【讀懂數據】人人都要有的數據素養：數據溝通

2023-05-22
數據應用

#數據識讀 #數據素養 #數據溝通

所有人都必備的數據素養：數據溝通

我們曾在這篇文章中，強調「人人都需要有數據素養」，也提到在企業中，每個人的專項各不同；不過，卻有一樣是「所有人都必須具備的能力」那就是：數據溝通。

簡單地說，「數據溝通」是指：把我手中的數據資料，經過整理分析，用最直白的說敘事方式，讓別人能聽得懂、看得懂、甚至能給反饋。

這裡的「我」可以泛指企業內每一個不同職位的人。而「別人」就是在不同情況中，我要溝通的對象。

例如 AM（客戶經理）要向客戶匯報本季的 SEO 成效帶進了多少新流量、或 AM 發現客戶平台的轉換率不穩定，想與公司內分析師一起調整開發新會員的篩選條件，上述這兩種情形的「我」都是 AM，但溝通的事情不同、預期目標不同、對象不同，「我」要拿出手的數據資料當然也不同。為了達成有效溝通，「我」不單只是照著數據顯示，說出「X 指數在 Q1 提升 20%，比上一季多了 4 倍」，而是能更具體的對對象說明意義。

數據溝通圖片來源：網路

例如 AM 就根據數據結果，向客戶說明：「X 指數提升 20% 是因為 Q1 中，消費者發生什麼變化、或執行了什麼操作造成……」，或是能回報給分析師：「X 指數上升對客戶來說，他們會在意什麼點，客戶還需要哪些數據幫助釐清問題……」等等。以自己的專業知識，首先辨識出「一段時間內蒐集的數據結果和其意義」，並輔以視覺化後的整理，在與人溝通時，能讓對方輕鬆理解數據的意義，以及接下來具體要做什麼工作。

發現了嗎？要掌握數據溝通，「描述性分析」和「診斷性分析」必不可少，在四階層之中，這兩項是除了企業決策者之外，人人都要普及培養的技能，促進企業對內部、外部的各種合作順利運轉。

企業裡有各種人，埋藏了哪些數據技能？

假如剖開 Digit Spark 是數據「行銷」公司來看，就有各種不同職能職位，除了「決策者」以外，簡單分成四類團隊：「資訊技術」、「行銷」、「業務」、「行政管理」；我們來看看大家平常是怎麼跟「數據」相處的？

資訊技術

AI 工具研發工程師與資料科學家，重要工作是發明出能應用的 AI 工具、Martech 工具讓企業使用，技能例如：

數據分析技術，例如數據清洗，coding 篩選指標。
統計學：應用統計方法來分析清洗後的數據，進行假設檢驗、變異數分析、回歸分析等。
數據庫系統操作：例如 SQL、NoSQL。
編程語言技術：Python、R、SQL 等，用於建模和培養 AI 自動化。
機器學習和人工智慧：了解機器學習和人工智慧的基礎概念，能夠應用機器學習算法進行預測、分類、聚類等分析。

行銷

把數據、消費者行為連接起來，分析轉譯因果關係，從中制定出可以讓一般人能執行的工作（例如根據數據分析出的建議，制定投廣告的策略/內容/頻率），技能例如：

數據分析：能夠收集、整理和分析大量的數據，以了解市場趨勢、消費者行為和競爭環境。
市場分析：根據客戶所在產業和目標市場，針對性地縮小範圍，收集用戶行為數據、競業情報；進行推測，達成特定目標的分析。
從數據展開商業策略：分析蒐集來的數據：背後代表消費者／業者做了什麼行為？造成什麼影響？做出洞察，制定下一步行銷策略，並不斷觀察成效，以優化策略。
把統計結果視覺化整理：能將統計、分析資料清晰、明確、美觀地呈現（例如簡報和影片形式），讓領域以外的人也能理解。

業務

業務是與人相處的工作，把數據科學能帶來的好處、風險變成語言，傳遞給領域外的人，並蒐集人的回饋來驗證行銷部門的策略、以及產品在市場的接受度。而且還要探測人心，誘使對方產生興趣。數據資料對業務來說，是加深故事說服力的佐證，擁有的技能例如：

透過分析 AI 和 Martech 工具給的結果，發現成交潛力高的對象；尤其主攻「人的」行為數據，例如事件深入程度，來做目標分眾。
銷售預測：轉化數據和統計結果，對對象進行口頭簡報、展示預測分析；並把資料做視覺化整理，其與行銷類似。

（業務、AM、PM 等以溝通嫁接多方訊息為工作的人，需要懂的數據語言比較廣，但不需像後端開發人員那樣專精鑽深）

行政管理

看似與數據科學不太相關，但其實維持企業運轉的財務會計、人資總務平常經手的內部合約、報表資料庫，也都是數據，行政管理的數據技能例如：

呈現數據報告：能夠準確地整理資料、撰寫數據報告、將其系統化；變成清晰易理解、易分類找查的企業資源。
隱私和合規性：了解數據在隱私方面相關法規，確保企業在蒐集數據、使用數據過程中，遵守相關法律和倫理標準。

圖片來源：網路

如何確保組織內部，有順暢的數據溝通？

當技術背景出身的工程師，和商管背景的專案業務講話時，下意識地說出一大串術語簡稱群集架構……業務一頭霧水？這跟我的客戶問題有什麼關係？但工程師覺得：我講得很清楚了阿！

普及數據溝通，就是要降低這樣的認知差距。企業內不可能人人都是資料科學家，當然不需要每個人都要懂得 AI 編碼語言、Python；同樣並非人人都是業務，不會總是直覺以「獲利、會員經營」等直球目的為考量。重點是，每個職位的人怎麼在日常工作中，掌握自己的數據素養範疇，並時時透過企業內部教育、經驗分享、合作等機會敞開心態，互相交流彼此的邏輯是怎麼運作的，並能換位思考。

建立内訓交流機制，促進跨職能分享

企業內訓是常見的解決方式之一。企業內應該有決策者、或一個專門團隊，負責整合出各職能的人常用的數據相關知識，時常更新並將其轉化成「白話文」 SOP、圖文、影音等學習素材，公開讓全體員工使用。

企業領導人應該積極推動內部夥伴進行學習，並追蹤夥伴的反饋、越來越精進教育訓練。除了「輸入式」的聽、看教育訓練之外，「輸出」的講、實作也很重要。愛因斯坦說過「如果你不能簡單地解釋一個事物，那你就不夠理解它。（”If you can’t explain it simply, you don’t understand it enough.”）假如工程師來說能將某一建立 AI 指令的方式，簡單解釋給同仁聽；或者業務能將陌生開發時，根據什麼數據來判斷客戶意圖等等；彼此是否能激盪出更多火花？促成企業推出的數位工具、及企業內的政策，都越來越符合人性，方便實際應用

建立企業內數據相關的字庫、歸檔與找查系統

就像字典整理各種字詞供人查詢，企業內要有一套系統，能讓員工輕鬆找查到「使用中這些數據資料的背景知識」；除了被廣泛通用的 Google、Microsoft 工具之外，每間企業有自己慣用的軟體系統運行規則、企業習慣研究客戶的指標、常用的術語、企業內對市場分析的檢視觀點……等等資訊，統一建檔，避免問不同人給的答案都不一。每個工作者都對企業內使用數據的方式（這也是企業文化的一部分」理解一致，在溝通上就能更加順暢、目標一致。