昨天蘋果突然發佈了 M5 晶片版本的 Macbook Pro，號稱 AI 運算效能比 M1 版本快 6 倍，雖然搞不清楚是怎麼比較的，總之本蘋果粉覺得聽起來有點厲害。明明我的 M1 電腦還頭好壯壯，都有點心動想花錢了。

但重點不是要跟你推銷電腦，我是要推銷以下這個充滿嘲諷的 The Verge 媒體貼文：

以防你沒看懂梗：這塊尊爵不凡擦拭布官方定價 $590 台幣 (˚∀˚)

這要是被我阿嬤聽到應該會罵我：這種布她去菜市場買鍋子跟老闆都能免費要到三條

上次到清大 DTDA 演講，同時和社團幹部一起錄了短影音（連結），i 人覺得上鏡頭真的好恐怖 (･_･;

這部訪談的問題很有趣，我想在電子報多說一點：

大學財金系的訓練對於成為資料科學家有幫助嗎？

我當了八年資料科學家，大學念的是台大財金系。這些年來，這是很常被問到的問題。

財金系的訓練確實有幫助！

統計與計量基礎是核心優勢​
財金系通常會學基礎統計學、時間序列分析、選修也會有計量經濟學，這些都是資料分析工作的基石。統計學的假設檢定是 A/B 測試的基礎；計量經濟學的方法可以直接應用在很多 因果推論 問題上；時間序列分析更不用說，即使現在有先進的機器學習預測模型，正式開始做預測之前，先用經典的 ARIMA 模型 建立 baseline 也是必要的。

跟各種「指標」打交道​
不害怕一堆五花八門的指標也是財金系的超能力，從理解財報、金融商品、市場運作的課程之中，我們早早就接觸了很多指標，ROE/ROI、速動比率、夏普值等等族繁不及備載，財金系同學早就習慣於快速理解並解讀各種商業指標，知道「為什麼要分析這個數據」、「這個指標為什麼重要」，這種商業直覺是做資料分析非常重要的！

因果推論概念萌芽​
財金訓練常常涉及「X 會不會影響 Y」的思考，像是利率怎麼影響股價、匯率波動對進出口的影響（這些我顯然沒精通，不然我現在應該是炒股票大富翁了）。即使最基礎的財金課程不會講到很進階的因果推論方法，但大多數課程都會強調「相關性不代表因果」這個概念。這給了財金系畢業生最基本但最重要的數字直覺，也跟我現在做的因果推論、A/B 測試工作高度相關。

但有明顯的技能缺口

當然，財金系的訓練也有明顯的不足之處。

程式設計能力需要自學補強​
財金系大多教 Excel、也有不少教授喜歡用 R 或 SAS，但資料科學業界需要熟練 Python 和 SQL，還要會 data pipeline、版本控制（Git）等工程技能。這些都需要靠自學或額外修課來補足。

大規模數據處理是另一個挑戰​
學校作業可能只處理幾千筆資料，用 Excel 或 R 就能跑完。但真實世界則是動輒百萬、千萬筆數據，這時你需要學 BigQuery、Spark、dbt 等大數據工具。這種規模的差異，是學校環境很難模擬的。

產品思維與實驗設計是最大的落差​
這是我認為最重要的技能缺口！取決於你在哪個團隊擔任資料科學家，你需要解決的產品問題可能非常不一樣，而且需要完全不同的領域知識。

舉例來說，如果你在美食外送服務公司（Uber Eats、Foodpanda）擔任產品分析師，你就必須理解雙邊市場或三邊市場特有的分析挑戰。像是 Meta 的這篇研究 就說明了外送服務會遇到的網路效應問題—當你改變消費者端的體驗，可能會連帶影響餐廳端和外送員端，這種複雜的交互作用需要特殊的實驗與分析方法。這些領域知識通常統計課本不會有，要自己努力向業界專家學習。

此外，實驗設計也是財金系不會教的。學校教的是「分析已有的數據」，但業界需要你「設計實驗來產生數據」，這是完全不同的思維。而在很多產品設計相關的資料科學家職缺中，A/B 測試又是非常重要的工作內容，因此實驗設計能力不足可能會是商管學院畢業生的劣勢。

（自我推銷：我的部落格寫了很多 A/B 測試教學文章，幫你補足技能缺口！）

財金系讓我學會刻意磨練軟實力

回顧我的財金系經歷，我發現最大的收穫其實是「軟實力」（Soft Skill）的養成。

很多人對商管學院的印象是：穿著西裝筆挺、展現漂亮的簡報、口條流利清晰、英文流暢。在學校確實會遇到很多這樣厲害的同學，而我恰好不太擅長這些事情，所以努力向他們學習。財金系的必修課有非常多上台報告的機會，這給了我很多機會學習如何做簡報、如何有更穩健的台風。

還有一堆成功出國交換的同學在提醒我必須檢討為什麼英文不好、托福考不好 (´；ω；｀)

另外，至少就台大財金系而言，企業實習是非常流行的風氣。很多同學會在寒暑假、甚至學期間參與實習，這也是同學之間常常討論的話題。我也被這樣的風氣影響，雖然年輕的時候搞不太清楚為什麼要實習、真的去了也不確定學到什麼，但還是努力嘗試去公司實習，學習職場人士的思考方式。在這個過程中確實能越來越釐清自己擅長什麼、討厭做什麼，因而慢慢找到未來的方向。

當然，實習還有個實際的好處：豐富你的履歷。有了實習經驗，你在大四畢業時履歷就不會是空白的。

給大學在學生的建議

關於我從財金系到資料科學職涯的完整轉型經驗，為了避免這篇電子報太長，我就先不多說了。如果你有興趣的話，歡迎回信告訴我，我會在接下來的電子報多談！

對於有志於成為資料科學家、想找資料分析工作的大學同學們，我的建議太多了，沒辦法用一兩句話總結，而且也要看每個人的情況。更何況在現在 AI 發展這麼快速的時代，我就算建議你學某些技能，也不見得是最實用的。舉例來說，如果我建議你多學 Python 程式設計，說不定等到你畢業時，程式設計工作已經百分之百被 AI 取代了（這只是誇張想像，但不是不可能）。

但至少我非常確定一件事：如果你是大學生、未來想成為資料科學家，而你正在讀這段話，那你已經在成功的路上了。

我認為對學生而言，想要未來更順利地找工作，在學校期間就努力了解業界人士的成長路徑、工作與學習方法、還有思考模式，是非常重要的。畢竟業界環境跟學校非常不一樣，如果你能及早接觸業界的思考方式和職場文化，未來你會越來越容易上手。

持續學習、保持好奇、主動接觸業界前輩—這才是最重要的能力，不只是財金系、不管你念什麼科系都是如此！

上一封電子報略提到 Spotify 的 Sequential A/B Test 之後，有幾位讀者回信告訴我有興趣，很謝謝你們讓我知道！我更有信心跟動力在接下來的電子報多寫寫這個統計議題了。我未來幾期之內會用白話的方式介紹這個特別的 A/B 測試方法。

在我動筆之前，先推薦迫不及待的你閱讀以下相關文章：

• Simple Sequential A/B Testing by Evan Miller: 介紹做法與基礎理論
• Choosing a Sequential Testing Framework by Spotify: 有很多相似方法、究竟該怎麼選
• 只需要加減法的 Sequential A/B Test：這是我過去寫過的文章，強調在什麼情境適合使用此方法​
  ​