想成為資料分析師？解析數據分析科系所學與職場需求的落差

「你想念數據分析相關的科系，但你知道你到底想要做什麼嗎？」這是許多想從跨領域進入數據分析相關科系前會有的疑問。奠基於研究所學習與職場經驗，Vivienne 對於資料相關研究所與職位有深刻的觀察，接下來會簡介數據相關研究所會學什麼、就業市場上有哪些職位，以及研究所課程與就業的落差。

對文章有興趣來不及看？點選右上角「橘色小書籤」收藏文章，再也不怕錯過就是一輩子！

「你想念數據分析相關的科系，但你知道你到底想要做什麼嗎？」這是 Vivienne Yang 對自己提出的疑問，也是許多想從跨領域進入數據分析相關科系前會有的疑問。Vivienne 當初在申請研究所時，只是覺得沒有硬技能很不安，希望可以念碩士、學一些程式語言的應用較有競爭力，但唸完之後發現數據領域裡面其實還有細分非常多不同的職位。

在美國工作三個月後，Vivienne 平常會用的數據分析工具只有 Excel、Power BI 和 Google Data Studio，多數在研究所時期學的東西在現在的工作幾乎應用不到。奠基於研究所學習與職場經驗，Vivienne 對於資料相關研究所與職位有深刻的觀察，接下來會簡介數據相關研究所會學什麼、就業市場上有哪些職位，以及研究所課程與就業的落差。

踏進數據分析的大門前，先了解數據分析碩士在學什麼

因應風潮，現在數據分析相關的碩士琳瑯滿目，從最古老的統計 (statistics)、資料科學 ( data science )、商業分析 ( business analytics )、應用分析 ( applied analytics )、量化管理 ( quantitative management ) 都有。

大部分的碩士課程八九不離十都會著重在機器學習和一個程式語言 ( 通常是 python 或 R )。剩下的課程中，如果是技術性相對高的統計 (statistics) 或資料科學 ( data science ) 碩士學程，那數學和統計學的課程會多一點，技術性相對低的商業分析 ( business analytics ) 則是商業、溝通的課程會多一點。在美國通常最後一學期會做一個類似產學合作的專案 ( capstone / practicum ) ，如此安排課程的目的是給學生練習學到的硬技能和團隊合作能力，順便有個專案經驗可以放到履歷上。

數據分析相關的碩士主軸通常是「機器學習」課程，而課程可以教得非常理論，也可以教得非常應用。
像是商業分析 ( business analytics ) 或應用分析 ( applied analytics ) 這種偏商的碩士，基本上只會介紹各種機器學習的模型 ( model )、什麼況狀用什麼 model、對應的功能 ( package ) 是什麼。因為 python跟 R 裡面都有寫好的 package，只要叫出來就可以跑模型了，有點像是教你開飛機要按哪個按鈕拉哪個把手，但是不會教你飛機的構造和運作的原理。

基本上學完之後能跟資料界的人用相同的語言溝通，但除非你唸的是資料科學 ( data science ) 或統計 (statistics)，又或者除非你自己課外有花時間學習、做專題或刷題，否則光靠學校課程要成為一個獨當一面的資料科學家 ( data scientist ) 是不太可能的。

圖片來源：Hahow 圖庫

數據分析相關職缺百百種，哪一個才是天職呢？

我列出一些之前找工作時常在 LinkedIn 上看到的職位，雖然每個職位的工作內容會因公司而異，不過這邊列個大概也可以對就業市場上的職位也可以有初步的理解：

資料工程師 ( Data engineer )
擔任資料工程師的人，多數都是軟體工程師。這個職位負責寫程式建立資料庫 ( database / data warehouse / data lake )，把存在於官網、app、社群網站、GA ( google analytics )、電子郵件各處的巨量資料加以搜集整理並丟到建立好的資料庫。對應到學校會教的課是資料庫管理 ( database management )、資料建模 ( data modeling ) 與各式資料庫建立工具，如：Hadoop、MongoDB 和 Spark 等。

機器學習工程師 ( Data Scientist / Machine learning engineer )
這個職位通常也是工程背景出身，從資料庫撈資料出來，清理資料然後跑機器學習模型或統計檢測，通常對於 SQL、Python / Ｒ、各種機器學習的模型要非常熟，另外也要擅長簡報溝通。對應到學校的會教的課是統計 ( stastistics )、機器學習 ( machine learning )、SQL、資料視覺化 ( data visualization ) 和用資料說故事 ( storytelling with data )。

OOXX 分析師 ( OOXX Analyst )
這一個職位對於技術要求相對低，如果他們想看特定的資料，通常都會請商業智慧 ( business intelligence ) 建立儀表板，或是請資料工程師拉特定的資料到現有的資料庫或儀表板。學校相應的課程像是用資料說故事 ( storytelling with data ) 或溝通相關課程等，我個人覺得大部分的碩士不會開專門訓練分析能力的課，通常都是在做其他課的專案時會順便訓練到。

資料分析師 ( Data Analyst )
不少大公司或新創的資料分析師職位感覺夾在分析師 ( analyst ) 和資料工程師 ( data engineer ) 之間，做的事情比較像是一般的分析師，但是技術要求會比一般分析師高一點，我在 LinkedIn 上看到通常會要求精熟 python、R、SQL 等等程式語言和一些機器學習知識。

商業智慧分析師 ( Business Intelligence Analyst )
這是職位也是有點謎的夾在分析師 ( analyst ) 和資料工程師 ( data engineer ) 中間，主要工作內容通常是建立數據分析的工具給分析師和管理階層使用，像是建立儀表板、自動化報告等。這個職位在我之前實習的 chegg 也有做很多 API 串接 ( API integration )、數據擷取 ( data ingestion ) 等比較工程的工作，不太常會實際地去分析數據。

圖片來源：Hahow 圖庫

從求學背景分析數據分析所學與就業的落差

這邊要依據學生背景和數據分析碩士學程的屬性分成四種狀況來討論：

A. 理工背景 + 偏理工的碩士
偏理工的碩士學程技術難度高，由於課程內容注重數學統計模型和寫程式，不會手把手從基礎教起，申請的門檻常常就要求大學要讀理學院或工學院，比較能銜接課程。理工背景的學生念完這類型的碩士，基本上程式撰寫能力和機器學習的知識都紮實，通常都是做資料工程師，他們只要準備面試跟刷 leet code 上相關的題目，找資料工程相關工作通常不會太波折。

B. 非理工背景 + 偏理工的碩士
非理工背景的學生能夠申請上技術難度高的碩士，通常是有幾年相關的工作經驗（例如做過分析師或是在 SAS 這種相關類型的大企業工作過），或自身對資料分析非常有興趣，有在自學和做專案的實戰經驗。通常這類型的學生對資料科學都滿有熱忱的，儘管念碩士的時候可能比理工背景的吃力一點，但憑藉已經有過往工作經驗或做課外的專案，能把碩士順利唸完並好好準備面試，找資料工程師這類技術難度較高的工作也都不會太困難。

C. 理工背景 + 偏商的碩士
理工背景的學生跑去唸技術難度比較低的數據分析學程應該是輕鬆的，這類的學生通常在做小組專案的時候會成為負責程式撰寫的那位中流砥柱。不過由於課程不會太深入統計或機器學習的原理和數學，所以同樣想要申請資料工程師，跟 A 類型比起來實力可能會稍弱，就要自己多花一點精神去額外學習、做專案、刷 leet code 等，但是大學的理工背景還是會比 D 類型吃香。

D. 非理工背景 + 偏商的碩士
這類型要申請資料工程師的難度最高，除非自己額外付出時間去閱讀學習、累積專案經驗、刷題，不然單靠學校課程很難具備資料工程師該有的技術實力跟知識。如果要申請一般的分析師還好，但老實說一般分析師其實也不會用到機器學習、資料庫管理等知識，所以照這個 CP 值來說是不需要特地念一個碩士（當然為了出國工作或增廣見聞就另當別論）。非理工背景 + 偏商的碩士最理想的狀況，大概是已經有好幾年工作經驗的經理人，需要管理數據團隊，具備基本知識和他們溝通，但不需要自己實際動手去寫程式。

圖片來源：Hahow 圖庫

釐清職涯目標，譜出屬於自己的數據分析職涯

我自己是 D 類型的學生，因為原本就不是以成為資料科學家為目標，所以在找工作的時候並沒有經歷太多落差。但是也是那時，看了很多資料工程師和資料分析師的工作能力要求才驚覺自己就算唸了一個碩士，程度還是差十萬八千里，真的不額外付出努力不行。看身邊同樣是 D 類型的同學和朋友要找那些工作也是找得非常辛苦，相對地 A、B 類型的朋友都蠻順利。最後，我覺得搞清楚自己念書的動機和之後到底想要做什麼真的很重要，然後不能期待在學校待了 1.5 - 2 年出來就會有一份自己要的工作，畢竟求職真的是另一個戰場。