<h1><strong>從假鞋風波分析網紅社群團購</strong></h1><blockquote>近年來網紅團購是許多品牌常用的行銷手法，究竟是什麼讓消費者買單？又有什麼雷區會讓消費者離開？讓我們從前陣子的「假鞋風波」看品牌應該注意什麼，才能成為粉絲經濟中的贏家！</blockquote><div class="break"></div><figure><div style="margin:0 auto;width:601px;height:400px" data-scale="1.4902439024390244" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/cd53504a-7ee5-4251-88d7-44d347268329.jpeg" alt="從假鞋風波分析網紅社群團購商機.jpeg" data-size="{&quot;height&quot;:410,&quot;width&quot;:611}" data-alignment="center"/><span class="alt-text">從假鞋風波分析網紅社群團購商機.jpeg</span></div></figure><div class="break"></div><div class="break"></div><p>上個月17日，有匿名網友在 <a href="https://www.dcard.tw/f/buyonline/p/238642918" target="_blank" rel="noreferrer">Dcard</a>討論區發文指出網紅團購的球鞋有可能是假貨。不鳴則已，一鳴驚人，該文發出後馬上讓網友炸鍋，隨著陸續有網友po出自己的團購鞋經由驗貨app驗為假貨後，風波越演越烈，使得被捲入事件的網紅一一被指名。</p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:717px;height:662px" data-scale="1.0818452380952381" class="flex-col-center iframe-wrapper"><iframe width="100%" height="100%" src="https://public.flourish.studio/visualisation/9970190/" data-size="{&quot;height&quot;:672,&quot;width&quot;:727}" data-alignment="center" title="網紅團購假鞋事件聲量變化"></iframe><span class="alt-text">網紅團購假鞋事件聲量變化</span></div></figure><div class="break"></div><div class="break"></div><p>雖然這起事件討論熱度並沒有持續太久，卻也引起不少網友與新聞媒體關注，最主要的原因就是本次意外牽扯出將近兩百位網紅，也讓大眾看見團購商機背後的黑暗面。</p><figure><div style="margin:0 auto;width:609px;height:278px" data-scale="2.1493055555555554" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/8df65969-ee10-404c-bf9f-9caacd3ceab0.png" alt="「假鞋風波」相關新聞標題文字雲" data-size="{&quot;height&quot;:288,&quot;width&quot;:619}" data-alignment="center"/><span class="alt-text">「假鞋風波」相關新聞標題文字雲</span></div></figure><div class="break"></div><h2>網友討論重點</h2><ul><li>網紅名單與應對整理</li><li>驗貨結果分享</li><li>退款責任歸屬</li><li>討論網紅分潤金額</li><li>支持 / 不滿網紅處理態度</li><li>討論廠商貨源真假</li><li>團購行為本身風險性</li><li>Bonus：網友歪樓 Top1 「華航林依晨」？</li></ul><div class="break"></div><h3>涉案名單整理</h3><p>事件爆發後，網友紛紛點名涉案網紅，甚至在Dcard上有網友們協力整理涉案的網紅名單，以及網紅們對事件的回應。直至截稿時，總計有<a href="https://www.dcard.tw/f/buyonline/p/238679652" target="_blank" rel="noreferrer">191位網紅</a>被點名。</p><div class="break"></div><h3>認為網紅也該負責任的網友佔多數</h3><p>網紅到底該不該負責賠償粉絲損失？雖然仍有部分網友力挺網紅也是受害者，但還是較多網友認為<strong>網紅既然賺這麼多，就應該要為粉絲負責</strong>。</p><div class="break"></div><h3>網紅的應對成一大關鍵</h3><p>網友對於網紅應對方式相當敏感，部分網紅以消極態度處理，因而被網友點名與批評；反之，積極應對與自行退費的網紅則多得到網友的大力讚賞。</p><div class="break"></div><h3>歪樓小插曲</h3><p>順帶一提，許多新聞標題為求流量，以「華航林依晨」指稱其中一名粉絲較高而較具影響力的網紅並代指其他網紅，意外引起許多網友歪樓吐槽根本不像。</p><div class="break"></div><h2>網紅團購 / 帶貨究竟如何運作？</h2><h3>興起時間</h3><p>團購（或稱帶貨）文化早已行之有年，確切興起時間已不可考，但有可能是從對岸的風潮帶來的，其實這樣的模式在全球都相當盛行。</p><div class="break"></div><h3>運作方式與有哪些形式</h3><p>基本上廠商與網紅合作有三種基本形式，分別是<strong>「純分潤」</strong>、<strong>「分潤再加廣告費」</strong>以及<strong>「業配或是代言」</strong>，而根據出面網紅說法推估，這次事件應該以純分潤形式為主。這種模式下比起網紅的粉絲數，更看重網紅的吸金能力，加上網紅會有「業績壓力」與誘因，對於銷售轉換的成效往往最好。</p><div class="break"></div><figure></figure><figure><div style="margin:0 auto;width:763px;height:424px" data-scale="1.7811059907834101" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/95ce500b-8e21-439d-b4c7-20b4803f697d.png" alt="網紅合作的三大模式.png" data-size="{&quot;height&quot;:434,&quot;width&quot;:773}" data-alignment="center"/><span class="alt-text">網紅合作的三大模式.png</span></div></figure><div class="break"></div><p>廠商在與網紅談好合作與分潤模式後，網紅再藉由個人的吸金能力號召粉絲加入團購，並從團購總金額進行分潤抽成。</p><div class="break"></div><figure><div style="margin:0 auto;width:810px;height:378px" data-scale="2.11340206185567" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/c6230a17-96e2-4859-aa8f-52cbc92fa37e.png" alt="網紅團購流程示意" data-size="{&quot;height&quot;:388,&quot;width&quot;:820}" data-alignment="center"/><span class="alt-text">網紅團購流程示意</span></div></figure><div class="break"></div><h3>為什麼團購這麼受歡迎</h3><ol type="1"><li><strong>共鳴和信任感</strong>：網紅團購成功的關鍵當然在網紅身上。一般常開團的網紅主要以美妝、居家生活、親子，或知識性網紅為主，粉絲對於網紅形象的認同，以及對於網紅專業／眼光的肯定，促使他們也想消費。</li><li><strong>常結合促銷優惠活動</strong>：廠商為了提升團購成效，一般會提供團購優惠或專屬折扣等等，給消費者物超所值的感覺。</li></ol><div class="break"></div><h3>網紅可以分潤多少</h3><p>一般而言，<strong>網紅分潤可達10%～20%</strong>，並設定成效的分潤級距（類似累進稅率），舉例來說，假設基本分潤為10%，並設定總業績10萬元為門檻，超過20萬元可分潤15%、超過30萬元可分潤20%（僅舉例，不代表真實數字）。</p><p>像是球鞋單價較高，如果網紅一個月內售出$3000*200雙鞋，分潤20%，便可進帳12萬。</p><div class="break"></div><h3>哪些是團購盛行的平台/品牌?</h3><p>根據 <a href="https://www.i-buzz.com.tw/community/article_page/?id=MzU4" target="_blank" rel="noreferrer">AsiaKOL亞洲達人通</a> 指出，團購平台以FB與IG為大宗，FB因發文容易以及社團功能助長趨勢，加上有不少「團媽」常發起大量團購；IG則以影音圖片為主，加上限時動態的功能，成為不少美妝網紅的主戰場。另外，根據LnData 近期觀察，YouTube 與 TikTok 的團購討論也有上升的趨勢，反映了影音型創作者的優勢與不同平台興起。</p><p>尤其最近 TikTok 除了在 Z世代大受歡迎外，其他年齡層的用戶也快速攀升。<a href="https://www.renolon.com/tiktok-user-statistics/#key-average-time-spent-on-tiktok-2022" target="_blank" rel="noreferrer">數據</a>指出，TikTok是當前互動率與黏著性最高的平台，加上TikTok與Shopify合作搶攻社群電商市場，未來將可能成為網紅經濟的主力戰場。</p><div class="break"></div><h2>不只網紅能帶貨！從 KOL到 KOC的商機移轉</h2><p>盤點網友點名網紅名單，以美妝、家庭親子相關網紅居多，值得注意的是，可以發現許多並不一定是大網紅，粉絲人數在3萬以下的大有人在。</p><div class="break"></div><p>過去品牌代言常常尋找網紅，也就是所謂的<strong>「關鍵意見領袖（KOL, Key Opinion Leader）」</strong>，而近年來盛起的單字如微網紅 、奈米網紅，乃至所謂的<strong>「關鍵意見消費者（KOC, Key Opinion Consumer）</strong>正逐漸成為新的團購經濟主力。</p><div class="break"></div><figure><div style="margin:0 auto;width:819px;height:535px" data-scale="1.5211009174311927" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/bf166ab2-acba-4ac3-a004-73ef4ae85e0c.png" alt="KOL與KOC比較。Source: 凱絡媒體" data-size="{&quot;height&quot;:545,&quot;width&quot;:829}" data-alignment="center"/><span class="alt-text">KOL與KOC比較。Source: 凱絡媒體</span></div></figure><p>推薦閱讀：<a href="https://twncarat.wordpress.com/2020/10/29/%E3%80%90%E5%BD%B1%E9%9F%BF%E5%8A%9B%E8%A1%8C%E9%8A%B7%E7%B3%BB%E5%88%97%E3%80%91lesson-3%EF%BC%9Akoc%E6%9C%83%E6%98%AF%E7%B6%B2%E7%B4%85%E8%A1%8C%E9%8A%B7%E6%96%B0%E8%97%8D%E6%B5%B7%EF%BC%9F/" target="_blank" rel="noreferrer">KOC會是網紅行銷新藍海？</a></p><div class="break"></div><p>比起傳統大網紅，小型網紅或KOC往往只有數百到數千個粉絲，相對更沒有距離感，甚至就是你我身旁的親朋好友，因此有著更緊密的粉絲連結與可信度，反而更能搶佔利基市場與吸金。</p><p>品牌如果想要更有效率地善用KOC做為行銷管道，可以透過社群CRM的形式找出這群明星消費者，並且建立系統化的合作模式，放大KOC行銷成效，並彌補單靠一兩位KOC觸及效果有限的痛點，也不需花費大量時間一一商談。</p><div class="break"></div><p>延伸閱讀：<a href="https://www.lndata.com/saas-tool/cim" target="_blank" rel="noreferrer">透過KOC影響力管理解決方案讓消費者成為代言人</a></p><div class="break"></div><h2>建議與結論</h2><h3>勿踩雷區，建立信任</h3><p>回到事件上面，類似的騙局比比皆是，讓消費者變得更加警戒，尤其在競爭激烈的電商市場上，消費者的忠誠度隨時可能化為烏有。另一方面，不少消費者對於網紅抽成賺很大抱有負面態度，更認為網紅賺錢就該為粉絲負責，因此不論品牌或網紅都應該盡量爭取消費者信任，甚至建立起三邊信任的模式。</p><div class="break"></div><figure><div style="margin:0 auto;width:758px;height:419px" data-scale="1.7902097902097902" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/db7544e2-837b-4662-aeb7-8a1273ea2ccb.png" alt="網紅行銷需建立三方信任" data-size="{&quot;height&quot;:429,&quot;width&quot;:768}" data-alignment="center"/><span class="alt-text">網紅行銷需建立三方信任</span></div></figure><h3>粉絲經濟像是快餐，重點是如何留下消費者</h3><p>網紅合作帶來的消費者來得快也去得快，他們的忠誠度是來自網紅而非品牌，品牌如果要留下他們，最好的辦法便是洞察這群消費者，真正了解他們的興趣與喜好，提供個人化的行銷體驗，進而將他們內化為忠實的顧客。</p><div class="break"></div><h3>嘗試KOC並建立社群CRM</h3><p>如上所述，網紅並不是你的唯一選擇，透過社群CRM找出你的明星消費者並建立聯繫，讓忠實顧客與品牌一起成長。</p><div class="break"></div><p>推薦閱讀：<a href="https://medium.com/@lndata-taiwan/%E5%8F%96%E5%BE%97%E4%B8%8D%E5%88%B0%E5%AE%A2%E6%88%B6%E6%95%B8%E6%93%9A-%E4%BD%A0%E8%A9%A6%E9%81%8E-%E9%9B%B6%E6%96%B9%E6%95%B8%E6%93%9A-%E4%BA%86%E5%97%8E-f192c63f5635?source=user_profile---------0----------------------------" target="_blank" rel="noreferrer">取得不到客戶數據？你試過「零方數據」了嗎？</a></p>

近年來網紅團購是許多品牌常用的行銷手法，究竟是什麼讓消費者買單？又有什麼雷區會讓消費者離開？讓我們從前陣子的「假鞋風波」看品牌應該注意什麼，才能成為粉絲經濟中的贏家！

從假鞋風波分析網紅社群團購

<p>數據孤島(Data Silos)，指的是不同組織間的資訊只屬於私人所有，對外處於隱藏狀態，不可被他人取用。就如同每位農夫都將自己種植的農作物留在自家穀倉中，不跟其他人交換或買賣，除了造成資源的的浪費，也減少了自己的潛在利益。<br/> <br/>在大數據時代，數據被視為是企業的重要資產，如果運用得宜甚至能成為企業的競爭優勢之一。然而要串接不同渠道的數據本身具一定難度，以下我們將列出目前台灣企業出現數據孤島的常見原因，並說明數據孤島會對企業會造成什麼樣的威脅。<br/> </p><h1><strong>大型媒體壟斷市場，外部數據來源受限</strong></h1><p>近年來，Google、Amazon、Facebook 等數據巨獸幾乎壟斷數位廣告市場。根據統計，2018年，Facebook 與 Google 兩家公司佔全球除中國外84%的數位廣告業務，Facebook每年全球廣告營收更高達550億美元，如此誇張的市場占比讓人對他們操縱市場的能力有深刻的認知。<br/> <br/>在台灣，數位廣告投放同樣集中在Facebook和Google兩大平台上。由於兩家媒體各自推出完整的廣告投遞系統，甚至還有GA和Facebook pixel 等網站流量分析工具，在幾乎滿足品牌所有數位需求的情況下，不少人也提出疑問，「一直使用Facebook、Google的服務有什麼不好嗎？」<br/> <br/>短時間內或許不會對市場造成什麼問題，但長遠來看，假如我們對Google的流量計算機制提出質疑時，卻也沒有有效的驗證方式，如同美國百貨商店之父 John Wanamaker所說： “Half the money I spend on advertising is wasted; the trouble is, I don’t know which half.”即是因為大型電商早已形成數據圍牆花園(Data Walled Garden)了，品牌只能觀看由Facebook、Google所提供的成效報表，無法實際留存數據，球員兼裁判的行為讓使用者無法打破數據孤島的限制，只能在大型電商的花園中故步自封。<br/> </p><h1><strong>資料重複儲存，降低企業效率</strong></h1><p>除了大型媒體壟斷外部數據源外，在缺乏有效<strong>數據治理</strong>的情況，企業內部也常因不同組織間數據不流通而出現數據孤島的狀況。例如每個團隊儲存資料的地方可能有所不同，有些可能會在部門的主機上，有些則在公司的server中，有些甚至存放於個人的雲端硬碟上。在這個情況下，各部門間無法得知彼此正在進行的業務，往往導致每個團隊都儲存了重複的資料，不僅浪費了公司的硬體資源，也讓團隊間的資訊無法流通。<br/> <br/>我們再舉個例子，通常有一定規模的公司都會有一些數據工程師分散在不同的部門中。因為資源沒有整合，工程師們並沒有足夠的開發資源，這時如果企業對數據的需求不斷增長，要求每個部門都需要建立自己的數據庫，則會因為不同部門間的數據無法打通，每位工程師都需要從頭開始開發系統，建立相同的框架和處理相同的底層數據，高度重工的狀況不僅降低工程師的開發效率，也讓公司的人力無法做最妥善的運用。<br/> <br/>從上述的案例中我們可以發現企業的數據串接之路有重重阻礙。對外，大型媒體壟斷廣告、流量數據的擁有權，品牌不論投資多少錢都無法拿到原始數據，這是廣告業長久以來的弊病，同時也是數據孤島所造成的劣勢，使企業無法認識到消費者全貌; 除此之外，在公司內部，部門間各自為政，內部資訊的不流通也形成所謂的數據斷層，管理階層無法透過內部資訊迅速檢視公司狀態，進而導致決策風險提升。<br/> <br/>為解決台灣企業長久以來的數據痛點，麟數據 LnData 透過多方數據API串接的方式，試圖將企業內外的所有數據打通，並幫助客戶整理成可運用形式，最大化每一筆數據的價值。</p><div class="break"></div><p><strong>延伸閱讀：<a href="https://www.lndata.com/data-middle-platform" target="_blank" rel="noreferrer">企業數據中台，協助企業一站式管理組織數據</a></strong></p><p><br/> 參考資料:<br/> <a href="https://gvlf.gvm.com.tw/article.html?id=58952" target="_blank" rel="noreferrer">https://gvlf.gvm.com.tw/article.html?id=58952</a><br/> <a href="https://status.net/articles/data-silos-information-silos/" target="_blank" rel="noreferrer">https://status.net/articles/data-silos-information-silos/</a><br/> <a href="https://www.alooma.com/blog/what-are-data-silos" target="_blank" rel="noreferrer">https://www.alooma.com/blog/what-are-data-silos</a><br/> <a href="https://medium.com/mediarithmics-what-is/what-is-a-walled-garden-and-why-it-is-the-strategy-of-google-facebook-and-amazon-ads-platform-296ddeb784b1" target="_blank" rel="noreferrer">https://medium.com/mediarithmics-what-is/what-is-a-walled-garden-and-why-it-is-the-strategy-of-google-facebook-and-amazon-ads-platform-296ddeb784b1</a><br/> <a href="https://blog.openbridge.com/data-silo-de9a1dcfb1ac" target="_blank" rel="noreferrer">https://blog.openbridge.com/data-silo-de9a1dcfb1ac</a><br/> <a href="http://www.vamsitalkstech.com/?p=4337" target="_blank" rel="noreferrer">http://www.vamsitalkstech.com/?p=4337</a><br/> <a href="https://www.plixer.com/blog/data-silo-what-is-it-why-is-it-bad/" target="_blank" rel="noreferrer">https://www.plixer.com/blog/data-silo-what-is-it-why-is-it-bad/</a></p>

數據孤島(Data Silos)，指的是不同組織間的資訊只屬於私人所有，對外處於隱藏狀態，不可被他人取用。就如同每位農夫都將自己種植的農作物留在自家穀倉中，不跟其他人交換或買賣，除了造成資源的的浪費，也減少了自己的潛在利益。<br/>

品牌數據戰：企業不得不打破數據孤島的兩個理由

<p>蘋果前執行長 約翰·史考利 曾說 「只有數據才能做出好的行銷決策」。在這個人人喊大數據的時代，Martech (行銷科技)成為行銷圈的顯學。每個企業都深知數據對於決策的重要性，然而在數以兆計的數據海裡，如何串聯不同平台的資料並從中找出最有價值的顧客是企業最常碰見的難題。<br/> </p><p><strong>◍ 第一方數據不足，品牌無法跨平台追蹤用戶 ◍ </strong><br/>根據台灣數位媒體應用暨行銷協會（DMA）的統計，2018年台灣數位廣告量達389.66億台幣，和2017年相比成長17.7%，數位廣告的重要性顯而易見。在如此龐大的預算中，決大多數廣告都投放到Facebook和Google聯播網兩媒體上，然而許多人並不知道，不論品牌花多少錢在這些社群、聯播網、關鍵字廣告上，用戶的瀏覽習慣、興趣愛好等資料仍掌握在Google、Facebook手上，品牌方無法取得。換言之，如果想針對廣告表現成效較佳的客戶進行再行銷，僅能在既有的體系中投放，無法跨媒體追蹤用戶，形成所謂「數據斷層」的狀況。</p><p><br/>除上述問題外，無法跨平台追蹤用戶也意味著品牌無法得知消費者全貌。如果消費者在不同媒體上都有點擊廣告，代表其對廣告內容有高度興趣，品牌應針對這類用戶進行再行銷。然而若沒有做到跨平台數據整合，品牌無法辨識出Line上用戶A和Facebook上用戶B是同一人，進而失去了與潛在客戶溝通的機會。</p><div class="break"></div><figure><div style="margin:0 auto;width:555px;height:374px" data-scale="1.4713541666666667" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/6c83979b-4fa3-45d5-87b5-35fbc327ca3f.jpg" alt="如何掌握高價值客戶，成為品牌行銷致勝關鍵" data-size="{&quot;height&quot;:384,&quot;width&quot;:565}" data-alignment="center"/><span class="alt-text">如何掌握高價值客戶，成為品牌行銷致勝關鍵</span></div></figure><p><br/> </p><p><strong>◍ 從收集Cookie開始，提升廣告準確率 ◍ </strong><br/>針對這類數據整合的痛點，越來越多企業選擇和第三方數據公司合作，透過埋放代碼的方式累積品牌第一方數據。品牌可針對不同廣告版位埋放自家代碼，藉此收集廣告的每一次曝光與點擊的Cookie。每個Cookie背後都有一定的標籤，例如女性、上班族、喜好網購等，當Cookie數據庫累積到一定數量後，未來投放廣告時，便能根據Cookie標籤選擇過去廣告表現較佳的用戶進行跨平台投放，提升廣告準確率，避免無效浪費。以LnData客戶為例，和一般廣告投放成效相比，打包Cookie進行再行銷的廣告CTR成長150%至200%，轉化率明顯提升。<br/> <br/> <strong>◍ 廣告精準化下一步:提高顧客忠誠度 ◍ </strong><br/>打通各媒體渠道並找到真正對品牌有興趣的消費者後，下一步該做的是鞏固顧客忠誠度。如果將網站造訪、社群訊息、廣告Cookie等消費者與品牌在網路上的接觸點和CRM數據串接起來，不僅可以發現完整的消費者購物流程與消費習慣，更可以預測需求，達到即時互動的目標。值得注意的是，數據整合背後的工程十分浩大，自行開發過程費時費力。為解決這樣的問題，LnData 最新推出CDP系統，同時整合數據、會員與行銷等多型態數據，並透過機器學習模式分析消費者行為模式，藉此推導出完整消費者輪廓，為品牌做出最全面的行銷決策建議。LnData為公正第三方數據機構，透過完整的邏輯運算能力，讓每一個數據都為品牌所用並創造最大的價值。<br/> </p>

蘋果前執行長 約翰&middot;史考利 曾說 「只有數據才能做出好的行銷決策」。在這個人人喊大數據的時代，Martech (行銷科技)成為行銷圈的顯學。每個企業都深知數據對於決策的重要性，然而在數以兆計的數據海裡，如何串聯不同平台的資料並從中找出最有價值的顧客是企業最常碰見的難題。

第一方數據才是王道！打破數據斷層，輕鬆挖掘最有價值客戶

<h1><strong>CDP顧客數據平台：為企業提供全面的顧客洞察</strong></h1><p>在當今數位時代，企業必須能夠有效地收集和管理其顧客數據，以便更好地瞭解顧客需求、提高顧客忠誠度和增加收益。為此，許多企業開始使用CDP顧客數據平台來應對數據管理挑戰。</p><figure><div style="margin:0 auto;width:1089.5px;height:392.5px" data-scale="2.7316770186335404" class="flex-col-center iframe-wrapper"><img width="100%" src="https://cdn-images-1.medium.com/max/1200/1*mfoFYGUqBOMqI9YtSeFwtg.jpeg" alt="CDP顧客數據平台可幫助企業了解顧客輪廓" data-size="{&quot;height&quot;:402.5,&quot;width&quot;:1099.5}" data-alignment="center"/><span class="alt-text">CDP顧客數據平台可幫助企業了解顧客輪廓</span></div></figure><h1>CDP是什麼？</h1><p>CDP是「Customer Data Platform」的縮寫，CDP就是所謂的「顧客數據平台」，它是一種數據行銷技術，能讓企業更輕鬆地管理與應用顧客數據。CDP可以將來自不同來源的顧客數據整合與打通，建立每個顧客的360度輪廓，使企業能夠更全面、精準地瞭解他們，並為其提供更好的產品和服務體驗。</p><div class="break"></div><h1>為什麼企業需要CDP？</h1><p>由於每個消費者都是獨特的，他們可能看過品牌不同的廣告、可能有追蹤品牌的社群、可能有下載品牌的App可能有加入官方的LINE帳號、可能從官網下過訂單、可能到過實體門市消費、可能註冊過會員資料。然而，這些跨平台的資料卻往往難以打通，導致品牌對於顧客消費軌跡的掌握充滿數據斷點，無法真正了解顧客喜好與需求。</p><div class="break"></div><blockquote>在這樣的情況下，品牌想做的「精準行銷」往往只能「做半套」。</blockquote><p>例如，行銷人員可能嘗試針對官網的訪客進行辨識與分群，接著對他們投放再行銷廣告；然而隨著Cookieless的到來與隱私政策的日趨嚴格，這樣的模式將難以繼續，使得品牌往往不得不投入更高的廣告預算，以維持相同的業績銷量。除此之外，由於品牌對於顧客往往只有片段的了解，因此也永遠無法做到真正個人化的行銷體驗。</p><div class="break"></div><h1>CDP顧客數據平台能做到什麼？</h1><ol type="1"><li>數據整合：CDP能夠從各種不同的數據源中自動收集、整合和組織數據，例如銷售數據、線下資料、CRM數據、廣告數據、社群媒體數據等。</li><li>數據清理和分析：CDP能夠協助企業清理、去重、與分析來自不同來源、不同格式的顧客數據，進而建立顧客的360輪廓，並讓企業能夠更好地掌握完整的消費者旅程。</li><li>個性化行銷：行銷人員可以透過CDP分析顧客行為和偏好，並為其提供更加個人化的行銷體驗。</li><li>端到端顧客追蹤：CDP能夠在顧客旅程的各個階段追蹤顧客行為，從而提高轉換率、留存率與回購率等。</li></ol><div class="break"></div><p>簡單來說，使用CDP顧客數據平台的核心概念，在於「人」。首先，藉由打通不同渠道的顧客數據，幫助企業能以個人的層級了解每一個顧客，既不是仰賴顧客留下的會員資料、也不是僅從部分的瀏覽行為就判斷。搭配機器學習與串階品牌不同的行銷渠道，就能為顧客提供更個性化和有意義的體驗，進而促進銷售、口碑，並且提升品牌忠誠度。</p><div class="break"></div><h1>限制與導入難點</h1><p>然而，使用CDP顧客數據平台時需要注意一些事項。首先，企業必須確保其使用的CDP平台符合各地市場的相關法規要求。例如，加州消費者隱私權法案(CCPA)、歐盟的一般資料保護規定(GDPR)等數據保護法規，取得顧客同意來收集和使用其個人數據。</p><div class="break"></div><p>其次，企業需要確保其使用的CDP平台可以處理大量的數據並提供即時的數據分析。由於數據量可能非常龐大，因此需要一個具有高度可擴展性和高效性的儲存與運算平台。</p><div class="break"></div><p>最後，企業需要確保其使用的CDP平台能夠確實打通各種不同的數據源與應用出口，例如其他IT系統、廣告平台等，如此才能夠最大化CDP的效益。不幸的是，現實商業世界中的數據往往因為格式與各種技術限制，而難以取用與打通，導致了理想豐滿與現實骨感的落差。</p><figure><div style="margin:0 auto;width:1090.578125px;height:353.5px" data-scale="3.0277252407152684" class="flex-col-center iframe-wrapper"><img width="100%" src="https://cdn-images-1.medium.com/max/1200/1*TgsZHL7MAJQdU8JPT1d8Dw.jpeg" alt="" data-size="{&quot;height&quot;:363.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text"></span></div></figure><h1>如何解決</h1><p>企業可尋找專業的數據合作夥伴，以更有效率地建立與導入CDP地使用。</p><p>LnData做為<strong>數據顧問</strong>的角色，可以協助企業從數據盤點開始，針對客戶的目標與需求，釐清企業已擁有與待擁有的數據有哪些，進而客製化解決方案，讓客戶可以階段性地達成不同目標、收獲成效，並逐步累積<strong>第一方數據</strong>（掌握在企業自身而非外部、廣告平台的數據），而不用等待投入大筆預算與時間後才開始。</p><div class="break"></div><p>在這過程中，我們將協助確保數據的使用符合法規，維持消費者對企業的信任；我們也將幫助客戶串連既有的系統，而不用整個打掉重練；我們也有不同合作夥伴的資源，可滿足客戶在資安、數據應用上等各式需求。</p><div class="break"></div><h1>結語</h1><p>總結來說，CDP顧客數據平台是現代企業不可或缺的數據管理工具。它能夠幫助企業更好地理解其顧客，提高顧客忠誠度和增加收益。然而，企業在使用CDP平台時需要確保其符合法規和法律要求，具有高度可擴展性和高效性，並能夠與其他IT系統和數據平台互動。只有這樣才能夠充分利用CDP平台，為企業帶來更多的價值和競爭優勢。</p>

在當今數位時代，企業必須能夠有效地收集和管理其顧客數據，以便更好地瞭解顧客需求、提高顧客忠誠度和增加收益。為此，許多企業開始使用CDP顧客數據平台來應對數據管理挑戰。

CDP顧客數據平台：為企業提供全面的顧客洞察

<h1><strong>資料科學(Data Science)是什麼？五分鐘搞懂資料科學定義與概念</strong></h1><h2><strong>資料科學是什麼？</strong></h2><p>資料科學又稱數據科學(Data science)，是一門利用資料學習知識的學科，其目標是從資料中提取出有價值的部分來生產資料產品，資料科學結合了許多領域中的理論和技術，包括應用數學、統計、圖型識別、機器學習、資料視覺化、資料倉儲以及高效能計算。舉凡與數據有關的科學均屬資料科學。資料科學通過運用各種相關的資料來幫助非專業人士理解問題，也對商業競爭有極大的幫助。</p><div class="break"></div><h2><strong>資料科學為什麼重要？</strong></h2><p>在當今資訊時代，我們每天都在產生和收集大量的數據，而資料科學可以讓這些數據發揮價值，用來解決各種問題和提升效率。</p><div class="break"></div><h3>資料科學的重要性體現在以下五個場景：</h3><ol type="1"><li><strong><u>提升企業效率</u></strong>：資料科學可以幫助企業分析和理解各種業務數據，從而提高生產力和效率，並且發現和解決潛在的問題。</li><li><strong><u>改進決策</u></strong>：資料科學可以提供有效的數據分析和可視化，以幫助企業管理層做出更好的決策，並且更加準確地預測市場和行業趨勢。</li><li><strong><u>改善客戶體驗</u></strong>：資料科學可以幫助企業理解客戶需求和行為，從而提供更好的產品和服務，改善客戶體驗，增加客戶忠誠度。</li><li><strong><u>推動科學發展</u></strong>：資料科學是許多科學研究的基礎，可以應用在各種領域，包括醫學、氣象、環境、物理等等，從而推動科學發展。</li><li><strong><u>優化政府政策</u></strong>：資料科學可以幫助政府處理大量的數據來了解社會和經濟的情況，並且根據這些數據制定更加有效的政策和計劃。</li></ol><div class="break"></div><p>總之，資料科學的重要性在現代社會中日益凸顯，且隨著數據的不斷增長和資料科學技術的不斷發展，我們可以預見資料科學將會在更多領域中發揮重要作用。因此，學習和掌握資料科學技能已經成為一種趨勢，對於個人和企業來說，學習和應用資料科學技術是非常必要的。</p><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:384.5px" data-scale="2.789805133079848" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/e51c7f8a-ce35-4a82-822b-de4d262c38f3.jpg" alt="資料科學在當今商業決策扮演重要角色" data-size="{&quot;height&quot;:394.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">資料科學在當今商業決策扮演重要角色</span></div></figure><div class="break"></div><div class="break"></div><h2><strong>資料科學應用流程</strong></h2><blockquote>收集資料 → 資料前處理 → 資料分析 → 資料解釋 → 決策應用</blockquote><p>一般來說，資料科學的應用流程可以分成「收集資料」、「資料前處理」、「資料分析」、「資料解釋」、「決策應用」等五個步驟，能夠面對絕大多數的場景：</p><div class="break"></div><ul><li>收集資料：收集第一、二或三方數據，一般來說會涉及到資料獲取、資料爬蟲、資料庫管理、資料倉儲等議題。</li><li>資料前處理：對收集好的資料集，進行資料清理，處理資料中的雜訊或錯誤訊息。也包含資料轉換，轉換變更所選屬性的值，使資料更適合後續分析處理及滿足用於預測建模的演算法需求。或是想使用多個資料集也會在這個階段進行資料合併。</li><li>資料分析：可以分為兩個階段，探索性分析與資料探勘，可以把探索性分析視為是一種前期的觀察，再經由資料探勘進行進一步的挖掘。</li><li>資料解釋：通常會透過資料視覺化的方式呈現前面發現的結果，並對結果進行商業解釋，然後把這一整套東西串起來。</li><li>決策應用：將分析結果實際應用在商業場景。</li></ul><div class="break"></div><h2><strong>資料科學核心技能</strong></h2><p>資料科學做為近年來最熱門的工作領域之一，是否掌握以下核心技能成為一個人是否能勝任資料科學領域工作，或是表現超越其他競爭者的關鍵。根據技能的屬性，大致可以分成硬技能(Hard skills)、與軟技能(Soft skills)。</p><div class="break"></div><h3>硬技能：</h3><ol type="1"><li><strong><u><span style="color:rgb(52, 183, 175)">程式撰寫能力（e.g. python、R）</span></u></strong>：寫程式雖然不是資料科學家最主要的工作內容，但是因為統計的運算不運用工具會相對的花時間，再加上通常數據量都會很大，沒有使用Python或R來協助整理，基本上是沒有辦法使用的。</li><li><strong><u><span style="color:rgb(52, 183, 175)">數據處理與數據分析</span></u></strong>：資料科學家需要利用SQL資料庫管理系統，主要就是為了儲存並有效的處理數據，進而達到利用儲存的數據來做分析。而資料科學家當然也需要非常的熟悉數據分析，又能夠從數據中發現價值，並加以利用。</li><li><strong><u><span style="color:rgb(52, 183, 175)">高級數學與統計能力</span></u></strong>：數學與統計是資料科學家必備的能力，在資料科學家的工作中，每天都要面對複雜的數學以及統計學的問題，計算風險、計算可能性、預測等等，都需要對數學與統計有相當的學術理解。</li><li><strong><u><span style="color:rgb(52, 183, 175)">機器學習與人工智慧能力</span></u></strong>：資料科學家必須要對機器學習與人工智慧有一定的掌握度，這些能力可以幫助他們有效地處理和分析數據，並且開發出有用的模型和應用。</li><li><strong><u><span style="color:rgb(52, 183, 175)">資料視覺化呈現能力</span></u></strong>：資料科學家需要面對的利害關係人包括老闆、管理者、C-levels、高層經理等公司重要的角色，但這些人並不一定對資料的觀察如此的精通，所以資料科學家除了要懂得如何分析數據，還要能夠將其視覺化，以便解讀。</li></ol><div class="break"></div><h3>軟技能：</h3><ol type="1"><li><strong><u><span style="color:rgb(52, 183, 175)">部門交流與溝通能力</span></u></strong>：溝通與交流的能力是團隊合作不可或缺的，對資料科學家來說更是如此，在一個資料或是數據的團隊中，除了科學家以外，還有資料分析師與資料工程師，加上他們要面對其他團隊(有利害關係之團隊)，所以優越的溝通能力與部門交流會格外重要。</li><li><strong><u><span style="color:rgb(52, 183, 175)">行銷理論與實務經驗</span></u></strong>：資料科學家也同時需要有行銷的知識與實務經驗，原因是他們的分析與推算往往對公司營運與行銷的層面有著直接性的影響，了解行銷對於判斷資料的價值也有相當大的幫助。</li></ol><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:456.515625px" data-scale="2.3591452590682254" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/c7a8abdc-5827-4d5f-8e39-158d78687226.jpg" alt="使用各種統計軟體、程式語言都是資料科學領域重要技能" data-size="{&quot;height&quot;:466.515625,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">使用各種統計軟體、程式語言都是資料科學領域重要技能</span></div></figure><div class="break"></div><h2><strong>資料職涯</strong></h2><p>一般來說，資料團隊會有主要三種角色：</p><ol type="1"><li>擅長「程式實作」、負責「整理資料」的<strong><u><span style="color:rgb(52, 183, 175)">資料工程師</span></u></strong></li><li>擅長「分析應用」、負責「探索資料」的<u><strong><span style="color:rgb(52, 183, 175)">資料分析師</span></strong></u></li><li>擅長「數理統計」、負責「挖掘資料」的<strong><u><span style="color:rgb(52, 183, 175)">資料科學家</span></u></strong></li></ol><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:553.5px" data-scale="1.9531111357586513" class="flex-col-center iframe-wrapper"><iframe width="100%" height="100%" src="https://public.flourish.studio/visualisation/13451371/" data-size="{&quot;height&quot;:563.5,&quot;width&quot;:1100.578125}" data-alignment="center" title="資料科學三大常見職業能力分布"></iframe><span class="alt-text">資料科學三大常見職業能力分布</span></div></figure><div class="break"></div><p>而隨著資料科學技術不斷的發展，資料團隊中的分工也越來越細，因此近年來也衍伸出許多被需求的角色，如：機器學習工程師、爬蟲工程師、資料庫工程師、大數據工程師、商業分析師、資料架構師等。</p><div class="break"></div><p>總而言之，「資料科學」是一種跨領域的能力，也是一種方法，最重要的是如何運用到適合的場景。實際上，不同企業、組織的資料團隊也有不同的樣貌，不管是一個人身兼多職或是數十人精細分工的團隊，只要能讓數據發揮價值，滿足自身的需求，就是最佳的資料團隊。</p><div class="break"></div><h2><strong>用一句話解釋資料科學</strong></h2><blockquote>資料科學其實就是一種「探索資料中的關係」的科學方法</blockquote><p>聽起來簡簡單單一句話，其實需要擁有許多領域的知識與技能才能做得好。在真實世界的數據中，資料往往有有不同的來源、格式、大小及型態，不同的產業領域所需面對的數據更可能完全不同。因此，資料科學就是一個在茫茫數據中探索關係的過程，例如「因果關係」、「關聯關係」或是「預測關係」都是資料科學中不同的方法。</p><div class="break"></div><div class="break"></div><h2><strong>如何開始？</strong></h2><p>如果你希望培養資料科學的技能，運用到現在的工作中或是未來求職上，你可以在網路上尋找到許多免費資源或是工具：</p><ol type="1"><li>學習基礎知識：開始時，建議你學習數據分析、統計學和機器學習等相關的基礎知識。這可以通過線上課程、學習網站，甚至是YouTube免費影片等線上資源進行自學。</li><li>學習相關程式語言：資料科學中常用的程式語言包括Python和R。學習這些語言將使你能夠進行數據處理、分析和建模。同樣網路上有許多免費的線上課程和教材可供學習。</li><li>專案實作：將學到的知識應用於實際專案中，這有助於你瞭解如何應用資料科學技術解決實際問題。你可以參與開源項目、挑戰競賽或者自己找一個感興趣的問題來解決。</li><li>學習資料視覺化和溝通：資料科學不僅僅是關於分析和建模，也需要能夠有效地將結果呈現給他人。學習資料視覺化的技巧，並學會以清晰和具有說服力的方式溝通你的發現。</li><li>探索大數據技術和工具：資料科學領域中存在許多強大的大數據技術和工具，如Hadoop、Spark和SQL等。瞭解這些技術和工具的工作原理，並學會如何使用它們處理大量的數據。</li><li>加入資料科學社群：參與資料科學社群可以與其他專業人士交流、分享知識和經驗。這可以通過參加線下或在線的資料科學活動、參與討論論壇或加入社交媒體群組實現。</li><li>持續精進：資料科學領域發展迅速，新的技術和方法不斷出現。要保持競爭力，你需要持續學習精進，瀏覽相關的文章、網站、參與線上課程或工作坊等，並不斷思考如何優化你的方法和流程，尋求創新與提升工作效率。</li></ol><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:360.5px" data-scale="2.9705212550607287" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/6b2df95c-b474-47d2-b383-0bfdacde7bf3.png" alt="透過資料科學改進你的工作流程，提高效率" data-size="{&quot;height&quot;:370.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">透過資料科學改進你的工作流程，提高效率</span></div></figure><div class="break"></div><h2><strong>資料科學實戰演練</strong></h2><p>資料科學可以運用在許多領域，目前最夯的應用之一就是在行銷上。以就是所謂的行銷5.0所強調的「資料行銷」或「數據(驅動的)行銷 Data-Driven Marketing」。作為品牌的行銷人員，你可以運用資料科學在行銷上的多個方面。以下是一些常見場景：</p><div class="break"></div><ol type="1"><li>數據分析和洞察：利用資料科學技術來分析和解讀市場數據，了解消費者行為和趨勢。這可以幫助你識別目標受眾、了解他們的需求和偏好，並制定更有效的行銷策略。</li><li>目標市場定位：資料科學方法可幫助你對目標市場進行細分和定位。透過分析消費者數據和行為模式，你可以確定最有價值的目標受眾，並針對他們進行定制化的行銷活動。</li><li>預測分析：透過機器學習和統計模型，預測市場趨勢、消費者需求和銷售表現。這可以幫助你洞燭機先市場脈動，例如預測銷售量、預測市場需求變化等，從而更好地規劃產品庫存、定價和行銷活動。</li><li>個性化行銷：利用資料科學，可根據個別消費者的特徵和行為，提供個性化的行銷體驗，例如透過個性化精準廣告、推薦系統和行銷自動化來實現。個性化行銷能夠提高客戶參與度、留存率和忠誠度，進而增加銷售轉換率。</li><li>A/B測試和優化：藉由資料科學方法來進行A/B測試，評估不同行銷策略、廣告創意或網站設計對於業務成效的影響。這可以幫助你了解哪種策略最有效，並進行持續的優化和改進。</li><li>社群媒體分析：利用資料科學中的爬蟲技術來分析社群媒體數據，了解品牌在社群媒體上的表現和影響力。這可以幫助你評估行銷活動的效果、監測品牌與競品聲量。</li></ol>

資料科學又稱數據科學，是一門利用資料學習知識的學科，其目標是從資料中提取出有價值的部分來生產資料產品，資料科學結合了許多領域中的理論和技術，包括應用數學、統計、圖型識別、機器學習、資料視覺化、資料倉儲以及高效能計算。舉凡與數據有關的科學均屬資料科學。資料科學通過運用各種相關的資料來幫助非專業人士理解問題，也對商業競爭有極大的幫助。

資料科學是什麼？五分鐘搞懂資料科學定義與概念

<h1><strong>2023 必須收藏的 6 個資料視覺化工具</strong></h1><p>2023年了！仍然只用Excel產出視覺化圖表分析嗎？面對大數據浪潮，學會「視覺化」數據清楚又好看！</p><p>今天分享幾款 Excel 以外，常見且輕鬆上手的商業視覺化圖表工具，無須下載就能立即使用、也不用會寫程式或任何繪圖軟體，就能讓你產出專業又好看的圖表！請注意，前半部適合資料量少，重視視覺呈現的人；後半部則較推薦給需要分析大量數據、報表串連需求的人喔！</p><div class="break"></div><h1>什麼是資料視覺化(Data Visualization)？</h1><p>簡單來說，資料視覺化（也叫數據視覺化）是一種通過視覺化圖表的方式呈現結構化或非結構化資料，幫助人們從資料中挖掘出重要的資訊與洞察的方法。資料視覺畫在數據分析的過程中非常重要，除了讓複雜的資料更加一目瞭然外，也能幫助團隊之間的溝通。</p><div class="break"></div><h1>六款推薦的資料視覺化工具</h1><ol type="1"><li>Infogram</li><li>Flourish</li><li>ChartBlocks</li><li>Tableau</li><li>Power BI</li><li>Looker Studio （原Google Data Studio）</li></ol><div class="break"></div><div class="break"></div><h2><strong>免費與低門檻資料視覺化工具推薦</strong></h2><h3>1. Infogram</h3><p>無論是儀表板、簡報、還是單純圖表，Infogram提供了豐富的模板任你選，省下很多排版時間！操作介面（示意如下）淺顯易懂，整體操作類似canva，但圖表種類較多樣。基礎版可以免費製作10個專案，具有 37+種圖表種類，也可以付費升級專業版，解鎖更多樣式和圖表</p><p>Infogram: <u><a href="https://infogram.com/" target="_blank" rel="noreferrer">https://infogram.com/</a></u></p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:393.5px" data-scale="2.727578996282528" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/4788b60d-9990-4955-85e6-bd50a40cd721.png" alt="資料視覺化工具_01-infogram" data-size="{&quot;height&quot;:403.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">資料視覺化工具_01-infogram</span></div></figure><div class="break"></div><div class="break"></div><h3>2. Flourish</h3><p>也是小編愛用的視覺化程式！註冊登入後即可挑選適合的圖表模板（如下圖示意，還有地圖投影、散佈圖等），Flourish工作區分為 “Preview”和 “Data”，由Data輸入資料後，可以切換到Preview預覽圖表形式並調整顏色、細解等等，也可以呈現「動態化」的視覺圖表喔！</p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:393.5px" data-scale="2.727578996282528" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/f420cf1d-2f07-4ba6-b8dd-80e7cc15e304.png" alt="資料視覺化工具_02-flourish" data-size="{&quot;height&quot;:403.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">資料視覺化工具_02-flourish</span></div></figure><div class="break"></div><div class="break"></div><h3>3. ChartBlocks</h3><p>可以直接匯入excel檔案/手動輸入製圖，與前述工具相比，ChartBlocks提供的圖表樣式較少，為基本的柱狀圖、圓餅圖、線圖、和散佈圖。但是介面更為簡潔，且可以支援的檔案輸出格式更多，包含.eps、photoshop檔等等。</p><p>ChartBlocks: <u><a href="https://www.chartblocks.io/" target="_blank" rel="noreferrer">https://www.chartblocks.io/</a></u></p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:455.5px" data-scale="2.3642924274973147" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/797c3d3a-c06d-4652-ae52-9871b68671a3.png" alt="資料視覺化工具_03-chartblocks.png" data-size="{&quot;height&quot;:465.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">資料視覺化工具_03-chartblocks.png</span></div></figure><div class="break"></div><div class="break"></div><h3>4. Tableau</h3><p>Tableau優點是提供多種來源載入，包括常見的 Excel、CSV、MySQL、Google Sheets 等，，以直覺滑鼠拖拉的方式處理大量資料，非常適合需要處理、分析大量數據的分析師和科學家操作。內建功能完善、模組多元，在操作上較前述工具複雜，因此網路上也有提供Tableau教學資源，此外，Tableau Public 有開放個人使用者免費操作，有興趣的可以先試用看看</p><p>Tableau: <a href="https://www.tableau.com/zh-tw" target="_blank" rel="noreferrer">https://www.tableau.com/zh-TW</a></p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:377.5px" data-scale="2.840201612903226" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/abad6b6d-af08-4826-90f7-1db84c6feb6d.png" alt="資料視覺化工具_04-Tableau.png" data-size="{&quot;height&quot;:387.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">資料視覺化工具_04-Tableau.png</span></div></figure><div class="break"></div><div class="break"></div><h3>5. Power BI</h3><p>至於 Power BI 的優點是可支援 Python、R 的圖表工具，再加上跨表格交互查詢與計算，其他內建圖表功能也不遜於Tableau，然而在資料共享上無法像 Google 免費線上共同編輯，因此在商業上較適合購買一整套Microsoft Office的企業一起協作。</p><p>Power BI: <u><a href="https://powerbi.microsoft.com/zh-tw/" target="_blank" rel="noreferrer">https://powerbi.microsoft.com/zh-tw/</a></u></p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:331.515625px" data-scale="3.2226289060712814" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/5aaf1bf7-4602-43a8-8020-e4057a3a2167.png" alt="資料視覺化工具_05-Power BI" data-size="{&quot;height&quot;:341.515625,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">資料視覺化工具_05-Power BI</span></div></figure><div class="break"></div><div class="break"></div><h3>6. Looker Studio （原Google Data Studio）</h3><p>適合線上多人協作，串連來源廣，特別是若較常使用Google相關工具（如：Google Analytics、BigQuery、YT數據分析等）在數據串連上會更加方便。也能自製圖表，儀表板，在圖表呈現的功能也十分充足。</p><p>Looker Studio:<u><a href="https://lookerstudio.google.com/" target="_blank" rel="noreferrer">https://lookerstudio.google.com/</a></u></p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:1090.578125px;height:332.5px" data-scale="3.213366788321168" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/9a7195fb-918f-4085-a79a-8e9f5f3513cf.png" alt="資料視覺化工具_06-Looker Studio" data-size="{&quot;height&quot;:342.5,&quot;width&quot;:1100.578125}" data-alignment="center"/><span class="alt-text">資料視覺化工具_06-Looker Studio</span></div></figure><div class="break"></div><div class="break"></div><p>當然還有許多其他不錯的工具我們沒有一次介紹完！如果你想了解更多關於資料視覺化、數據分析的資源或技巧分享，歡迎持續關注我們的社群動態！</p>

2023年了！仍然只用Excel產出視覺化圖表分析嗎？ <br/>面對大數據浪潮，學會「視覺化」數據清楚又好看！

2023 必須收藏的 6 個資料視覺化工具

<h1><strong>2023值得關注的10位數據工作者Instagram</strong></h1><p>2023年，數據科學家與數據分析師依然是最受關注的職缺，雖然目前在網路上有許多免費或付費的學習資源，但職場上實際會遇到的經驗、解決問題的方法，或是實用的數據知識，或許透過「數據前輩」的分享會更加清楚喔 ！</p><p>今天就來跟大家介紹值得關注的 10 位數據工作者 #Instagram帳 號，從他們的分享中可以讓我們更了解數據領域的所需要哪些熱忱及專業！如果你想更加了解數據工作者的職涯經歷與生活點滴，就馬上追蹤起來吧！</p><div class="break"></div><div class="break"></div><figure><div style="margin:0 auto;width:508.609375px;height:358.609375px" data-scale="1.4069348480352677" class="flex-col-center iframe-wrapper"><img width="100%" src="https://test-internal.lndata.com/frontend_api/postImages/84e20adc-8c72-4f9b-aafb-f88ab6276d9a.jpg" alt=" " data-size="{&quot;height&quot;:368.609375,&quot;width&quot;:518.609375}" data-alignment="center"/><span class="alt-text"> </span></div></figure><div class="break"></div><h2><strong>2023值得關注的10位數據工作者Instagram一覽</strong></h2><ol type="1"><li>@_ds_daily : 資料科學家的工作日常</li><li>@irene.ds.life: Irene與資料職涯大小事</li><li>@ds_slashlife : 資料科學探索女子Anna</li><li>@andystory_ins : 分享在數據之路上闖蕩以及各式各樣有趣的故事</li><li>@data.tiffany :  在創造夢想的樂園擔任數據分析師</li><li>@cindyanalyst : 市場洞察 Cindy</li><li>@data_egg_tart : 現職數據分析師，美國職場小菜鳥</li><li>@alyssaherlife : 社會學半路出家資料科學 | 跨域數據甘苦談</li><li>@snoza_ds : 協槓資料科學、商業分析、資料工程的金融人</li><li>@andyrockdata : 玩搖滾的數據人</li></ol><div class="break"></div><h3><a href="https://www.instagram.com/___dsdaily___/" target="_blank" rel="noreferrer">@_ds_daily</a> : 資料科學家的工作日常</h3><p>由擅長網站開發與資料科學的雙棲工程師維元所經營，時常在版上分享資料科學相關知識及書籍，維元老師擁有多次國內大型技術會議講者經驗，不想錯過任何數據講座資訊及學習資源的各位一定要追蹤起來！</p><div class="break"></div><h3><a href="https://www.instagram.com/irene.ds.life/" target="_blank" rel="noreferrer">@irene.ds.life</a>: Irene與資料職涯大小事</h3><p>Irene是旅遊電商公司的Data PM Lead，IG分享跟生活相關的資料科學知識、職場心得、生活穿搭等等。身為主管的Irene也很常分享一些關於履歷面試的小技巧，推薦給想要進入資料職涯的社會新鮮人！</p><div class="break"></div><h3><a href="https://www.instagram.com/ds_slashlife/" target="_blank" rel="noreferrer">@ds_slashlife</a> : 資料科學探索女子Anna</h3><p>Anna是一位台科企管所碩士的學生，大學時雙主修日文及資料科學，擁有許多關於資料科學的專題及實習經驗，努力的經營自己的斜槓生活，在IG上也會分享資料科學專案中很實用的技術及非常完整的實習紀錄！</p><div class="break"></div><h3><a href="https://www.instagram.com/andystory_ins/" target="_blank" rel="noreferrer">@andystory_ins</a> : 分享在數據之路上闖蕩以及各式各樣有趣的故事</h3><p>北漂來台北從事數據分析師的Andy，在專業之餘也時常分享自己在職涯路上的心境，統計系出身的背景也讓ANDY分享許多統計學在數據領域上的應用，想補充數據甚至是統計專業知識的朋友們千萬別錯過啦~</p><div class="break"></div><h3><a href="https://www.instagram.com/data.tiffany/" target="_blank" rel="noreferrer">@data.tiffany</a> :  在創造夢想的樂園擔任數據分析師</h3><p>遠赴上海工作的Tiffany是一位數據分析師，在 「數據分析」 及「數位行銷」 兩項領域都有很豐富的經驗，也可以到tiffany的部落格去觀看滿滿的數據、行銷文章分享！</p><div class="break"></div><h3><a href="https://www.instagram.com/cindyanalyst" target="_blank" rel="noreferrer">@cindyanalyst</a> : 市場洞察 Cindy</h3><p>未來想往市場研究和分析職涯前進的人非常推薦你追蹤Cindy！Cindy在IG上會用許多簡單的圖文分享做市場分析的技術流程及需要注意的細節，另外也分享了許多解讀數據的小撇步喔~</p><div class="break"></div><h3><a href="https://www.instagram.com/data_egg_tart/" target="_blank" rel="noreferrer">@data_egg_tart</a> : 現職數據分析師，美國職場小菜鳥</h3><p>大學主修資訊管理而後去美國進修商業分析職涯選擇數據分析師的蛋塔，IG主要分享成為數據分析師的職涯過程及必備技能，推薦給想去美國從事商業分析或數據分析領域的人！</p><div class="break"></div><h3><a href="https://www.instagram.com/alyssaherlife/" target="_blank" rel="noreferrer">@alyssaherlife</a> : 社會學半路出家資料科學 | 跨域數據甘苦談</h3><p>Alyssa是一位科技業新創資料團隊的主管，但其實在求學階段Alyssa讀的是文組的社會學系！除了跨領域的及數據應用在商業場景的分享，Alyssa也對空間資料分析有豐富的見解喔~</p><div class="break"></div><h3><a href="https://www.instagram.com/snoza_ds/" target="_blank" rel="noreferrer">@snoza_ds</a> : 協槓資料科學、商業分析、資料工程的金融人</h3><p>在金融業擔任過商業分析及數據分析師的Snoza，發文主題聚焦在機器學習和商業分析，也會分享自學轉職的心態及資源分享，推薦給同樣也在資料分析自學路上努力的朋友們參考！</p><div class="break"></div><h3><a href="https://www.instagram.com/andyrockdata/" target="_blank" rel="noreferrer">@andyrockdata</a> : 玩搖滾的數據人</h3><p>Andy是在大陸發展的數據分析師，版上分享許多數據分析的工作經驗和日常，部落格上也有許多關於數據知識及技巧，另外還有許多數據的職涯趨勢，也想成為厲害的「數據人」的話，一定要追蹤起來啦~</p><div class="break"></div><p><strong>立即追蹤 <span style="color:rgb(52, 183, 175)"><a href="https://www.instagram.com/thelndata" target="_blank" rel="noreferrer">LnData Instagram</a></span> 了解更多數據大小事！</strong></p>

對於有志成為數據領域人才的人，現在網路上有許多絕佳的學習資源，但職場上會遇到的經歷或是實用的數據知識或許透過「數據前輩」的分享會更加清楚 ！我們盤點2023值得關注的 10 位數據工作者Instagram，從他們的分享數據領域的熱忱及專業，讓你更加了解數據工作者的職涯經歷或生活點滴！

Dữ liệu+

CDP顧客數據平台：為企業提供全面的顧客洞察

資料科學是什麼？五分鐘搞懂資料科學定義與概念

2023 必須收藏的 6 個資料視覺化工具

2023值得關注的10位數據工作者Instagram - 數據知識職涯分享

Không thể bỏ lỡ