在 Day 10, 我提到 Data Team 多半從中央集權開始。我們都希望導入 modern data stack, 系統化的分析方式以及專業的資料諮詢服務。但要小心不要掉入這個陷阱 ⚠️ ，讓我說明如下

Photo by Ethan Wilkinson on Unsplash

不要當 Data ATM 🏧

這個名詞是從 Tom 那邊學到的。他在 FB 發過一篇 【數據分析師會走向泡沫化嗎?】提到大多數的公司是將 Data Team 視為後勤，並沒有真的要推動數據驅動文化。這篇文章被分享超過 800 多次，當時支持與反對這個論點的意見都熱烈討論。因為此文找他聊天，學到這個生動的名詞。

記得在 Day 9, 我鼓勵 Data Team 應該要致力於提升商業價值。當 PM 提出需求：「幫我分析 XX 所以我可以做出 YY 決策，這可能會對 AA 產品成長有顯著的影響。」聽到這樣描述，當然感受到這個分析是很重要且有點著急，於是你熬夜加班的在 3 天內提供這個分析。接著，你又收到另外一個聽起來很重要且著急的需求。一個月後，你才有空回想到，那當時提供分析後，到底有沒有幫助到 AA 產品的成長呢？一年後，你已經協助了無數個重要又著急的需求，整個一年都超級忙碌。你可能沒發現，你已經掉入 Data ATM 的陷阱 ⚠️。你希望能對商業提供價值，但卻都不知道結果，只是不斷的回應需求。

有幾位資料人問過我，想要轉職成為 PM，該怎麼做？身為 PM 會想要先釐清這是問題還是解法，就會接著問，為什麼想要轉職？通常其實他想解決的是，他身為 DA 覺得自己影響力不夠，沒有話語權，提出的分析建議卻沒有被採納，覺得成為 PM 就有話語權了。我只好告訴他們，沒有這麼美好 😆，不是身為 PM 就說話比較大聲。後續文章我會再討論，如何增加影響力。

蓋一個 Data ATM

Data Team 通常沒有足夠的資源可以協助所有部門、產品的所有資料需求。提供自助服務可以有效的降低這個負擔。而且，這對於提升資料素養是非常好的方法。

我們不想自己成為 Data ATM 只是交付分析報告，但可以建造一個 Data ATM 給同事們使用。讓他們可以自己產生報表、調整分析角度，再深入一點探索他們的資料問題。

如何蓋呢？

在 Day 11, 我分享幾個提升資料素養的實踐方法，為的就是讓更多人知道如何查看、理解、建立以及採用資料。介紹大家如何使用 business intelligence (BI) 工具就是個有效的方法。

如何評估 BI 工具

通常環境是第一個考量，看多數的資料使用者是 Macs 或 Windows 電腦，因為多數 open source 工具都不太考慮 Windiows, 如果你的資料使用者都是 Windows 那就用 Power BI 吧。再來是考慮預算，看你可以用付費工具或者要找 open source 產品，例如在新創公司沒什麼預算，就會直接往 open source 找。最後，要參考目前的資料使用者最熟悉什麼樣的方式，他們都用 xls 或者有在第三方操作後台看資料等。先依據前兩個考慮排除可使用的 BI 工具，最後再用考量來評估剩下的工具。

BI 工具推薦

• Power BI 是給 Windows 使用者
• Tableau 通常是預算較夠，且比較大型、傳統的公司。如果你的資料使用者都很習慣 XLS, 那他們對於 Tableau 應該滿容易上手。
• Looker 也是給預算充分的公司。 (我從來就沒機會用！ 😂)
• 不過呢， Looker Studio 是免費的，也提供很不錯的設計跟功能，滿適合想要一頁式美麗報表的。
• 以前有用過 Redash, 但這個 open source 已經不再維護。
• Superset 我有嘗試過一下下，但就是不太習慣；聽說習慣 Tableau 的使用者覺得 Superset 很直覺。
• Rows 是一個很 spreadsheet-driven 的付費產品。
• Mode 在 2023/6/26 宣佈被 Thoughtspot 給買下。Mode 是針對給 BA 用 SQL 分析用的工具，而 Thoughtspot 則是想用自然語言讓不熟悉 SQL 的資料使用者也可以分析資料。這兩個產品做法超級不同，但殊途同歸，這個合併會產生什麼火花滿令人期待的 🤩。
• 我有試過 Lightdash 一下下，是被大家超級推薦的 open-source 工具，可以理解但我沒有用得很深入過。
• 要提一下另外一種類型的做法 Deepnote，這滿像是可以寫 SQL 的 Notion 。
• 還有，最近感覺 Retool 好像滿適合拿來做 BI 的，但我還沒應用過。
• 最後，其實我過去三年都是使用 Metabase 。它操作的介面滿直覺的，一般的使用者應該都算滿好上手。

接下來 ⏭️

先打個預防針，當你準備好 BI 工具也提供教學使用，不要期待大家就會經常性的每天或每週的去看資料。資料分析不是他們主要的工作，他們看資料是為了要回答問題或者幫助決策。假設所有事情都超完美，沒事發生，活躍使用者不斷成長、營收漂亮，那同事們應該不用去看資料，而是專注在他們自身的工作上。

通常需要看資料是為了監測確保沒事，或者遇到問題想要找答案。自動化 Automation 🤖 很適合監測。讓資料使者不用每週或每天上來看資料，等需要再來就好。所以下一篇，我們來聊聊自動化。

對 dbt 或 data 有興趣 👋？歡迎加入 dbt community 到 #local-taipei 找我們，也有實體 Meetup 請到 dbt Taipei Meetup 報名參加