如果你更願意把營運指標講清楚,並把問題追到業務團隊能確認的環節,可以先試業務資料分析。如果你更願意定義一個可以預測的結果,用後續取得的資料檢驗方法能否幫團隊做決定,可以先試偏重模型建構的資料科學。投履歷前,更值得問的是團隊讓你長期負責哪項交付。
有些公司把兩種任務放在同一職位。塔牌集團的 2027 屆校園徵才就有「數據科學家(數據分析師)」:同一個職位既參與指標與 BI 看板,又做預測、異常檢測。它是製造企業的一個徵才樣本,說明不能靠職位名或工具組合劃出固定界線。下文的「分析師」具體指業務分析、商業智慧方向,「資料科學家」指負責預測驗證的一類工作。同為 2027 屆,拼多多的「數據分析師」職缺也要求 SQL、Python 和數理統計。拿到徵才說明後,看板、指標和營運回顧要問誰使用、誰驗收,模型建構、預測和異常檢測要問目標與驗證方法。兩類職缺的工具可能重合。 塔牌集團校園徵才:展開「數據科學家方向完整職位描述」查看職位三 · 拼多多集團校園徵才:資料分析師(南開就業網全文) · IBM:資料分析與資料科學的關係
| 同一個業務問題中的分工 | 營運分析方向 | 預測驗證方向 |
|---|---|---|
| 業務方怎麼問 | 淨成交額少了多少?差額主要在哪個管道? | 下單時能否排出優先人工核查的訂單? |
| 分析對象 | 兩週的管道金額、已確認退款 | 較晚下單的一批訂單及隨後出現的退款結果 |
| 交給誰 | 營運或財務核數字、安排進一步調查 | 審核負責人檢查排序結果,資料與工程同事複核輸入、效果 |
| 交付物 | 一張可重新計算的差額表、一條寫明負責人的查核建議 | 一份可重現的排序對比,一條保留或再測的建議 |
| 怎麼驗收 | 分組加回總額,計算方式一致,結論不誇大 | 預測只用當時已知資訊,兩種做法在相同審核量下比較 |
先拿同一張訂單表,確定兩個 14 天各算什麼
以下是編輯部虛構的微型練習。每行一筆訂單,取消、退貨運費、部分退款分次入帳等複雜情況省略。「已確認退款金額」以退款確認日計入;本練習的 14 天指下單日為第 0 日,第 0–13 日按北京時間自然日計算。複製這張表到表格軟體就能進行下面兩次試做。
| 訂單 | 下單日(示意) | 管道 | 使用活動券 | 訂單金額(元) | 已確認退款日 | 已確認退款金額(元) |
|---|---|---|---|---|---|---|
| A1 | 3 月 2 日 | 搜尋 | 是 | 360 | 3 月 7 日 | 50 |
| A2 | 3 月 2 日 | 搜尋 | 否 | 240 | — | 0 |
| A3 | 3 月 2 日 | 其他 | 是 | 230 | — | 0 |
| A4 | 3 月 2 日 | 其他 | 否 | 170 | — | 0 |
| B1 | 3 月 23 日 | 搜尋 | 是 | 300 | 3 月 28 日 | 90 |
| B2 | 3 月 23 日 | 搜尋 | 否 | 260 | — | 0 |
| B3 | 3 月 23 日 | 其他 | 是 | 240 | 4 月 2 日 | 20 |
| B4 | 3 月 23 日 | 其他 | 否 | 160 | — | 0 |
A、B 各代表一個下單週的完整模擬樣本,週內只有表上的訂單。對營運分析,14 天限定每筆訂單要扣掉多少退款,再合計到下單週。對預測驗證,14 天限定每筆訂單有沒有確認退款,是或否各記一個結果。B3 對營運分析扣 20 元,對預測驗證卻和發生 90 元退款的 B1 一樣,都記為「是」。這套預測的目標是找出更可能退款的訂單,無法評判實際損失大小。
試做一:給營運一張能對帳的營運報告
用「訂單金額減 14 天內已確認退款」算練習中的淨成交額。假設 4 月 7 日才回顧,兩個下單週的觀測均已結束,且退款紀錄已到齊。按管道核一遍:
| 管道 | A 週訂單金額 − 退款 | B 週訂單金額 − 退款 | B 比 A 的淨額差 |
|---|---|---|---|
| 搜尋 | 600 − 50 = 550 | 560 − 90 = 470 | −80 元 |
| 其他 | 400 − 0 = 400 | 400 − 20 = 380 | −20 元 |
| 合計 | 1,000 − 50 = 950 | 960 − 110 = 850 | −100 元 |
搜尋管道少的 80 元,可以繼續拆成下單金額少 40 元、確認退款金額多 40 元。這樣就能給營運一個可執行的動作:「先查搜尋管道下單金額的構成,同時請售後核 B1 的退款原因。檢查其他管道是否也出現同一原因,下次用相同觀察期間重算。」搜尋貢獻了本例下跌金額的 80%,這個貢獻是代數拆分。它沒有告訴我們搜尋廣告、活動券或營運動作是否造成了跌幅。
交付前檢查: 留一張分組表、一行計算方式和兩句建議。讓同學暫時刪掉 B3 的退款,再算一次。其他管道淨額應回到 400 元,總差額應變成 80 元;如果只改了管道明細但合計不動,先修公式。真正的工作中,如果某週退款紀錄晚到,先標記未齊並解釋影響,再決定何時出對齊後的報告。
試做二:給審核團隊一張有時間邊界的排序驗證表
把 3 月 20 日當作擬上線的決策日。當時 A 週的訂單已走完觀察期間,B 週還沒下單。假設 A 週的已確認標籤也已經入庫。把 A 週視為規則討論材料,在看到 B 週結果之前固定兩個簡單做法:原有規則按訂單金額從高到低;備選規則讓用了活動券的訂單優先,同一類內依金額排序。活動券和下單金額都在下單時已知,退款日和退款額都不能拿來排序。正式專案中,還要查明欄位何時實際寫入資料庫;單有一個日期欄位,不代表當時已經能用。 活動券優先作為備選規則是為了練習怎麼比較排序。A 週兩筆用券訂單一筆退款、一筆未退款,四筆訂單無法判斷用券是否有預測價值。 scikit-learn:時序切分的原始說明
假設這個模擬批次只夠人工看兩單。等 B 週結果收齊,在同一批訂單、同一審核名額下驗收:
| 做法 | 前兩單 | 其中後來退款的訂單 | 前兩單命中率 |
|---|---|---|---|
| 按訂單金額 | B1、B2 | B1 | 1/2 |
| 活動券優先 | B1、B3 | B1、B3 | 2/2 |
這裡沒有訓練模型。把 B3 改成未退款,兩條排序清單都只命中 B1。就算備選規則多命中一單,正式試行前還要問三件事:多找出的退款中,有多少原本能被人工介入阻止?會誤攔多少正常訂單、多花多少複核時間?換一批訂單,差距還在嗎?這四筆資料只夠示範如何比較。可以先在後續批次用相同審核量空跑兩條排序清單,看看命中和誤報,再做獨立的介入效果評估,測量人工處理的實際收益與成本。
交付前檢查: 留一張兩條排序清單與命中的對照表,寫清決策日、允許用的欄位以及哪條結論需要另一批資料來證明。請同學拿掉退款列,看能否獨立排出兩條排序清單;如果排不出來,說明規則描述不完整,或者用了預測時還拿不到的欄位。
用程式碼對照兩個交付
把八筆訂單導入 SQLite 的 orders 表。欄名填入 order_id, order_day, channel, amount, refund_day, refund_amount,日期用 YYYY-MM-DD(示例用 2026 年),無退款的確認日留空。按下單週別和管道加總,預期 A 週搜尋 550 元、其他 400 元,B 週搜尋 470 元、其他 380 元。
SELECT substr(order_id, 1, 1) AS cohort, channel,
SUM(amount - CASE
WHEN refund_day >= order_day
AND refund_day < date(order_day, '+14 days')
THEN refund_amount ELSE 0
END) AS net_amount
FROM orders
GROUP BY 1, 2
ORDER BY 1, 2;排序時,下面只把 B 週每筆下單時就知道的編號、用券和金額交給 Python。規則在 3 月 20 日約定,訂單要等實際發生後才進入模擬批次。排好兩條排序清單,再拿另存的退款結果查命中。
orders = [
("B1", True, 300), ("B2", False, 260),
("B3", True, 240), ("B4", False, 160),
]
baseline = sorted(orders, key=lambda row: -row[2])[:2]
candidate = sorted(orders, key=lambda row: (not row[1], -row[2]))[:2]
print([row[0] for row in baseline]) # ['B1', 'B2']
print([row[0] for row in candidate]) # ['B1', 'B3']這兩段展示的是輸出和時間邊界。實際職缺用什麼工具、由誰負責,按目標團隊的徵才說明和面試回覆確認。
把試做變成一次投遞決定
給兩種成果各留一樣長的時間試做。先紀錄哪裡卡住、哪類回饋更想繼續追,再去問目標團隊:「新人第一個完整交付是什麼?誰驗收?通常多久做一次?」如果團隊主要驗收看板計算方式和建議是否被業務用上,優先帶營運報告。若對方更關心基準、資料可用時點和方案失效條件,優先帶排序驗證。如果兩類交付都要,繼續問首三個月的比例和誰有能力帶你做弱項。一次練習只能幫你產生要驗證的問題。
可將這兩種活動帶回費馬的商業智慧分析師檔案和資料科學家檔案核對更完整的工作範圍。準備投遞時,用比較兩份徵才公告的方法驗證所在城市的實際職缺,再按專業不對口求職指南把示意練習和真實業務成果分開寫。
常見問題
不會機器學習,可以先投資料分析嗎?
可以先挑職責以業務指標、擷取資料、分析和視覺化為主的職缺,用一份能重新計算的報告證明思路。再看職缺是否明確要求實驗、統計模型建構或預測,按徵才要求補足。
資料科學家是不是每天都在訓練模型?
職缺可能同時需要定義問題、檢查資料、比較基準、驗證錯誤和溝通上線條件。問清團隊平時交什麼、由誰看,以及模型驗證佔多少時間。
同一個練習可以投兩類職缺嗎?
可以。投營運分析放差額表、計算方式和核查建議;投偏重模型建構方向放時間線、基準對照和下一批驗證計畫。兩份均寫明資料為虛構範例,未上線。


