為什麼經理人需要懂數據分析#

資料正以前所未有的速度與規模湧入企業：從可控的小型資料集，到每一次消費或社群按讚都被記錄下來的大數據（big data），都為管理者帶來新的可能性。

資料能為經理人帶來的價值包括：

• 預測未來：例如新店面是否可能成功、下一年度合理的預算規模。
• 找出原因：辨識廣告失敗、季度衰退、員工表現不佳的原因，並及時修正路線。
• 隔離變數：理解顧客真正想要什麼，評估某項計畫成功的機率。
• 掌握外部趨勢：取得產業與市場的洞察，從新產品開發到人事決策都更有依據。

即使你把分析工作交給最聰明的專家，若你不理解他們在做什麼、結果代表什麼，那些數字就只是數字而已。每位決策者都需要具備數據分析（data analytics）的基本素養。

這本書的對象與目的#

本書並非寫給數據科學家（data scientist）、分析師等專業人員，而是寫給沒有統計背景、卻仍想用資料改善決策的經理人。

它不是一門完整的統計課，而是要協助你：

• 看懂數字背後的訊息
• 識別計算結果可能出錯的地方
• 在日常經營決策中做出更有把握的選擇

全書結構#

本書帶領讀者走過經理人版數據分析流程的三個核心步驟，並以一個附錄收尾：

第一部分：入門（Getting Started）#

由 Thomas Davenport 概述經理人在資料分析中的角色，並透過一個簡單練習讓你親自走一次「蒐集、分析、行動」的完整流程。

第二部分：蒐集正確的資訊（Gather the Right Information）#

回答兩個關鍵問題：

• 我需要哪些資料？
• 怎麼取得？

涵蓋如何向資料專家提需求、如何運用科學方法與 A/B 測試自行產生資料、如何挑選對的指標（metrics），以及如何評估資料品質、判斷資料能否信任。

第三部分：分析資料（Analyze the Data）#

聚焦在概念與應用，而非數學細節。介紹預測分析（predictive analytics）、迴歸分析（regression analysis）、相關性與因果（correlation vs. causation）、統計顯著性（statistical significance）、機器學習（machine learning）等基本概念，並提醒讀者避開非線性世界裡的線性思維陷阱、潛意識偏誤（subconscious bias），以及「結果好得不像真的」的離群值（outlier）危險。

第四部分：傳達你的發現（Communicate Your Findings）#

Thomas Davenport 的提醒：「永遠不要假設結果會自己說話。」

說明如何用視覺化（visualization）讓資料支持你的訊息、如何呈現不確定性與機率、如何回應對你資料提出質疑的人。最後 Nick Morgan 強調，要真正改變他人想法，光靠數字不夠，還需要一個帶有情感力量的故事。

附錄：資料科學家——21 世紀最性感的工作#

收錄 Thomas H. Davenport 與 D.J. Patil 的經典文章，協助你理解這個被形容為「資料駭客、分析師、溝通者與可信顧問混合體」的關鍵角色，並學會如何招募與留住他們。

自我檢測：你是「資料驅動」的經理人嗎？#

在進入後續章節之前，先評估你目前把資料融入工作的程度。Thomas C. Redman 提供以下檢核清單：每個你「持續做到」的行為給 1 分、「大多數時候做到」給 0.5 分，請對自己嚴格一點。

• 我把決策下放到最低可行的層級
• 我盡可能引入多元資料與多元觀點
• 我用資料更深入理解業務情境與當下問題
• 我培養對「變異（variation）」的敏銳度
• 我能合理地處理不確定性
• 我整合資料判讀與直覺
• 我重視資料品質並願意投資改善
• 我以實驗與研究補強既有資料、回答新問題
• 我承認決策標準會隨情境而變
• 我把決策視為起點，會隨新資料修正
• 我持續學習新技能，把新資料與技術帶進組織
• 我從錯誤中學習，也幫助別人這麼做
• 我以身作則，並協助同事與下屬一起變得資料驅動

不到 7 分：必須立刻改變工作方式。先從「部分做到」的項目開始，把它們嵌入日常工作，再挑戰目前完全沒做到的部分。

7 分以上：已展現資料驅動的雛形，但仍需持續成長。設定每年學一兩個新行為，並每半年重做一次測驗追蹤進度。

帶著這份自評結果與開放的心，準備將資料編織進你每一個決策中。