【社課精華｜商業分析實戰應用】

Nov 20, 2023

第五屆的專案長 Hailie, Shanice 和 Carol 這學期安排了四間企業專案，將使社員可以透過分析第一手的企業資料積累解決商業問題的實戰經驗，並從 Mentor、顧問和業主多方的回饋中，快速迭代專案成果，精進商業分析與溝通能力。

在本學期專案開始之前，我們榮幸邀請到 NTU DAC 共同創辦人，曾任第一屆至第四屆幹部，現於知名外商科技公司從事數據分析工作的 Oliver，帶領社員用半天的時間快速走過資料分析的流程，並針對社員的現場實作提供回饋，為接下來的企業專案實作奠定基礎✨

什麼是資料分析？

資料分析並不單純是「分析資料」，而是針對問題或商業目標，透過獲取、處理並分析資料，最後發現價值、提出解方的的過程，且非常需要產業知識。

資料分析的流程可以分成三個步驟：定義問題與資料搜集 → 資料處理與分析 → 資料呈現與決策，Oliver 也與社員們詳細分享各個步驟的執行方式和注意事項。

第一步：定義問題與資料搜集

定義問題、拆解問題、設定假說與擷取所需資料

定義問題
問題指的是現況與期望之間的差異，且差異具有待解決的急迫性。 Oliver 提醒社員，拿到問題時應該先反射性地思考三件事，包含：「是否為真」（問題是否真的存在）、「所以呢」（問題造成的影響是否夠嚴重、需要被解決」與「為何如此」（為什麼問題會導致這些影響）。避免拿到問題就急著尋求答案，造成花時間解決錯誤的問題、只處理表面的問題或無法達到預期結果。
拆解問題

步驟一：問題拆解與量化

市場範圍：將「市場」定位為「台灣線上購物市場」，並討論是否專注於特定商品類別，如 3C 產品、服飾或生活用品。
時間界定：確定「雙 11 購物節」的具體活動期間，例如是單日活動還是整個11 月都有促銷。
促銷成效：衡量「促銷活動」的成效，例如透過銷售額、訂單數量或新客戶增加來量化。
目標設定：明確「促銷目的」，如提升品牌知名度、增加營業額或拓展市場份額。
策略探討：討論「提升促銷效益」的具體做法，例如透過網紅合作、限時優惠或會員專屬活動。
競爭分析：分析「雙 11 期間」的市場競爭狀況，如對手促銷手法、市場反應。

步驟二：數據蒐集與釐清

市場現況分析：研究目前台灣線上購物市場的走勢，包括消費者購買行為、熱門商品種類。
面臨挑戰：識別雙 11 促銷期間面對的挑戰，如庫存調配、物流壓力或價格戰。
業績目標設定：設定具體銷售目標和新客戶獲取目標，並思考如何衡量成功。
時間範圍確定：分析過往雙 11 活動的表現和未來預測。
策略評估：評估不同促銷策略的成效，如打折促銷、跨界合作或社群網絡推廣。

步驟三：整合發現與轉化

市場整體分析：綜合評估雙 11 促銷對整體市場的影響和消費者反應。
產品定位檢視：觀察不同產品在促銷期間的表現，如哪些商品最受歡迎、哪些存貨壓力較大。
競爭對策：分析競爭對手的促銷策略及其對市場的影響，思考如何在激烈競爭中脫穎而出。

透過以上三個步驟，我們可以將一開始的廣泛問題「台灣線上購物市場競爭激烈，我們該如何在雙 11 活動中脫穎而出？」轉化為更具體的問題：「今年的雙 11 購物節，我們應如何策略性地提升銷售並增加品牌曝光度？」這樣可以更有效率地針對策略進行調整與執行。

最後，在問題拆解完畢以後，再以 SMART 原則來判斷問題的合理性和有效性，以「提升單店營業額」為例：

👉🏻Specific（明確）：提升單店營業額 10%

👉🏻Measurable（可衡量）：單店業績提升速度超越同期特定競業的變化

👉🏻Achievable（可達成）：在雙 11 前提升單店毛利貢獻金額

👉🏻Relevant（有關聯）：單店毛利、淨利同步成長超越同業變化

👉🏻Time-bound（有時程）：6 個月內停止單店營業額下滑，一年內回到原先水準

3. 設定假說：假說是回應問題「暫時性的答案」，可被驗證、具體且連結到行動。透過設定假說、持續驗證與迭代假說，可以在專案一開始就思考快速解決問題的方法，並縮小範圍並快速聚焦問題重點，建立問題分析框架，在專案進行中較不易迷失方向。此外，也能提供團隊內討論的依據，以及讓業主和顧問提供回饋的平台，協助專案進度穩定推進。例如，「不同分店的顧客服務品質可能影響顧客忠誠度和再購意願」，可能是回應「影響顧客忠誠度和回購意願的關鍵因素為何？」的初步假說。

4. 蒐集數據：明確地定義完問題或目標以後，就可以開始著手獲取資料。先定義所需要的資料，再找出能蒐集資料的管道，透過數據來回應目標、驗證假說。

第二步：資料處理與分析

在資料處理與分析的階段，包含資料清洗與處理（清理重複、缺失、離群值）、EDA 探索式資料分析(Exploratory Data Analysis, EDA) 、評估/迭代模型，以及建立/選擇分析模型。

首先，在拿到一筆資料集時，可以先進行資料樣態觀察：

👉🏻認識資料欄位：了解資料集內每個欄位名稱的意義

👉🏻快速檢閱資料樣貌：確認資料有多少欄位和筆數，資料的大小可能會影響後續要使用的工具

👉🏻定義資料類型：觀察各個欄位是屬於名目、序列、區間還是比例尺度

👉🏻觀察資料的分佈與範圍：類別變數可以看資料分布，連續資料則可以看範圍（最大值和最小值）

👉🏻比較資料間的關係：可以利用相關係數矩陣來確認欄位與欄位間的關係，或是透過「熱點圖」更加一目瞭然

再來，認識了資料集以後，資料處理與分析的環節通常會包含四個步驟：資料清洗與處理 → EDA 探索式資料分析 → 評估/迭代模型 → 建立 / 選擇分析模型：

👉🏻 資料清洗與處理：

缺失值：可以選擇直接進行刪除或是補值（例如：填補固定值、填補平均數或眾數等、以機器學習方式預測補值等）
離群值：透過盒狀圖、分佈狀況來判斷離群值，處理方式包括直接刪除、視為缺失值處理、調整為前後兩點的平均數或是直接忽略
資料特徵縮放：根據分析需求對資料進行標準化（Standardization）或歸一化（Normalization）

👉🏻 EDA 探索式資料分析：利用敘述統計、推論統計或相關與回歸分析來對清洗完的資料有更進一步的了解。此外，也可以參考數據分析的五個常見起手式，同樣以雙 11 檔期的案例舉例：

比較趨勢法：透過將本年度與往年的業績數據進行對比，或者與其他同業競爭對手的表現作比較。例如，比較今年雙11檔期的網路銷售額與去年同期的數據，或者與市場上主要競爭對手的業績增長率進行比對。
流程分析法：檢視並分析業務流程中可能效率降低的瓶頸點。舉例來說，在電商的物流流程中，可能發現包裝程序過於繁瑣，導致整體配送速度受影響。
柏拉圖分析法：根據問題的嚴重性和出現頻率進行排序，確定哪些問題需要優先處理。例如，在客戶服務的反饋中，可能發現退貨程序複雜是最常見的抱怨，應該優先改善。
迴歸分析法：利用迴歸分析來探究不同因素之間的相互影響。比如，分析廣告支出與產品銷售量之間是否存在關聯性。
特徵分群法：將數據根據特定特徵進行分類，分析每一群體的行為模式。例如，將顧客依據年齡段或消費習慣進行分類，進而針對不同群體設計適合的行銷策略。