一、微观视角

“大数据电子商务”一词由两个名词所组成，也就是“大数据”与“电子商务”。换句话说，若以微观视角来审视，这两个领域都有其各自所需学习的技能。以图1-40为例，我们在红色方框处输入“大数据”查询人力银行网站的职缺信息，结果发现职缺总数为2197个（含全职、兼职、高阶、派遣、接案与家教等），表示在就业市场上与大数据相关的职缺需求甚为迫切。如果仔细端详所查询出来的职缺，也许具有信息背景的求职者会感到开心并且跃跃欲试，但是对于非信息背景的求职者来说，可能会感到望尘莫及。然而现实情况刚好相反，大数据相关职缺并非信息背景人士专属。若试着将上述职缺搜寻领域缩减或是勾选非信息领域，结果也许会令人大吃一惊！

以图1-41为例，我们在蓝色方框处勾选了五种非信息领域，包含行销/企划/专案管理类、经营/人资类、生产制造/品管/环卫类、财会/金融专业类、传播艺术/设计类等，点击“查询”按钮后，发现大数据相关职缺总数由原来的2000多个骤降为891个，如图1-42红色方框处所示，若仔细端详各个职缺情况就能发现，所征求职务内容似乎已透露出些许非信息背景人士专属的迹象，甚至直接在职缺标题名称中打上“管理”二字。

2017年开业的纯数字非实体银行“王道”欲聘请大数据管理人员，工作内容中明确表明应征该职务所需具备的能力，如“负责大数据平台的数据探勘、分析与管理，包括数字数据、社群数据、互联网数据等”“负责大数据数据源的创造与搜集，包括内部数字通路及外部社群资料等”“大数据应用模式研究与技术实作，如Python、 Machine Learning、Text Mining等，以支持数字金融产品的创新与新商机的开发”“掌握大数据平台发展与创新应用趋势，据以提出创新解决方案或项目规划”等。

其实这些工作内容即使有信息背景的人士也不一定能够胜任，主要原因在于有信息背景的人士在成长的过程中，较少涉猎软性知识，因此在产品创新与新商机开发方面，往往无法与市场实际情况结合。换句话说，要能够胜任上述工作内容，反而需要融入信息以外的相关知识与实务经验，如此才有办法成为符合需求的大数据管理人才。

这个职缺现象再次呼应了本节开头的说法，即大数据相关职缺并非信息背景人士专属。有鉴于此，非信息背景的人士应当将自己所熟悉的管理相关知识暂时予以搁置，研习自身不熟悉的信息相关知识，特别是与大数据有关的知识，待完备信息相关知识后，将其与自身熟识的管理相关知识整合在一起，这样便能够有效地胜任上述职缺中的所有工作内容，该银行就是希望找到一位具有复合知识的大数据管理人才，而这正是非信息背景人士涉入大数据相关领域的机会所在。我们若使用相同的方式查找“电子商务”职缺内容，是否也会发现类似大数据职缺的跨领域需求现象呢？答案是肯定的。

图1-43为104人力银行网站职缺查询界面，我们在红色方框处输入“电子商务”进行查询，发现电子商务各式职缺总数为7145个，相较于大数据相关职缺，电子商务职缺数量高出许多，可见电子商务从业者对于人才需求的渴望与迫切。如果仔细端详所查询出来的职缺信息，也许有信息背景的求职者会再次感到开心，但对于非信息背景的求职者来说，可能又要感到失落了。然而如同我们在大数据职缺中所进行的进阶查询一般，事情并非想象的那样，正所谓行行出状元，即便是电子商务领域仍无法脱离对于非信息背景人士的需求。

以图1-44为例，我们同样勾选五种非信息领域，包含行销/企划/专案管理类、经营/人资类、生产制造/品管/环卫类、财会/金融专业类、传播艺术/设计类等，点击“查询”按钮后发现，电子商务相关职缺总数由原来的7000多个骤降至3657个，如红色方框处所示，然而若再仔细端详各个职缺后发现，所征求的职务内容似乎再度透露出非信息背景人员专属的迹象。

知名团购从业者GOMAJ在人力银行网站上公告的电子商务数字营销专员要求，除了必须具备创意、想法、对电商领域具有高度热忱之外，还明确表示“如果你曾服务于综合购物电商或拥有GA证件，我们更爱”，这意味着工作经验与证件都会是应征加分项，其中GA证件（Google Analytics网站使用分析个人证书）就是一个非常适合让非信息背景人士考取的高就业率证件，虽然它在使用上仍无法摆脱一定程度的信息背景，但谷歌已将它简化至非信息背景人士所能接受的范畴。

所以无论是大数据、电子商务，还是大数据电子商务，都有非信息背景人士所能够着墨之处，并非如想象般的遥不可及。除此之外，无论是大数据或是电子商务，本身都属于一种复合领域概念(10)，很难用单一领域或是单一技能给予包山包海的概述，因此建议在大数据学习过程中，不妨以图1-45所示的层级概念来铺陈或规划学习脉络。

我们日常生活中常接触的网站、App或是任何联网系统，其实都可以概略地用这三层结构来叙述。由左至右分别是物理层、网络层以及应用层，其中，物理层所涉及的技术通常是底层运作的操作系统（Operating System, OS）或是数据处理与储存技术，例如用于处理大数据、非结构化数据且能够突破传统关系数据库的NoSQL语言、能够将大数据中的部分数据加载到内存中运算的SPARK处理技术等，而网络层则偏向与网络运作有关的技术，如网络服务器的规划与管理、网页程序语言PHP、App设计语言Swift及Android或是与物联网IoT相关的长距低功耗无线网络LoRaWAN技术、Arduino及Raspberry Pi可编程装置等，这些都肩负着搭建使用者与底层运作技术之间的桥梁角色。

当物理层与网络层开始运作之后，应用层便可通过物理层与网络层运作时所产生的数据来衍生出许多应用，例如以Python程序语言编写而成的网络数据爬取工具crawler、监控与分析网站流量情况的谷歌分析网站使用分析工具、统计分析或数据可视化的Tableau与SAS等。

在一般情况下，当架构层级越往右侧的应用层靠拢时，其中的相关应用技术对于非信息背景人士来说，学习门槛更低。这个概念就好比商管学群常使用到的SPSS统计分析软件一般，除了针对所需的统计分析进行设定之外，若加入些许的程序代码控制，将会使数据处理更得心应手。同样，应用层中的许多技术虽然可能涉及程序代码，但并不会因为程序代码的存在阻碍非信息背景人士的学习，而这也是撰写本书的宗旨，使非信息背景人士也能够轻松进入大数据电子商务的分析行列。

每个人的学习能力与规划不尽相同，或许有些人在学习完应用层相关技术后，愿意且能够钻研较为深入的网络层相关技术，甚至更为深奥的物理层技术，故图1-45的重点并非在于特定层级的技术，而是在传达当我们在规划学习脉络时要能够有层级概念的系统观，毕竟特定层级中的技术很可能会因为时代变迁而遭到淘汰，因此每个人具备的层级概念的系统观必须能够顺应时代变化，进而与时俱进地调整学习脉络。

接着分析一则有关大数据人才需求的新闻报道，图1-46为新唐人电视台所制播的《大数据人才需求》新闻的一个画面，在这则新闻报道第20秒所播报的内容与上述层级架构图中的网络层吻合，也就是通过手机WiFi信号来进行的实体店面商圈分析或是将分析结果延伸至线上与线下的O2O虚实整合应用。除此之外，在这则报道第1分04秒处提到，虽然大数据相关工作的职缺增长速度惊人且薪资水平不低，但业界却苦于寻求不到人才。探究可能原因是发现人才培育方面或学习者本身将大数据或大数据电子商务复合领域过度划分，使得学习脉络过于片段化。

由于大数据电子商务涉及许多层面，因此在学习过程中必须时时牢记架构图中所描述的三大层级，非信息背景人士务必把握应用层这个千载难逢的大数据电子商务切入点，待掌握其要领后，再继续向网络层或物理层技术学习迈进。两位威朋数据专家张嘉祜与彭智楹在接受数字时代杂志专访(11)时不约而同地提道：数据科学家并非一定是信息背景出身，数据科学家仍须具备基础数理与资讯工程能力，此与图1-45中的概念不谋而合。

最后我们要说明的是，所谓大数据电子商务技能的微观视角其实就是指大数据电子商务技能生态圈中的基本单元技能。特定技能不但影响大数据电子商务运作的成败，更影响大数据电子商务职缺的供给与需求，因此微观视角下的相关技能可以视为大数据电子商务运作成功的必要条件。换句话说，虽然学习者拥有这些技能，但并不一定能够在大数据电子商务领域中占有一席之地，但若缺乏这些技能，则肯定无法加入这场大数据电子商务浪潮。那么究竟要如何才能在新兴的大数据电子商务领域中立于不败之地呢？答案就在接下来要提到的大数据电子商务技能的宏观视角中，它将是非信息背景人士的竞争利器，能使非信息背景人士受到就业市场重用，不但历久弥新而且坚如磐石。