概述#

企業各部門——行銷、營運、人力資源、財務、資訊科技——每天都會蒐集大量資料，但原始數據本身幾乎沒有意義。員工流動率上升、客戶投訴增加、壞帳攀升，這些事實單獨來看可能什麼都說明不了。關鍵在於運用分析技術來詮釋資料、揭示其重要性。

管理者通常偏好量化方法（Quantitative Methods），因為數字精確、易於處理。然而，質性方法（Qualitative Methods）也能提供量化方法無法獲得的寶貴資訊，例如研究人類行為及其變化。複雜的感受和意見——員工士氣低落的原因、客戶不滿的根源——無法完全用量化技術捕捉。

三角驗證法（Triangulation）：將量化數據與質性方法結合，透過人們的描述、感受和行為，為分析增添額外維度。

量化研究與分析#

量化研究與分析的目的，是為管理者提供做出更佳決策所需的分析工具。這個領域需要對數學概念有一定掌握，但只要適度投入，MBA 便能展現出使其脫穎而出的技能。

決策理論（Decision Theory）#

Blaise Pascal（1623–62）被認為是開創決策理論的先驅，即在不確定條件下的決策制定。在 Pascal 之前，事件的結果被認為主要掌握在上帝手中。他開創了一種利用數學分析來評估各種替代方案的成本和殘餘價值的方法，以便在相關資訊不完整時做出最佳選擇。

決策樹（Decision Trees）#

決策樹是一種以視覺化方式組織數據的工具，幫助在多個選項之間做出選擇，這些選項具有不同的發生機率和不同的結果。決策樹自 1960 年代開始在商業中使用，1970 年後隨著演算法的發展而廣泛流行。

建立決策樹需要以下步驟：

• 列出所有可能的替代方案
• 估算每個替代方案的財務後果
• 以不確定性來評估每個替代方案的風險

決策樹的慣例是：方形代表決策點，圓形代表不確定結果。將每個可能結果的預期利潤乘以其發生機率，得出所謂的「期望值」（Expected Value）。將所有可能結果的期望值加總，即可比較不同決策的預期收益。

若決策結果跨越多年，應結合淨現值（Net Present Value）進行分析。

統計學（Statistics）#

統計學是用來幫助我們評估觀察到的事物是否真實的工具集。例如，若一家公司接到的最後 10 通電話都是取消訂單，這是否代表公司有問題，還是在合理的可能範圍內？

通常我們無法檢驗整個母體，必須從樣本進行推論。除非樣本具有代表性且規模足夠大，否則對證據的解讀可能嚴重偏差。

集中趨勢（Central Tendency）#

集中趨勢是統計學中最常用的概念，試圖用一個數字來代表整體。三種主要的測量方式經常被混淆和誤用：

當資料分佈偏斜時，應使用中位數；當分佈對稱時，平均數和中位數會得出相似結果，兩者皆可使用。

變異性（Variability）#

除了測量數值如何圍繞中心值聚集，還需要了解這些數值可能的變動幅度：

• 全距（Range）：最大值減去最小值，反映資料的分散程度
• 標準差（Standard Deviation）：基於中央極限定理（Central Limit Theorem），即大量樣本的平均值會趨近常態分佈。鐘型曲線（Bell Curve，又稱 Gaussian Distribution）展示了數值圍繞平均數的分佈情況：
  • 68.2% 的觀察值落在平均數 ±1 個標準差內
  • 95.4% 落在 ±2 個標準差內
  • 99.6% 落在 ±3 個標準差內

預測（Forecasting）#

銷售驅動企業的大部分活動——現金流、庫存水準、產能，以及最終的獲利能力。銷售預測不同於銷售目標：目標是你想達成的結果，預測則是根據過去數據推斷的最可能未來結果。

預測的三個組成要素：

使用平均數進行預測#

最簡單的預測方法，假設未來與近期過去大致相同：

• 移動平均法（Moving Average）：取過去一段時間（如 6 個月）的銷售數據，算出平均值作為下一期預測。適用於變化緩慢的成熟市場
• 加權移動平均法（Weighted Moving Average）：賦予較近期的數據更高的權重，更能反映當前商業環境

進階預測技術#

• 指數平滑法（Exponential Smoothing）：隨著數據變舊，權重呈指數遞減
• Holt 和 Brown 線性指數平滑法：處理不同類型的趨勢
• Box-Jenkins 方法：應用自迴歸移動平均模型（ARMA）找出時間序列的最佳擬合

選擇最佳預測技術通常需要反覆試驗。各種軟體程式可以將每種技術應用於歷史數據，計算最佳擬合預測。然後觀察實際結果，選用預測最接近實際結果的技術。

因果關係（Causal Relationships）#

在觀察資料集時，常會發現某些因素之間存在關聯。例如，烤肉架的月銷量與前一個月的平均溫度之間呈現明顯的正相關。

關鍵概念：

• 散佈圖（Scatter Diagram）：繪製兩個變數之間的關係

• 最佳擬合線（Line of Best Fit）：最準確地代表斜率的線，可作為估算工具
• 線性迴歸（Linear Regression）：用代數公式計算最佳擬合線
• 自變數（Independent Variable）與應變數（Dependent Variable）
• R 平方（R-squared）和 Student’s t 檢定：用於檢驗關係的強度和顯著性

質性研究與分析#

質性研究在社會學、歷史學、地理學和人類學中根基深厚，在醫學和政治領域廣泛使用，但在商業界的影響較小——可能因為它被視為一種較「軟性」的學科。隨著人們逐漸認識到：量化研究能揭示什麼問題重要以及問題在哪裡，但在理解問題為何產生或如何解決方面較為薄弱，質性研究的地位正在提升。

質性研究在以下情境特別有價值：

• 複雜議題：量化方法適合分離和測量個別因素，質性方法則能理解這些因素之間的關聯性和它們引發的張力
• 利害關係人差異：量化方法的匯總特性可能使較弱勢的利害關係人的觀點被忽略，質性研究賦予個人在分析過程中發聲的機會
• 重大建議：當研究結果可能導致重大變革（如改變工作模式、關閉部門、調整薪酬）時，質性研究允許探索人們對潛在行動方案的態度和感受

觀察法（Observation）#

觀察法的力量在於：人們在訪談或問卷中所說的，與他們實際所做的之間往往存在不一致性。這不一定是因為人們在撒謊，而是他們的自我欺騙能力往往很高。

觀察法分為兩種形式：

• 參與式觀察（Participating Observation）：觀察者參與被評估事物的至少某些方面，以獲得更深入的理解。這是神秘顧客（Mystery Shopping）所使用的方法
• 純粹觀察（Pure Observation）：觀察者保持距離，不介入情境，避免影響結果

觀察研究的最大困難是準確記錄。做筆記可能引人注目，幾乎必然會使被觀察者提高警覺。

訪談（Interviews）#

與人交談和傾聽，是進行質性研究最基本且最常用的方法。質性訪談有多種形式：

質性訪談不同於調查問卷，它不嚴格遵循固定問題，而是不斷探究和交叉驗證資訊，在先前答案的基礎上累積知識。良好的人際技巧、對受訪者的敏感度、適當的時間和地點、訓練有素的訪談者以及適當的樣本，都是成功訪談的關鍵。

焦點團體（Focus Groups）#

焦點團體是一種多人訪談形式，由 8 至 10 人的小組組成，成員依據特定關鍵屬性（如特定知識、經驗或社經特徵）挑選。

焦點團體相較於個人訪談的優勢：

• 效率更高：在約兩倍於一次訪談的時間內可獲得 10 個人的意見
• 透過聆聽他人的評論，往往能激發更多的想法、意見和見解
• 在團體情境中做筆記更自然、較不具威脅性

焦點團體的三種變體：

• 社區論壇（Neighbourhood Forum）：為具有共同特徵的人群（如年輕母親、退休人士、通勤者）舉辦的定期本地會議
• 公民陪審團（Citizens’ Juries）：少量公眾成員花一兩天時間，在類似司法的環境中辯論某個議題，聽取專家從各角度陳述論點
• 腦力激盪（Brainstorming）：旨在激發創造性思維以解決特定問題的團體會議。三個步驟：
  1. 盡可能多地產生想法，不加批評，歡迎不尋常甚至看似不切實際的提議
  2. 簡要審視提議，淘汰公認不可行的或合併想法形成更好的方案
  3. 討論並排序可行的解決方案

個案研究（Case Studies）#

個案研究是對特定組織、事件或主題的全面系統性研究。它可以是書面的、影片的或電腦的形式。個案研究需要一個底層問題——例如，公司如何著手關閉某個特定部門。它不回答問題，而是從訪談、公司和公開文件、觀察等來源提供資訊，讓讀者從中辯論並形成意見。

三角驗證法（Triangulation）#

三角驗證法是結合質性和量化研究方法的過程，讓研究者兼取兩者之長。事實上，這兩個學科本身就有重疊之處：

• 量化研究產生數字——受訪人數、某種感受或意見在訪談中被提到的次數
• 質性方法可用於闡明量化議題，例如人們對某個問題的感受強度

調查（Surveys）#

調查是結合量化和質性過程的最常見研究方法，幾乎無處不在地用於組織中——從衡量員工士氣、評估客戶滿意度到獲取任何利害關係人群體的意見。

調查的進行方式：

• 約半數調查採面對面進行，被認為最適合消費者市場
• 其次是電話、電子郵件和網路調查，適合企業和組織
• 郵寄調查曾經很受歡迎，現在僅佔不到 10% 的調查工作

調查樣本大小#

調查的準確度隨樣本量增加而提高：

對於小型企業，通常建議最少 250 份有效回覆。例如，在 600 人的樣本中，若調查顯示 40% 的女性開車，真實比例大約介於 36% 至 44% 之間。