大數據與數據科學簡介

歡迎來到 APM 課程中最令人興奮的部分之一！過去，業績管理依賴陳舊的財務報表，告訴我們上個月發生了什麼事。而今天，大數據 (Big Data) 與 數據科學 (Data Science) 讓企業能夠掌握當下發生的情況，甚至預測未來的走向。作為一名 ACCA 學生，理解這些方法至關重要，因為你經常需要建議公司如何利用科技來獲取競爭優勢。

在本章中，我們將重點探討大數據的定義、處理數據的步驟、分析的不同層次，以及我們現在可以分析的各種數據類型。

1. 認識大數據

大數據是指規模巨大且複雜，以至於傳統數據處理軟件無法應對的數據集。想像一下，一家小雜貨店的紙本帳簿與亞馬遜 (Amazon) 每天處理的數十億次交易之間的分別。

大數據的 4V 特徵

為了幫助你記住大數據的特徵，請記住 4V：

  • Volume (容量)： 數據量極其龐大。我們討論的是以 TB (Terabytes) 甚至 PB (Petabytes) 計的信息。
  • Velocity (速度)： 數據產生和處理的速度。例如，社交媒體動態或信用卡交易都是實時發生的。
  • Variety (多樣性)： 數據以多種形式呈現——不僅僅是電子表格中的數字，還包括照片、影片和社交媒體貼文。
  • Veracity (真實性)： 數據的「真實程度」或質量。數據是否準確？我們能否信任它來做決策？

對業績管理的影響： 大數據實現了實時監控 (Real-time monitoring)。管理層不再需要等待月底的差異報告，而是在生產效率下降的一瞬間就能發現並立即修復。

考試小貼士：在考試中，如果被問及大數據的「挑戰」，「真實性」(Veracity) 通常是最值得討論的一點。如果數據雜亂或有偏差，業績報告就會出錯！

2. 數據科學流程

數據科學並非魔術，它遵循邏輯清晰的步驟。你需要理解這個流程，以便評估一家機構如何管理其數據洞察。

第一步：設定目標 (Setting the Goals)

在查看數據之前，你必須知道要解決什麼問題。例如：「我們希望將客戶流失率降低 10%。」

第二步：選擇數據 (Selecting the Data)

決定哪些數據來源是相關的。這可以是內部數據（銷售記錄）或外部數據（天氣模式或競爭對手價格）。

第三步：清理數據 (Cleaning the Data)

這通常是最耗時的部分。必須剔除「髒數據」（重複、錯誤或缺失值）。如果你跳過這一步，結果將會是「垃圾進，垃圾出」(Garbage In, Garbage Out)。

第四步：轉換數據 (Transforming the Data)

將數據轉換為可用的格式。例如，將原始日期更改為「星期幾」，以觀察週六的銷售額是否更高。

第五步：儲存數據 (Storing the Data)

數據必須安全儲存，並以易於提取分析的方式存放，通常使用雲端技術 (Cloud technology) 或數據倉庫 (Data warehouses)（我們將在下一章詳細介紹）。

核心要點： 業績管理的效果取決於背後的數據質量。跳過「清理」或「目標設定」階段會導致昂貴的錯誤。

3. 數據分析的四個層次

在 APM 中，你必須能夠應用並評估這四種類型的分析。它們從簡單的「回顧過去」演進到複雜的「展望未來」。

A. 描述性分析 (Descriptive Analytics) ——「發生了什麼事？」

這是對過去數據的總結。例子： 一份顯示上季度銷售額下降了 \(5\%\) 的報告。大多數傳統的管理帳目都屬於描述性分析。

B. 診斷性分析 (Diagnostic Analytics) ——「為什麼會發生？」

這會深入挖掘以尋找模式或原因。例子： 發現銷售額下降是因為某條特定貨運航線受阻。它尋找的是相關性。

C. 預測性分析 (Predictive Analytics) ——「將會發生什麼事？」

利用歷史數據預測未來。例子： 利用過去的季節性趨勢，預測公司在 12 月將需要增加 \(20\%\) 的庫存。（註：回歸分析 Regression analysis 是這裡常用的工具）。

D. 指示性分析 (Prescriptive Analytics) ——「我們該如何促成目標？」

最高級別的分析。它會建議行動方案。例子： 一種根據當前需求每小時自動調整價格的算法，以實現利潤最大化。

類比： 想像你在開車。描述性是看時速表；診斷性是看到「機油不足」指示燈並了解引擎過熱的原因；預測性是看到前方的烏雲，知道路面將會濕滑；而指示性則是 GPS 告訴你具體該在哪個路口轉彎，以避開風暴並準時到達。

4. 用於分析的數據類型

現代業績管理不再僅僅關注數字 (\(1, 2, 3\))。我們現在利用非結構化數據 (Unstructured data) 來獲取洞察：

  • 文本 (Text)： 分析客戶評論或郵件以衡量「情感」。如果客戶使用「緩慢」或「失望」等詞語，淨推薦分數 (NPS) 很可能會下降。
  • 圖像 (Image)： 使用照片檢查裝配線上的產品質量，或監控零售店的人流量。
  • 影片 (Video)： 分析監控畫面以查看客戶在隊列中等待的時間，這是一個關鍵的非財務業績指標 (Non-financial performance indicator)。
  • 語音 (Voice)： 分析客戶服務通話錄音，查看員工是否遵循腳本，或客戶聽起來是否感到沮喪。

5. 風險與挑戰

雖然大數據聽起來很完美，但它也帶來了顯著的障礙，你應該在考試答案中提到這些點：

  • 成本 (Cost)： 購買技術和聘請數據科學家的費用非常昂貴。
  • 技能缺口 (Skill Gap)： 現有的會計師可能不具備解讀複雜數據模型的技能。
  • 數據過載 (Data Overload)： 管理層可能會被過多信息淹沒（通常稱為「分析癱瘓」），導致難以集中精力於關鍵成功因素 (CSFs)。
  • 安全與倫理 (Security and Ethics)： 儲存大量個人數據會帶來網絡攻擊的風險，以及有關隱私的倫理困境。

快速複習測驗

問：哪一個 'V' 代表數據產生的速度？
答：Velocity (速度)。

問：哪種類型的分析會告訴經理下一步該做什麼？
答：指示性分析 (Prescriptive Analytics)。

問：為什麼「清理」數據很重要？
答：為了確保準確性，並避免根據「垃圾」數據做出決策（確保真實性 Veracity）。

交叉引用： 若要了解這些方法如何應用於 AI 或回歸分析等特定科技，請參閱 D 部分後續章節。