以 Figure 2.1 建立商業分析開發職能的三要素：Data Scientist Team、Tools／Techniques、Methodology，重點是三者必須互相對齊。
能診斷組織是否在人員技能、工具與方法論之間出現錯配。
組織要成立 Analytics Function。有人擅長複雜 Statistical Models，有人擅長理解與溝通 Business Requirements；團隊同時需要收集、探索、處理、視覺化與建模工具，以及一套指引 Analytics Process 的方法論。
| 要素 | 原書內容 | 管理問題 |
|---|---|---|
| People | Data Scientist Team 需要混合技能 | 技能是否覆蓋 Modeling 與 Business Communication？ |
| Tools | Collect、Explore、Process、Visualize、Model Data | 工具是否支援工作需求？ |
| Methodology | Guides Analytics Development Process | 是否有一致的治理與開發流程？ |
建立 People–Tools–Methodology Fit Matrix。Excel 可用 1–5 分評估 Skill Fit、Tool Fit、Method Fit；AI 協助解釋錯配，不代替管理者決定權重。
原書沒有提供量化評分或最佳權重，因此沒有原書計算結果。
作者明確反對 One Size Fits All。原書例子指出：聘用熟悉 R 的 Data Scientist，卻要求其只能使用 Microsoft Excel，是典型錯配。
「根據以下 People、Tools、Methodology 現況，找出彼此錯配之處。只使用我提供的資料，不自行假設技能或成本，並將問題分成 Skill、Technology、Governance 三類。」
題目： 若公司工具已固定，但新聘 Data Scientist 的主要技能與工具不符，優先處理什麼？
參考解答： 先確認工具是否真的不可改，再比較 Training／Hiring／Tool Change 的成本與影響；不能只因個人偏好選工具。原書核心原則是三要素對齊。