AI數據分析

這一集，我們介紹數據分析之進行方式，下一集才開始針對各種分析技巧舉例說明如何利用AI協助進行◦

實務上，數據分析可以分為六個核心步驟，我們簡稱A-P-D-C-E-R◦

這一步是非常關鍵的，問對問題比解決問題更為重要(Asking the right question is more important than solving it.)，決定了後續的整個數據分析任務之工作與方向。

數據分析師所面對的客戶往往會提出一個模糊的需求，分析師要將模糊的需求轉化為具體的問題，例如：「客戶希望想要提升業績」應該可以具體化為「如何提升用戶的30天回購率」。又大多數情況下，確定關鍵指標（KPI）也是這個步驟的核心，未來要用什麼指標來衡量結果，如上例中的回購率就可以作為KPI。我們也要定義清楚專案成功之標準是什麼？也就是說到達什麼地方，就可以說分析專案是成功的，例如：準確率大於90%◦

這個步驟就是要思考數據的來源，一般數據來源大致上分為內部數據與外部數據，如下：

內部數據：公司自己的數據庫（MySQL, PostgreSQL）、CRM/ERP系統、網站或App的用戶行為等等。

外部數據：公開數據集（如政府網站、Kaggle）、第三方API接口（如支付平台、社交媒體）、問卷調查或網路爬蟲獲取的數據。

這是最耗時的一個階段，但也是最不可或缺的一步。就如同本專題第六集所提及的，主要目的是刪除重複訊息、糾正錯誤（如不一致或不準確的數據）、處理缺失值、無效值及異常值，進而提升數據之品質。

整合不同來源的數據，在實務上也是曠日費時的，例如：統一日期格式與單位，將文本轉換為數值編碼（如：獨熱編碼），或創建新的衍生變量（如：將生日轉為年齡）。

就如同本專題第七集所提及的，透過視覺化、簡化與迭代探索理解數據本質。

描述性統計：計算均值、中位數、標準差等，快速了解數據分佈。

可視化分析：直方圖、盒形圖查看分佈。使用散點圖查看變量間關係，或使用熱力圖查看相關性。

根據分析目標，選擇適當的統計方法或機器學習模型進行深度挖掘。實務上常見之數據分析方法有「比較（Comparison）」、「關係（Relationship）」、「拆解與構成 (Decomposition & Composition)」、「路徑分析 (Path)」、「細分分析 (Segmentation)」、「時間序列分析(Time Series)」◦

最終就是將數據分析結果轉化為決策之科學依據，這是真正體現了數據之價值。

文字解讀：不要只羅列數字，要解釋其業務含義。

提出可執行建議：建議必須具體、可執行、可衡量。