第六屆 CMoney 專業分享暨招募說明會－從零開始建立高效數據分析體系

在當今以數據為中心的商業環境中，企業對數據分析的需求日漸增長，但如果只依賴第三方數據平台，可能無法即時滿足企業的特定分析需求，因此 CMoney 選擇建立自己的數據體系。

在這次第六屆 CMoney 專業分享暨招募說明會中，產品暨數據部門主管 Henri 分享了「從零開始」建立高效數據分析體系的實戰經驗，不僅講述 CMoney 自建數據平台的動機與挑戰，更提供許多數據思維的視角與經驗，值得所有對數據分析感興趣的人一起推敲、一起討論！

文章目錄

為什麼選擇自建數據體系？

想像一下，你習慣使用的工具突然有一天停止運作，會是什麼感覺？這就是 CMoney 數據團隊過去曾經面臨的真實情境！我們意識到把數據命脈交給別人，終究存在以下幾種風險：

停止服務的風險：第三方平台如 Flurry 於 2024 年 3 月停止服務，而 CMoney 需要確保其數據不會因為外部因素而中斷。
數據定義不符合需求：許多第三方平台提供的數據定義無法滿足商業特定需求。例如，發票兌獎週期為兩個月，但大多數平台僅提供日活躍或月活躍用戶數據，無法對應特定業務的數據需求。
缺乏原始數據：大部分第三方平台只能提供統計或抽樣數據而不是提供所有獲得的原始數據，因此分析結果不一定與真實數據狀況對齊。
調整彈性不足：如果第三方平台客製化開發成本與自建系統的費用相差不大，那還不如選擇自建系統，以獲得更高的靈活性。

如何開始建構數據體系？數據思維架構

決定自建數據平台後，CMoney 團隊夥伴並沒有急著埋頭苦幹，而是選擇先停下來思考：為什麼要分析數據？我們發現過去常常陷入一個誤區：盲目地收集數據，卻忽略了數據背後的商業問題。

因此，數據團隊提出了「問題指標維度」架構：

先問「為什麼」：釐清要解決的核心「問題」
再找「怎麼看」：找出能衡量問題狀態的「指標」
接著「細細拆」：透過各種「維度」深入拆解指標。

這個架構強調「先商業邏輯，再數據邏輯」的重要性，並且數據分析不應只是技術部門的工作，更應該是所有部門共同參與的過程。首先要與需求單位確認，要解決的關鍵問題是什麼？接著，針對問題建立清晰的商業邏輯或流程。最後，把商業流程轉換為數據需求，找出所需的指標與維度。

記得重點不是放在計算的技巧上，而是思考該取得哪些關鍵數據指標才能解決問題。

數據使用的便利性與挑戰

在實踐的過程中，儘管 CMoney 在建立自己的數據體系方面取得了一定進展，但實務上面臨著以下挑戰：

如何讓數據「好用」：如何提升獲取所需數據的效率、分析效率與使用率，讓數據發揮真正的價值
如何「定義」數據：如何正確地定義各種維度，才能更精準地描述用戶的行為
如何確保數據的「彈性」：如何提供足夠的彈性，以滿足不同的分析需求

找到合適的資料架構對於數據管理來說同樣非常重要，常見資料架構例如 Data Lake, Data Warahouse, Data Mart 等，但 CMoney 的資料架構是將數據體系分成四個層次：

原始資料層：就像數據的倉庫，儲存著未經處理的原始數據。
收斂資料層：就像數據的加工廠，將原始數據進行初步分類。
數據呈現層：就像數據的展示廳，將數據轉換為容易理解的表格。
應用層：就像數據的應用中心，讓使用者直接使用數據。

要特別注意的是，維度的定義應根據實際需求調整而非一成不變，而不是執著於單一標準，才能提供更細緻的洞察。

如何定義數據分析維度？

以 APP 開發商來說，我們用「用戶狀態」的定義為例，將用戶區分為：新用戶、留存用戶、流失用戶、招回用戶，區分的關鍵計算邏輯在於使用的間隔時間。

確定我們使用「登入的間隔天數」當作計算邏輯之後，接下來要思考如何取樣分群？

第一次登入在 25 日內叫做新用戶
每次登入間隔在 25 日內為留存用戶
超過 180 日以上沒登入的用戶稱為流失用戶
過去有用過，間隔 25 日以上再次登入使用的叫做招回用戶

以這個案例來看，我們將所有用戶的登入間隔天數全部統計後，按間隔低至高排序並畫出，這種以數據為基礎的定義方法，避免了主觀臆測，提高了數據分析的準確性，讓數據自己說話！

結論

實體招募說明會當天，現場反應相當熱絡！也引發了觀眾在多個層面的深刻思考與學習。不僅幫助大家更深入了解數據分析的實務操作與架構設計，也拓展了對 CMoney 產品和組織架構的認識，為職涯發展提供了新啟發，不論是數據科學家還是對數據工作較陌生的參與者，都能從中獲得豐富的洞察，包括如何定義商業問題、設計維度思維、解決實務挑戰，甚至學習不同公司處理商業問題的邏輯。