踏入到資料領域，從菜鳥到專家

回顧過去幾年的職涯，我的路徑並非一條直線，而是一連串基於實務需求而不斷修正的軌跡。從最初的商業營運 (Operations)，到商業分析 (Business Analysis)，再到結合資料科學 (Data Science) 與演算法的產品應用。每一次的轉變，都源於我在工作中遇到了一個「無法只用現有工具解決」的難題。

這篇文章記錄了我在不同階段面臨的挑戰，以及我如何透過學習新技能來突破瓶頸。這不是一個關於天賦的故事，而是一個關於「問題解決」的實務紀錄。

我的數據職涯是從最基礎的 Excel 開始的。在 Circles.Life 擔任營運專員時，我負責處理帳務與物流的異常狀況。當時我們面臨一個嚴峻的挑戰：高達 10% 的付款升級率 (Escalation Rate)。這意味著每 10 個用戶就有 1 個在付款時遇到問題需要客服介入。

面臨的痛點： 每天面對海量的交易紀錄，單靠 Excel 的 VLOOKUP 和樞紐分析表，光是清理資料就佔去了大半時間，根本無暇進行深入的根因分析。人工處理不僅效率低，還容易出錯。

解決方案與轉變： 為了自動化這個流程，我開始自學 SQL。這是我跨入數據領域的第一步。

帶著 SQL 技能，我進入了電商領域。在這裡，資料量級更大，業務場景更複雜。我的角色也從單純的「撈資料」，轉變為需要向跨部門主管提供決策依據。

面臨的痛點： 各部門（行銷、業務、產品）都在看數據，但大家看的指標定義不一致，且大量依賴 IT 部門跑報表，需求回應太慢。

解決方案與轉變： 企業內導入了 Tableau 與 Google Data Studio 來建立自動化 BI 系統，並開始使用 Python 處理更複雜的自動化任務。

這是我職涯中轉變最大的一站。在這裡，我不再只是支援單位的分析師，而是成為了背負增長指標的 Product Owner。我的任務不再只是「解釋過去發生了什麼」，而是要「預測未來該做什麼」。

面臨的痛點： 我們知道流量在成長，但轉換率卻遇到瓶頸。傳統的行銷活動效果遞減，我們需要更精準的個人化體驗，這需要演算法的介入，而非僅靠規營運。

解決方案與轉變： 為了能與資料科學家對話，並親手驗證模型成效，我主導了產品端的 A/B 測試與個人化模型專案。

這段經驗讓我發現自己的不足：雖然我懂商業邏輯，但在面對更深層的機器學習模型時，我需要更紮實的理論基礎。

為了突破職涯天花板，我在 2022 年底做了一個大膽的決定：在職攻讀資料科學碩士。 這不是為了拿到一張文憑，而是為了系統性地補足統計學與機器學習的學理缺口。

在東吳大學的兩年間，我專注於自然語言處理 (NLP)，研究了如何結合 BERT 與 LLM (大型語言模型) 來處理非結構化的用戶評論數據。這不僅是學術研究，更是為了解決我在工作中看到的實際問題：大量的客戶文字反饋往往被視為雜訊而被忽略。

隨著 AI 技術的快速發展，許多技術門檻已大幅降低。這讓我重新思考：在這個時代，數據分析師的核心價值究竟是什麼？

如果你只是會做報表、建立儀表板，或是製作一份精美的分析簡報，那麼你的價值很容易被工具取代。我認為，新一代分析師更重要的能力，在於是否能掌握業務前線的真實痛點，與團隊並肩作戰，將策略建議轉化為實際可落地的方案。

這也是為什麼我將自己重新定位為 AI Builder。

過往的經歷雖始終與數據為伍，但在 AI 時代，我不滿足於僅僅是「分析問題」。無論是利用 AI 打造數據產品，還是開發優化流程的自動化工具，我更傾向於扮演一個結合商業思維與數據思維的雙重角色——既是能洞察問題的分析師，也是能落地解法的產品經理 (PM)。