Step1：定義與拆解問題

• 首先需要釐清問題背後的目的，先問自己：我們想達成什麼目標？這個問題在我們的整體目標中扮演什麼角色？
• 針對問題進行前置研究，拆解問題成多個子問題能幫助我們更好地理解問題的複雜性。
• 將抽象問題轉為可量化的指標，需要確定如何將問題的不同方面定義為可以衡量、比較和分析的數據

Step2：探索資料

找關鍵數據源，通常來自：

• 第一方結構化數據：CRM軟體、行銷數據。
• 第二方數據（合作組織的第一方數據）可作輔助：共同市場營銷數據。
• 第三方數據（獨立的大量非結構化數據）：如DMP數據管理平台、媒體數據。

這個過程要記得清理數據，因為重複值和異常值會扭曲分析結果，也要填補缺漏的數據，修正錯誤的格式。

Step3：分析數據

這跟第一天提到的概述內容有關，資料分析大致分為這四個類別：

/1. 描述分析Descriptive analysis：What happened?/
確定已發生的事實，讓數據已有意義的方式呈現，打好基礎。
/2. 診斷分析Diagnostic analysis：what did it happened?/
找到過去類似的模式，把可能導致此結果的因素建立相關性。
/3. 預測分析Predictive analysis：What will happen?/
找規律，預測未來可能的趨勢、潛在問題。
/4. 處方式分析Prescriptive analysis：How can we make it happen?/
為了達到希望的結果，我們可以做什麼？

Step4：驗證假設

通過驗證可以確定結論是否可靠，並且評估我們的模型或方法的性能。驗證方法包括：

• 統計檢定：t檢驗、卡方檢定、ANOVA變異數分析。
• 模型交叉驗證：評估性能、k折交叉驗證。
• 再次數據分析：更複雜的模型，像機器學習模型

Step5：溝通決策

將分析結果解釋成易於理解的形式，例如報告、圖表、可視化等。有效的溝通，可以確保分析結果不僅僅被理解，可以被用來支持業務決策和行動。

• 數據解讀：進行深入的解釋，確保不僅僅是呈現數字和統計數據，而是能夠理解背後的意義。舉例來說：在市場研究分析結果中發現滿意度評分在特定年齡段的消費者明顯較低。這並不僅僅是數字，可能代表著該年齡段的消費者對該產品的特定方面有不滿，需要更深入的調查和了解。
• 資料視覺化：將分析結果轉化為可視化圖表和圖形，像是柱狀圖或折線圖。
• 撰寫報告和演示：以易於理解的方式傳遞給相關利益相關者。