01_資料分析與商業

核心表格

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
資料分析	從資料中萃取有效、可理解且可用的資訊與模式	把原始資料轉成事實、結論與商業洞察	資料本身不等於價值；必須先清理、塑形、儲存與分析
資料 → 資訊 → 知識 → 行動	分析把資料轉成資訊，管理者再把資訊轉成知識與行動	建立資料驅動決策流程	分析師提供高品質資訊，但不等於最終決策者
商業智慧（Business Intelligence, BI）	描述過去發生什麼、數量多少、哪些指標超出門檻	日常報表、營運監控與例外警示	以描述性分析為主，通常不直接回答因果、趨勢與預測問題
商業分析（Business Analytics）	使用分類、迴歸、異常偵測、預測與分群等進階方法	回答為什麼、未來可能如何、哪些觀測值異常、哪些群組自然形成	需要更完整的資料準備、方法選擇與模型驗證
分析方法選擇	依問題型態決定分類、迴歸、異常偵測、預測或分群	把商業問題轉成可計算的分析任務	先界定問題，再選方法與工具；順序不能倒置
資料倉儲	從營運系統抽取並整理資料，形成適合重複分析的資料結構	支援固定、策略性且反覆執行的分析查詢	交易系統適合營運處理；資料倉儲較適合分析工作

「資料是新石油」的比喻

原書引用 Clive Humby 在 2006 年提出的「資料是新石油」。這個比喻的重點不是說資料只要存在就有價值，而是說資料像原油一樣，必須經過取得、清理、塑形、儲存與分析，才能轉成可供管理者使用的資訊。

因此，資料分析的角色就像「煉製」過程。簡單分析可以是樞紐分析、次數彙總與直方圖；更進階的分析則可能使用決策樹、迴歸、分群或其他模型。

資料驅動決策

原書把決策流程整理成：資料 → 資訊 → 知識 → 行動。

分析師先把原始資料轉成可理解的事實與結論，管理者再依這些資訊形成判斷並採取行動。因此，分析師的工作是替決策流程提供可靠資訊，而不是把模型輸出直接當成自動決策。

商業智慧與商業分析

本章對兩者的區分如下：

商業智慧（Business Intelligence, BI）：以描述性報表為主，回答「發生了什麼？」「有多少？」「哪些項目超過門檻？」。
商業分析（Business Analytics）：使用較進階的方法回答「為什麼？」「接下來可能發生什麼？」「哪些觀測值異常？」「資料中有哪些自然群組？」。

企業資源規劃（Enterprise Resource Planning, ERP）與顧客關係管理（Customer Relationship Management, CRM）系統，例如 Oracle Financials 與 Salesforce，通常能提供大量交易資料與報表功能。如果要進一步處理迴歸、分群或預測，則可能需要 Excel、R、Jamovi、SPSS、SAS 或 RapidMiner 等分析工具。

資料倉儲與分析資料來源

營運資料庫主要為日常交易處理最佳化，例如銷售、發票、付款、訂單、庫存移轉與人事異動。這類系統常使用關聯式資料庫管理系統（Relational Database Management System, RDBMS），並透過結構化查詢語言（Structured Query Language, SQL）查詢資料。

若只是一次性分析，可以直接從營運系統抽取需要的資料；若同一套策略性分析需要反覆執行，原書建議建立資料倉儲，固定執行資料抽取與載入流程，使後續分析的資料結構更簡潔、穩定且容易查詢。

本章最重要的方法選擇原則

商業問題的型態決定分析方法。

如果只要回顧過去，描述性商業智慧通常已足夠；若要預測類別、預測數值、找異常、估計未來或尋找自然群組，才需要使用分類、迴歸、異常偵測、預測或分群等較進階方法。