問題是「客戶在哪一步離開」，漏斗分析的階段轉換率最直接；問題是「多個指標怎麼排先後」，綜合評價把指標加權成一個分數。分組分析常與對比分析一起使用，先分組再比較，差異才看得出來。問題落在財務結構時，杜邦分析把股東權益報酬率拆成淨利率、總資產周轉率與權益乘數三項，分別對應營運效率、資產效率與財務槓桿，Corporate Finance Institute 的說明頁就是這樣拆解。

平均數與中位數的選擇會直接改變結論。美國 NIST 與 SEMATECH 的統計工程手冊寫明，分布偏斜時平均數會被拉向尾巴較長的一側，右尾較重時平均數大於中位數，尾巴有少數極端值時極端值會扭曲平均數，中位數仍能代表典型值。營收、客單價這類常有少數大額資料的欄位，報表同時放平均數與中位數，兩者差很多就代表有極端值在拉。

帆軟 FineBI 的部落格用自家工具示範過一次原因分析：以店均銷售額下滑為例，先分產品區計算店均客流量、銷售額與毛利額，再看訂單滿足率與退貨率，最後從異常單品清單回推是哪幾項商品把整體拉下來。示範裡休閒與酒飲類的銷售額占比高於毛利額占比，指向成本偏高的可能性；客流量最小的品類則要回頭檢查產品品質與銷售策略。方法本身不給答案，是這套對照讓原因浮出來。

數據分析工具：依階段怎麼選

常見工具依階段分成三組：蒐集與處理階段有 SQL、Python、Excel，分析與判讀階段有 SPSS 與 R，視覺化與報告階段有 Power BI 與 Tableau，這個三階段分法出自 ASU 的中文頁面。awoo 的工具介紹頁另外建議依企業目標、資料型態與使用者熟悉度挑選合適的平台。重點在工具能不能對上那一階段的工作。

三個階段與工具的對應

階段	工具	來源描述的功能	選擇條件
資料蒐集與處理	SQL	檢索與管理資料庫，語法接近英文，入門門檻較低	資料存放在關聯式資料庫，需要自行取數
資料蒐集與處理	Python	語法簡單，資料庫資源豐富，適合抓取、清理與分析資料	需要自動化處理反覆出現的清理工作
資料蒐集與處理	Excel	整理資料、初步分析與製作簡易圖表	小型或初步的資料處理
分析與判讀	SPSS	介面直觀易用，適合基礎統計分析與資料管理	已具備統計基礎概念
分析與判讀	R	可進行複雜統計分析與圖表製作	研究用途或需要深入分析
視覺化與報告	Power BI	將大量資料轉成互動式圖表與儀表板	需要固定檢視的營運看板
視覺化與報告	Tableau	製圖彈性高，支援團隊共享與協作	需要跨部門共享分析結果

報表工具與商業智慧平台在視覺化階段出現。帆軟對自家 FineBI 的說明是，篩選、切割、排序與彙總可以透過拖拽操作完成，圖表與儀表板則用來呈現結果，讓業務人員自行取用；固定格式的月報、週報，帆軟在同一頁把它歸給 FineReport，兩者的定位分別是自助分析與固定報表。

工具決定不了結論。帆軟 FineBI 的部落格把理解業務寫成核心，工具是過程中的必要選擇；FineReport 的教學頁則提到視覺化的慣例，能用圖說明的就不用表格，能用表格說明的就不用文字，因為圖形較容易把分析者的觀點傳出去。挑工具時先確認它在流程的哪一段接手，還要看它產出的欄位能不能對上既有報表的口徑。

流程表與方法對照：從問題到結論的實作

把六步壓成四欄，比較容易套回手上的題目：問題欄問的是要解決什麼，資料欄寫的是來源與範圍，分析欄記錄選了哪種方法，結論欄放的是可以據以行動的判斷。四欄各自對應到步驟，也各自有相應的誤讀。

四欄流程表：問題、資料、分析、結論

階段	這一步算什麼（口徑）	可以判斷什麼	不能推論什麼
問題	把要解決的事寫成具體、可驗證的句子，例如提高本季線上訂單量 15%	要蒐集哪些資料、選哪種分析方法、結果如何呈現	目的模糊時，後續的資料與方法都會偏離原題
資料	標明來源（內部系統、公開資料或問卷）、時間範圍與樣本規模	手上的資料是否足以回答這個問題	來源不正確或不完整時，結論會出現偏差
分析	依目的挑選方法，並記錄替換過的模型與參數	分布差異、變數關聯、流程流失位置或整體評分	描述性結果本身不代表假設成立
結論	把建議與限制、假設一併交出，並寫明後續評估方式	可以據以調整策略，並定期回頭評估	沒有口徑的數字無法複查

方法掛進流程的位置依問題性質決定。對比與平均通常放在資料與分析之間，先建立基準線；交叉與矩陣關聯處理變數之間的關係；漏斗放在流程類題目；綜合評價處理多指標排序；杜邦分析留在財務主題。各頁列出的方法清單長度不同，這張表是可對照的骨架，換一份資料時欄位不變，填進去的內容會不同。

下一次複查時先看資料欄的來源與時間範圍有沒有變動，再看結論欄當初寫下的假設是否仍然成立，月報使用者按季度回頭比對一次就夠。要開始填這四欄，可以以同一套口徑複查手上的報表。

FAQ

數據分析的英文是什麼？

數據分析的英文為 data analysis。中文頁面常見兩種英文對照，data analysis 與 data analytics 都有人用，例如亞利桑那州立大學（ASU）的中文頁寫的是 Data Analytics，Google 的證照名稱是 Google Data Analytics Certificate。資料分析師（Data Analyst）則是運用 SQL、Python 等程式語言、資料視覺化軟體與統計分析處理資料、解決商業問題的角色。

數據分析流程有固定步驟嗎？

不同來源列出的六步組成不完全一致，兩個常見版本都從確認目的開始，接著蒐集、處理與分析資料；其中把儲存獨立成一步的是 ASU 的中文頁面，帆軟 FineReport 的教學頁則把展現與報告撰寫分成兩步，其餘步驟重疊。判斷一份流程能不能用，看的不是步數，而是每一步有沒有寫出產出物與對應的資料範圍。

哪些數據分析方法適合初階使用者？

描述性分析中的分組、結構、交叉分析較常作為入門。這一類方法只需要把既有資料整理成統計摘要，對比與平均也用得上，不必先建立統計模型。往探索與驗證推進時，才需要相關分析、回歸分析或假設檢定；探索階段通常先看圖，確認資料結構與離群值之後再談模型，樣本失衡也要一併處理。

數據分析需要寫程式嗎？

不一定需要編程背景，Excel 與自助 BI 可處理基礎分析。帆軟 FineBI 的部落格寫到，一般資料分析可以用 Excel 完成，進階分析則要專業的分析軟體，該頁舉的例子是自家 FineReport 與 FineBI；同頁也把篩選、切割與彙總寫成 FineBI 的拖拽操作。工具門檻下降之後，決定結果的還是問題設定與資料品質。

Google 數據分析證照是什麼？

Google 數據分析證照是 Coursera 上由 Google 開設的專業證照，9 門課的系列課程教資料清理、分析與視覺化，工具包含試算表、SQL、Python 與 Tableau，報名不需要相關經驗或學位。官方寫每週投入不到 10 小時、少於 6 個月可完成，課程時數超過 180 小時，Google 另有進階資料分析與商業智慧兩張進階證照。要判斷它有沒有補到缺口，先看目前卡住的是蒐集、處理還是分析方法哪一段，再決定要不要投入準備時間。

常見數據分析工具如何分階段？

蒐集處理階段常用 SQL、Python、Excel，分析洞察用 SPSS、R，視覺化用 Power BI、Tableau。帆軟 FineBI 的部落格把工具分成資料存儲、報表／BI、統計分析、數據挖掘與機器學習四層，並寫明 SQL 查詢語言在存儲層必不可少，至少要理解資料的存儲方式、基本結構與資料類型。分階段的用意是讓工具對上工作：Excel 與 SQL 取得與整理資料，統計軟體處理檢定與模型，BI 工具把結果做成可以共享的圖表。