從社會學走進資料科學，不務正業的她？
講者：陳秀嘉 Alyssa Chen｜Data Manager @ LINETAXI
活動主辦單位： Taiwan Data Science Meetup 台灣資料科學社群
Agenda：
一、講者介紹 (Introduction)
二、社會學是什麼？
三、職涯故事
四、職涯中的選擇
五、給跨域的朋友幾個小建議
六、想轉職到數據分析的致勝關鍵
七、工商時間
八、Q&A
一、講者介紹 (Introduction)
講者：Alyssa
數據分析約7年經驗，擁有電商、航空、母嬰保健以及叫車平台數據分析等經驗，從社會系跨領域至資料科學，職涯橫跨商業分析、BI、營運總監與產品數據經理，現於科技業新創公司叫車平台擔任 Data Team Lead，擅於以程式語言與 GIS 技術處理人口空間統計資料、用戶價值研究與商業分析。下班之餘則建立並經營女性專訪平台《Girlstowomestory 她的故事 》並經營 《Alyssa社會學半路出家資料科學》平台，分享跨領域學習心路歷程、職涯發展與產業觀察。另外，也在 2017 年開始從 WiDS（Women in data science Taipei)，從組織內的前輩學到許多知識、職涯上的建議，擔任研討會與工作防志工，並在2022年擔任核心推廣大使，並舉辦《職涯咖啡廳》邀請諸位資料科學業師分享經驗給更多初踏資料科學領域的入門者。
二、社會學是什麼？
很常被誤認為社工？
以流浪貓為例，有一隻流浪貓在街上，社工會為其尋找居住的處所，專注在行動的執行上；而社會學則會去思考為什麼流浪貓會出現在這？換而言之， 社會學專注在問題本質的思考 上，思考在什麼樣的社會經濟結構下，問題是如何、為何發生。
社會系校友去哪裡？
社會系校友去哪裡？
為什麼會說不務正業呢？因為不像其他科系通常會有一個明確的職業對應，像是資工系：工程師。社會系所學比較難與特定職業有一個直接的連結，因此求學期間需要花更多努力才能知道未來的職業走向。
Alyssa 大學到研究所都是就讀社會系(學)，當時也很擔憂畢業即失業的情況，因此在大學、研究所做了許多打工、研究，像是 HR、Sales、研究助理等，從多方面嘗試中探索可能適合的道路。
三、職涯故事
Alyssa 職涯
關於職涯
- 大型電商 / 經營分析專員
Alyssa 畢業之後，花許多時間、心力找比較合適的工作，社會學比較多在做市場調查、抽樣、質性訪談相關的工作，當時也面臨是不是要繼續這一條路？
之後選擇進入了大型電商，在財務相關部門擔任經營分析專員，求學時修習了許多商業相關的課程，對這份工作幫助頗多。工作內容有 30% 是做 BI，替業務單位拉報表以及處理需求，50% 則是自主研究，有很大的自主空間，花 1~2 個月去做 MVP 的專案，其中多樣式的主題也滿足了本身就充滿好奇心的她。另外 20% 則是在 training 的部分，像是讀書會、研討會等學習。
也因為當時團隊有很好的學習氛圍，一起研究 R 語言以及其 package，在此待了 2 年多的時間，後續考量自己的職涯地圖（能夠完整了解資料上游資料搜集與下游數據相關應用）與個性所向，決定前往新創公司。
- 航空業 / 資料倉儲專員
後續來到了航空業，工作內容是資料倉儲的部分，但當時其實對資料倉儲了解不算多，但在前一份工作有與 IT 部門交流過資料如何獲取的經驗。在航空業也花時間去了解、做訪談，對於資料流上開始慢慢有了更深的認識。
- 母嬰保健產業 / Head of operations
接著考量家庭因素將工作中心轉往中國，當時拿到的 offer 雖然大多與電商相關，但因為一個機緣巧合得到一份月子中心的 offer，工作內容比較偏向 connection ，比較需要經營管理的經驗，這部分的經驗正好在大型電商工作時，有從報表閱讀上學到許多，也開始了在母嬰保健產業的工作。
這份工作帶給 Alyssa 許多眼界上的衝擊，在當地因為母嬰產業的競爭激烈，需要花費許多心力才能打動當地市場的目標客群，另外文化差異、法務上的問題都有許多挑戰，但不設限的她也享受於每個挑戰來的成就。
她回想，當時一個很大的挑戰在於如何因應當地的文化去做策略，也發現了過往在 質性訪談 上的經驗對此非常有幫助，像是透過訪談取得媽媽們在生產完需要什麼樣的服務，可以達到最好的使用者體驗。
有些人可能會好奇月子中心會需要資料嗎？其實報表就會不斷需要資料的流入才能夠建立，像是媽媽或新生兒們在什麼時候會有護理師的需求嗎？過往這個流程是需要人工撰寫的方式進行管理，但透過一些數位化的方式，讓資料流更加順暢。她回想：「即使產業看似很不同，但數位化的過程是不挑產業的，只是換了個產業，讓我更加了解如何透過數據讓工作流程變更好。」
在這份工作，提升了許多同理心。過往工作都是比較直接處理需求，而這份工作則需要更多與業務單位的合作，需要基於同理心、感同身受的出發點，結合領域知識，做出的決策品質會有明顯的差異。
- 新創電商 / 產品數據經理
因為疫情關係回到台灣，前往一個新創電商擔任 數據產品經理 ，資料本身是偏向 App、廣告歸因相關，是過往經驗比較少有接觸的工作性質，又因為是新創產業，步調非常快，需要快速了解產品流程與相對應資料，但面對挑戰是比較不會設限的她笑說，其實最佳解，就是不斷地與同事請教去吸收相關的知識以及拜讀谷歌大神。
- 科技業新創公司 / data team lead
過去嘗試許多不同產業、不同職位，職涯到了一個想要專心往一個方向鑽研的關口，因此到了 LINETAXI。
能夠得到這份工作，主要是因為不對自身設限。產品資料遇到的第一個任務與廣告渠道歸因相關，也是一個沒有觸碰過的領域，如果會害怕新的挑戰，可能就會遇到許多困難。
從市調到 BA、從數據到營運
社會學的學長姊有較大的比例是做市調相關的工作，與所學比較接近，能夠比較好的發揮價值。但是職涯選擇其實自己考慮好、思考過，就可以勇敢做決定，不用太去考慮別人的看法。
像職涯初期工作都與 Data 相關，後續轉換到營運部分，都是一些不同的道路，可以多多去嘗試，才能夠真正更好地了解自己所喜歡的工作內容。
All things are difficult before they are easy.
學習本身就是一件不容易的事情，但可以透過一些方法使得學習變得更有效率。
- 讀書會社群的力量
透過讀書會的方式，可以認識不同領域的朋友，Alyssa 除了與一些朋友交流組織讀書會外，或是下班後參與讀書會與研討會以外，習慣也延續到現在。另外像是 WiDS (現更名為 TWiDS )的組織也非常推薦參加，當時有一個活動 《資料科學家的一天》，透過訪問當時在資料科學領域前輩的對談，對於 junior 階段的 Alyssa 在職涯規劃中增添了許多的成長養分。
- 學多不如學精
以程式語言為例，數據分析不外乎是Python / R，通常是可以被接納的。先精通一個語言，之後真的有需要，第二個也會上手得更快。
- 多閱讀多聊天
閱讀能夠很好地提升工作表現，不論是技術上還是針對問題本質的拆解，Alyssa 職涯上比較常需要去拆解問題，閱讀的力量提供了許多幫助。
要做好數據分析，一定要了解相關的領域知識。多與業務單位聊天、溝通，可以更好地了解真實需求，提升分析的品質，不僅能夠打造良好的數據支援與業務單位良好合作的氛圍，甚至可以促成一些新的合作。
四、職涯中的選擇
大公司與新創的選擇？
先學會車子長什麼樣子，再訓練自己組裝車子的能力
以新創來說，步調會比較快，專案落地的機會也比較高，但是面臨的挑戰也會比較多。可以觀察自己的傾向去做選擇。
有的人會詢問先去大公司還是新創？以車子為例，先到大公司了解車子的概觀；而到新創則是要在時間、成本限制下，建立一個可以跑(滿足需求)的車子，再透過不斷迭代去優化。
推薦: 大 —> 小。
跨產業與跨職能？
有助於更加設身處地提升對於每個部門的同理心，並透過數據分析問題的本質。
不論是跨產業、跨職能，都會有一些共通的地方，像是在航空業時，流程是確定的，這屬於領域知識的部分，在不了解領域知識的情況下，會讓後續的分析沒有價值。透過傾聽、學習領域知識，掌握好問題的本質部分。
技術職與管理職的選擇？
大量的協調溝通與組織團隊，訓練能打戰的團隊！
技術職需要日復一日的鑽研；而管理職需要更多協調溝通、管理的能力，兩者傾向不同，Alyssa 更喜歡幫助大家提升、協調成長，因此選擇管理職的部分。可以根據自身的傾向去做技術職/管理職的選擇。
每段選擇，累積自己的工具箱
五、給跨域的朋友幾個小建議
我是非本科，但想踏入資料領域
- 多嘗試
透過校園課堂分析報告，嘗試以程式語言或視覺化軟體呈現。不僅量化，還有質化！ - **多累積
** 出職場後，履歷上的作品集會是展現你想踏入資料科學領域的決心！ - **多交流
** 多參與相關社團或專案，一個資料團隊擁有多項不同的角色(資料工程師 / 資料科學家 / 資料分析師 / PM) - **多挖掘
** 尋找自己本科能為分析帶來的價值，創造專屬自己的獨有價值！
六、想轉職到數據分析的致勝關鍵
- 邏輯力與合理性
- 想像力與好奇心
- 跨域溝通與同理心
- 細心與耐心是關鍵
推薦大家可以根據上述的特質去衡量以及補足自身能力，追尋數據分析職涯。
擇你所愛，愛你所擇 — from Alyssa, π型人參考
七、工商時間
LINETAXI 招募
八、Q&A
Q1：跨域學生如何撰寫履歷、如何提到”綜合型”的背景優點，避免看起來雜亂無章，導致無法聚焦？
- 以 data 來說，可以先描述對 data 掌握度有多深，使用了什麼方法、什麼技巧，要使用量化的方法去評估，另外還有如何去優化以及聚焦在如何解決問題上。
- 描述自己的科系領域，如何貢獻價值。比如說商學院，對 GMV 很敏感，要更具體地說，如何結合數據產生價值。
Q2：對於跨域學習、初期 coding 能力不佳時，第一份工作本身 code 份量不重的工作中，建議如何去累積自己的 coding 能力或是作品？
- 可以在工作範圍之外，做一些研究，找出自己的附加價值，可以結合工作上可能的情境出發。另外就是多練習，提升數據洞察力。
Q3：對於第一份工作產業、公司規模大小、與職稱的選擇？
- 產業是選擇喜歡的。當時選擇公司是因為有許多通路，有電視通路與型錄通路，考量當時市場的趨勢部份，公司規模也很健康。
- 職稱這一塊，比較其次，能力、工作內容比較重要。titile 其實不重要，更需要著重的是去做想做的工作內容。
Q4：學多不如學精是怎麼架構這一些的？
- 當時對 R 語言已經滿熟練了，比較是對於資料整理、EDA 部份的加強。
- 常常會去聽研討會，會去紀錄講者用什麼樣的方式，接著思考換做是我該怎麼做，也買了許多書，增加實際演練的機會。另外 ML 經驗在工作實戰中就會迅速變高。
Q5：如何產生 business insight，產業知識？
- 商周、資策會關於用戶研究、公司研究的資訊分享，可以在上班前、後快速 10 分鐘快速去吸收。另外，多閱讀書籍，尤其是跟 data 沒有那麼相關的書，因為資料部門通常是與某一個部門合作，會需要互相了解才可以提升說服力，展現專業力。
Q6：不要限制職涯道路，如果產業差距很大也可以嗎？有什麼建議？
- 雖然產業差距很大，但核心是人，可以找到共通之處，如財務、行銷，流程上可能大致相同。
Q7：請問學生要如何累積數據分析作品級或者練習例子
- 修習的課程可以透過 coding 去解決問題。想辦法結合數據去做練習，如果你還是學生，不妨尋找像有些校園有相關數據分析社團，都是一些很好的管道。
- 學校之外也可以使用 open data，花額外時間做專案。
Q8：想請問”數據分析”領域會牽涉到”文字能力”是指哪種職務範疇？這部分好像比較少聽到過。
- 數據分析結果產出之後，需要與其他人說明，如果文字撰寫能力不佳，說服能力就會扣分，所以包括了文字撰寫，都會是數據分析力的一部份。數據分析又包括質化、量化，如果沒有辦法好好撰寫就沒辦法真正把真實產值發揮出來。
筆手： Aaron Yang
校稿：陳秀嘉 Alyssa Chen
所有圖片都來自 Alyssa Chen。
👉 歡迎加入台灣資料科學社群，有豐富的新知分享以及最新活動資訊喔！
