數據分析是什麼、怎麼做？搞懂4種分析等級，解決企業最常見的7個問題

「數據分析與洞察」是職場工作者最常使用的能力，不單懂得操作數據分析工具，而是必須知道如何蒐集數據、該運用哪些分析技巧、如何判讀分析結果，一連串從數據中挖掘出價值的過程。要想具體實踐數據分析，有2個重點：搞懂分析類型，以及找到促進行動的「洞見」。以下將介紹4種數據分析類型以及如何找出洞見。

數據分析難度愈大，判讀愈有價值

對於多數職場工作者來說，即使沒有學過數據思維，相信也對數據分析並不陌生。

畢竟從小到大，我們都曾經上過數學課，背過九九乘法表、學過加減乘除，甚至進入職場後，有些人還被迫學會了Excel軟體的使用。當你問一個人會不會數據分析時，我想很少會給出否定的答案，畢竟在大部分人眼中這就是數據分析的全部。

「我會不會數據分析？當然會呀，那還用問！」

其實數據分析的範疇相當廣泛，也遍布在各種學科領域中。像是數學、統計領域算是數據分析方法與理論的大本營，但是在社會科學、政治或醫學等領域中，也衍生出屬於自己的一套數據分析方法與理論。為什麼會這樣？因為每個領域都有其要解決的問題、看待問題的方式也大不相同，同時數據取得與整理的方式也可能不太一樣，自然也就有對應的分析技巧與對結果的判讀方式。

但不可否認的一點，多數人都是從「數據分析」開始接觸的，對於什麼是數據分析、分析結果的判讀，也有著自己的理解與看法。因此，在他們看到數據思維的模型與方法論時，有時會格外排斥、甚至產生無法理解的感受，因為這牴觸了他們的既定認知；如果接受了書中的說法，就等於否定了自己過去的認知。

我想這是很正常的，只要抱持著開放心態去理解書中的內容，相信你會慢慢改觀的。

從數據分析的價值來看，可以分為4種類型：描述性分析、診斷性分析、預測性分析和指示性分析。 這4種類型的分析在困難度與產出價值性上都有所不同，也對應著7種不同的問題回應。比方說，如果我們希望從數據分析中得出回應「接下來還會發生什麼？」的答案或線索，就該採用預測性分析（見圖3-4）。

數據分析類型1：描述性分析（DescriptiveAnalytics）

這是對歷史數據進行總結和視覺化的一種分析類型。藉由描述性分析的結果，可以告訴我們 「這些數據是什麼？」 以及 「這些數據中發生過什麼？」 的訊息。

描述性分析是最簡單的分析類型，分析結果可以是一張月收入的統計表格、過去一年各月份的銷售金額所繪製的長條圖，也可以單純的一個數值結果，像是一本書的銷售總量；多數人所使用與認知的「數據分析」就是屬於這種分析類型。

描述性分析雖然簡單，卻是所有分析工作的基礎。在進行其他三種類型的數據分析之前，我們都會先進行描述性分析，來了解數據所展現出來的整體輪廓或是異常現象。像是企業使用的管理儀表板、工廠機台或汽車的儀表板，都是屬於描述性分析的應用。

數據分析類型2：診斷性分析（DiagnosticAnalytics）

隨著數據分析的任務日益上手，你可能就會接觸到更困難的分析任務，像是從數據中發現異常狀況後，會想要進一步透過數據來回答 「這是如何發生的？造成了誰的影響？」 以及「 為什麼會發生這種異常？」 這類的問題。

診斷性分析，不僅要檢視過去發生了什麼事，還要探究事情發生的原因、對哪些人事物造成了什麼樣的影響。相較於描述性分析，進行診斷性分析要具備更多的領域知識、專業技能與經驗，才有足夠的能力進行深入分析與辨識出數據中的趨勢或因果關係。比方說從分析結果中判讀出雞蛋的生產量，可能與氣候、瘟疫有關；或是針對某個機台解釋出現異常的數據。

數據分析類型3：預測性分析（PredictiveAnalytics）

描述性分析、診斷性分析著重在「過去」發生了什麼、為什麼發生？而預測性分析、指示性分析則是 聚焦在「未來」將會發生什麼、如何使其發生？

預測性分析，會根據既有數據找出的趨勢來建立統計模型，並用來預測可能發生的結果，像是在後面章節中會提到的迴歸分析，就是屬於預測性分析的技巧之一。通常在決策相關的問題中，都需要運用到預測性分析來建立模型與驗證，像是產品價格該設定多少才能賣出最多業績之類的對策模擬。

在現代的人工智慧與機器學習發展下，已經能透過大規模數據來訓練模型，藉此做出更精準的預測結果。像是在半導體產業的機台管理，也已經從發生問題後的描述性分析、診斷性分析，進展到預測性分析的階段，讓工程師在問題還沒發生之前就預警到並做出處理，大幅減少了半夜發生問題必須趕回來處置的情況。其他像是在科學領域，也會利用預測性分析來評估地球暖化、地殼變動可能的變化與造成的影響，並據此做出因應對策。

數據分析類型4：指示性分析（PrescriptiveAnalytics）

相較於前面三種分析類型，指示型分析是最為困難、卻也是能創造最大價值的一種分析類型。它 不只是能告訴你未來將會發生什麼，還能告訴你如何使其發生？ 換句話說，指示型分析可以根據預測型分析的結果推薦最好的選項。對企業來說可以依據指示性分析的結果來建立數據導向的決策過程。

要進行指示型分析，必須具備很強的統計方法、機器學習，甚至是類神經網路相關的知識背景，當然領域專業、實務經驗與對商業的敏銳度也不可少。一般會是有刻意投入資源的大型企業或專業顧問公司，才有能力進行這類的分析。

從以上四種類型的分析，我想你可以看到一般人所認知的數據分析，大多屬於「描述性分析」的類型；而有些職務上有數據工作需求的人，可能會進階運用到「診斷性分析」或「預測性分析」的類型，比方說組織中的數據工程師、數據分析師等。至於「指示型分析」則是屬於少數精通數據模型的專業工作者或資料科學家才有能力做到的。

值得一提的是，這四種分析類型的過程是循序漸進的。完成了描述性分析做為基礎，我們才會進展到診斷性分析，然後是預測性分析，以此類推。不會有直接進入到預測性分析或指示性分析這樣的情況發生。

舉例來說，一家電商公司想解決如何提高銷售業績的問題：

首先，進行描述性分析來了解過往銷售業績的表現，包括各類商品銷售走勢、客群分析和逐月的業績表現、每月的網站流量、投放廣告費用、轉換率、平均成交單價等。
其次，根據描述性分析的結果，找出異常或希望做出改變的地方，進行診斷性分析，藉此找出為什麼會產生異常或表現不佳的原因，以及造成哪些影響？根據某些分析結果的判讀或許就能直接找出改善對策，比方說商品圖片無法正常顯示、網站速度過慢等，導致消費者觀感不佳的問題。
再來，在診斷性分析的結果中，可能判讀出一些問題可能是造成銷售業績不佳的原因，也找出了一些可行的對策，但是不知道哪一種對策可以帶來更好的成效？以及是否存在著沒有想到的風險？就需要進行預測性分析來對結果判讀。比方說，從診斷性分析中發現消費者對於網站的使用者介面（UI）與操作體驗（UX）普遍感受不佳，網站設計師也提出了幾種可行的改善方案，但不確定哪一種成效更好？就可以藉由預測性分析的結果判讀做為決策參考的依據。
最後，為了持續擴大銷售業績，提升流量、轉換率和平均成交單價是絕對有必要的。那麼該如何做才能使其發生呢？比方說商品的捆綁銷售、邀請網紅試用等，為了進一步找出最佳的選項，這家電商公司需要進行指示性分析來驗證，甚至可能需要外包給專業的顧問公司來進行這類的分析。

現在你對於什麼是數據分析，是不是有更進一步的認識了？分析判讀的結果能產生多少價值，取決於所進行的分析類型。當我們從描述性分析、診斷性分析，一層層疊加完成預測性分析、指示性分析，就能從數據中創造出最大的價值，對於行動與決策也會有更高的參考性。

在組織或企業中，經常聽到「希望可以培養員工的數據技能或數據洞察力，讓他們能夠從數據中找出有價值的洞見（Insight）！」等言論。但是，究竟什麼是洞見呢？洞見又該如何發現、或是透過什麼方式獲得？

我將會在接下來的內容，完整告訴你。

數據分析不只是觀察，還要有促進行動的「洞見」

世界級管理大師、趨勢專家大前研一：「所謂的洞見，與直覺或靈感不同。這與邏輯思考或簡報能力一樣，是種只要經過訓練，任誰都能培養出的商務技巧之一。」

在職場或商業場景中，我們會常聽到「Insight」這個英文字，象徵著獨特、聰明的觀點。這個英文字往往在中文中被翻譯為「洞見」、「洞察」或「洞察力」等詞語，因此當你在看到這些不同的用詞時，不需要太過於執著它的差異，只要知道背後的英文字是「Insight」，大致上就會明白指的是同樣的概念。

雖然我過去在職場中仍是以「Insight」的說法居多，因為真的很難翻譯。但在這本書中，我仍會統一以「洞見」來稱呼。有一次我在閱讀《BCG問題解決力》這本書時，看到作者波士頓顧問公司（BCG）台灣分公司負責人徐瑞廷提到什麼是「洞見」？他是這麼解釋的：

「洞見，就是以某種思考模式推演出獨一無二的觀點，代表你確實挖掘出數據的核心，幫助他人用全新的視野與深度來檢視問題。」

我相當認同這樣的說法，在數據思維中的分析判讀階段，我們也希望從數據中找出來的是有價值的洞見，而不只是「現象觀察」而已。那什麼是現象觀察？在四種分析類型中的描述性分析所得出的結果，就是一種現象觀察；即使繪製成視覺化圖表，仍然屬於一種現象觀察，只不過藉由視覺化的形式更容易看出來罷了，但對於行動與決策上並沒有太多參考價值。

那麼，現在你清楚什麼是洞見嗎？不妨測試一下，閱讀以下幾項敘述：

來到店裡的消費者中，有七成穿著牛仔褲。
我們擁有業界評價最高的服務。
最近半年，新產品銷售呈現向上發展的趨勢。
今年門市店的淨營收跌幅超過10％。
消費者對我們品牌的信任度遠勝過其他品牌。
市場調查和門市實地測試結果，均顯示行銷方案A優於方案B。

你覺得哪些敘述可以稱之為洞見？又是為什麼？

先說結論，只有最後一項敘述是能帶來具體的實際行動的洞見，我們可以很清楚的知道應該採取行銷方案A。其餘的敘述，可能引發的是「然後呢？」或「為什麼？」這類的疑惑，當觀看描述的人產生了這樣的感受時，其實就代表你的分析判讀並沒有做完。

比方說第一項敘述「來到店裡的消費者中，有七成穿著牛仔褲」。

你看完之後有什麼感覺？能依此採取接下來的行動嗎？這項描述的內容只是在說明一個觀察到的現象，不知道能做為什麼行動或決策上的參考。而且，這是不是一個規律性的「常態」也無法確定，也會蒐集另一段時間所分析出來的結果就不是這樣了。

再比方說第四項描述「今年門市店的淨營收跌幅超過10％」。

乍聽之下好像是什麼驚人的訊息。但事實上，這也只是一個分析中觀察到的結果，並不能驅動任何決策行為。你或許會心想：為什麼不行？難道基於這個訊息來要求淨營收要回復成長，或是進一步分析跌幅為何超過10％，都不算是決策行為嗎？當然不算，這是澄清問題的過程，表示你的分析還沒有做完。

如果你能想到對方看完這個敘述，可能會產生接下來的疑問，就應該把它澄清、繼續往下深挖，直到得出的結果是可以直接影響業務表現、帶來實際行動的洞見。

那麼，為了讓你更好的判斷，從數據中找到的訊息或見解到底算不算是洞見？我建議可以藉由「分析類型」與「回應問題」的目的來區分（見圖3-5）。

洞見通常以診斷性分析、預測性分析做為一個分水嶺。藉由描述性分析、診斷性分析所得出的結果，著重在「過去」發生了什麼、為什麼發生，充其量只能稱為「後見之明」或「事後諸葛」，稱不上是洞見。而使用預測性分析、指示性分析所得出的結果，則是聚焦在「未來」將會發生什麼、如何使其發生，是為了驅使未來採取行動，就可以稱為洞見。

從數據分析的類型來看，屬於預測性分析、指示性分析所得出、而且經得起驗證的結果，才可能稱之為洞見；而愈偏向操作上困難度較大、價值性愈高的，更可以稱之為先見之明。