蝦皮實習，扎實的數據分析與商業訓練 - Medium

我在蝦皮有幸待過兩個很棒的部門，Business Intelligence（數據分析 ... 就會遇到，而這就是考驗一個資料分析師解決問題能力的地方，要根據商業場景去 ... GetunlimitedaccessOpeninappHomeNotificationsListsStoriesWritePublishedinFinformation當資料科學遇上財務金融蝦皮實習，扎實的數據分析與商業訓練最近因為將要做學術研究的關係離開蝦皮。

有鑒於剛好下一年度2020的暑期實習計畫開始，在這個時間點寫心得文應該可以幫助到更多人了解這家公司，所以決定記錄下自己這接近一年（2019.7~2020.4）充實的實習心得(Commercial+BI)。

最後會寫上個人之前申請時準備履歷、面試的感受。

Shopee是一家怎麼樣的公司？SEAGroup母公司為SEA（NYSESEA）,2009年在新加坡成立，旗下有三大事業體，包含Garena(台灣營運英雄聯盟、極速領域、傳說對決等遊戲…)、AirPay(行動支付)、Shopee蝦皮購物，Shopee於2015年首次在新加坡推出，目前已擴展到馬來西亞、泰國、印度尼西亞、越南、菲律賓和臺灣，以東南亞市場為主，為全世界華人地區用戶的線上購物和銷售商品提供服務。

東南亞市場現在其實是網路業的兵家必爭之地，登陸台灣時，曾經因為免運的價格戰大力衝擊台灣電商市場。

先說結論Growthyourcareer如標題所述，我覺得蝦皮實習這趟旅程下來：提升自己的溝通能力商業簡報製作技巧大東南亞市場的商業思維更懂得掌握數據分析了解實務建模上的問題如果對電商(特別是電商，蝦皮的實習訓練絕對會讓你對電子商務（甚至說互聯網）常看指標有非常深刻的認識)、互聯網產業有興趣，我非常推薦你/妳來這邊學習與工作，如果你還不確定想去什麼產業，蝦皮絕對也是一個很好的訓練場所，因為他是平台電商，上面有分成四大品類，品類下面又有許多子品類，換句話說，如果想要接觸到不同產業、消費品的資料分析，或者是學習一些domain，蝦皮絕對都有辦法滿足你，只是看你/妳願不願主動去學。

福利蝦皮的實習福利也是一等一的，有咖啡機讓你提神，想喝飲料或者牛奶冰箱都有，每週固定水果日，下午餓了可以去零食區逛一圈回來，有時候冰箱還有奶酪等等的….還有按摩時段可以搶（填）！，工作疲乏了其實可以到沙發區去或者是多功能室（一大排座位，非用餐時間空空的）換個位置來思考，外面看出去就是松菸跟京華城、台北市的都會區，天氣好的時候他們都會發光（很刺眼XD）不過景色真的很好，有一種自由享受的感覺。

然後實習生也會配到一台筆電、有自己的公司信箱、雲端硬碟、很大的座位，上面有一個牌子寫自己的名字，那個位置就是你的！我就看到蠻多人（正職或者實習生都有）會精心佈置自己的座位，比如放一些小玩偶、盆栽、模型、角落生物之類的…還有看到一些奇奇怪怪的抱枕（比如ㄓㄌ抱枕）XDD有時候也會看到蝦小編，辦公室整體就是橘色橘色配上許多個人化座位，蠻溫馨的。

工作氣氛快樂型，也可能是我待過的兩個team都這樣，Commercial稍微比較活潑一點，BI雖然比較沈穩不過還是很多超好笑的事情。

5分鐘左右一次笑聲吧。

然後同事不定時會餵食、Teambuilding包括密室逃脫、城市尋寶、卡拉等等…或者跟主管一起跑去搶樓上樓下的水果就會覺得很好玩XD然後平常跟同事的訊息互動到後面都是下面這種感覺，真人真事。

讚！:Dennis，我們有任務了！:?:走啊拿水果！？？？？？？？？？？？？好進入正題：我在蝦皮有幸待過兩個很棒的部門，BusinessIntelligence（數據分析部門）與Commercial（商務營運部門），以下將分別就兩個團隊說明自己的感覺。

Commercial主要負責整個產品的商業營運，依照品類來分在Commercial我是屬於HEteam，比較偏向DataAnalyst（DataAnalyst使用工具以Python,Excel為主，搭配一些內部會使用的BI工具，我自己是有用PowerBI來做DashBoard、Python寫模型，不過像我主管主要是使用R，看個人專精程度），主要收穫有三點：E-commerceBusiness電子商務的知識DataDrivenCampaignAnalysis數據驅動的分析Actionableandproblemsolving解決問題的能力E-commerceBusiness截圖自蝦皮購物網站在Commercial可以讓自己對電子商務有非常多的了解，也就是DataSciecne或者我們說DataAnalysis中的domainknow-how有個認識，這也是我樂見的，畢竟如果連你分析的數據都不知道是什麼、有什麼含義，那很容易把數據變成數字或者編碼，沒有實質意義，也難以得到特別的insight。

Commercial比較多的營運規劃是CampaginAnalysis，包括說每一檔活動的成效、要操作什麼商品等等…畢竟現在電商常常造節、規劃活動與促銷，不同Campaign其實都有不同的目的，而蝦皮使用不同Campaign的場景都不太一樣，會區分等級。

在內部可以學到「不同目的」的行銷與操作商品的思考方法，因為蝦皮的商業模式簡單來說可以分成B2CB2B2CC2C我覺得最大的好處就是：你會考慮到很多不同的「Stakeholders」以及「TargetAudience」，以前學財務管理的時候對stakeholders這個詞都沒什麼感覺（投資人、富爸爸），真的在Commercial就會理解到為什麼要做這麼多的規劃與盤算。

除了Campaign，因為App有許多的資源可以使用，所以每一個渠道，包括說不同的推播方式都是你在規劃活動、分析數據時會考慮、並且作為一個操作工具的手段。

舉個簡單的例子，如果我們今天發現信用卡的案型成效不錯，除了了解原因，以後在推行這個產品的時候其實就可以作為一個說服店家、合作廠商的案例。

再比如關鍵字廣告的競價可以讓商品更往前、提升流量，通常是預算的主要支出….實在有太多domainknowhow可以學到，也讓我寫了一本Evernote的記事。

DataDrivenCampaignAnalysis示意圖，非真實資料回到我本身，我覺得在Commercial很好玩一點是可以做許多嘗試，也就是「具行動力的假說思考」，比如你結合天氣資料發現下週的氣溫如何，那搞不好適合推毛衣、暖爐等等….又到分析議題上，同樣一批數據怎麼樣發生價值，好比你發現「鬼滅之刃」站內搜索關鍵詞突然竄高，就可以想有什麼負責的產品是可以聯合搭配、規劃的，疫情之下又反映了什麼產品的需求激增，這點可以從許多電商的站內數據旁敲側擊得到。

Actionableandproblemsolving我的主管很樂於讓我嘗試想做的專案，這也是我覺得蝦皮實習一個很棒的點，不管在BI還是在Commercial，主管都會在第一天跟你說「如果你有什麼想法，都歡迎說出來！」，不只第一天，這在之後每一次開會、每一次討論、每一次頭腦風暴主管們都會再說一次：「Dennis,你對這件事情會怎麼想？」比如我就根據資料發現有許多有趣的事情可以挖掘，包括Bundling(BasketAnalysis),SalesForecasting(KPI),CLVestimation(Beta-Gammamodel)、CustomerClustering都是可以根據手邊的銷售資料就可以建立，那其實也不一定每一件事情都可以做，因為要考慮他是不是可以實際產生行動，比如發折價券就比較屬於我們可以控制的，那麼可行性比較高。

Bundling可以直接在活動案型上線時協助選品，這也可以做。

我覺得這其中也提供了很多流程優化的機會，比如寫程式可以自動化一些比較重複性的工作，那麼就可以幫團隊做出來。

尤其蝦皮又很多資料相關的事務，有自動化整理資料的工具會方便很多。

同事也會教很多domainknowhow，舉個例子，有些店家會在商品標題打上入內議價，這是為了廠商之間控制價格的協定，這對資料分析來說是一個noise，但是你很難去改變，因為這是一個商業上的事情，要想改變不一定靠資料就可以，還需要跟其他人溝通、了解資料品質的狀況。

再比如說，會根據我們的商業情景產生不一樣的問題，好比NLP（自然語言處理—一種AItechnuque）中我們說NER（命名實體識別）可以做BrandDetection，一種用模型辨識商品品牌的方法。

但是實務上我在做Branddetection時，資料的名稱常常混了很多型號（通常都是數字與英文字母編碼），比如手機、筆電會有不同型號，更遑論有些商品的名稱並不會寫上Brandname（因為賣家的命名標準不同），你要先想辦法區分出他們，這就是一個蠻實務上的問題，在學校是不會碰到的、在B2C電商也不太會遇到，但是到了C2C場景就會遇到，而這就是考驗一個資料分析師解決問題能力的地方，要根據商業場景去識別問題，並且考慮有哪些解決方法/演算法，然後執行與實作。

BusinessIntelligence其中在BI的時候是DataScienceteam，BI還有其他team，分別會處理不同的數據問題，而DataScience工作比較偏建模（modeling），使用MachineLearning,DeepLearning的相關技術。

主要使用語言為Python，資料量一大會是SQL。

我覺得在BI，尤其是DataScience主要收穫有三點：Consulting內部諮詢、數據解決方案提供DataQuality資料品質Modeling模型可解釋性ConsultingBI就我的認知比較像是輔助性後台，協助整個businessrun得更順利，而這個問題除了我們會主動開發、了解，其他部門比如Marketing,HR等等也可能會提出，並且共同商討一個數據驅動的解決方案。

這裡的解決方案並不一定是很fancy的模型，它有可能是一個產品，比如儀表板，也有可能是一個datarequest，需要什麼樣的外部資料、內部資料來協助決策、業務推動，都會由BI這邊去提供，所以我記得才剛到BI，我就有跟不同team，可能是BD、可能是CM開會、發想或者確定執行一個解決方案。

這點也很有趣，因為即使作為實習生，你可以了解到跨部門的合作方式、學習換位思考，怎麼可以幫助這家公司往前？比如我寫過爬蟲、做過簡報、寫過模型、資料清洗的腳本等等….這些都是某種解決方案。

重點不在「寫了一個多準確的模型」，而是「你怎麼樣解決這個問題」。

DataQuality包括資料清洗與分析，這邊的資料清洗其實不單純指缺失填補、資料型態規整等等…更多我覺得是「對領域知識的掌握程度」好比雙11,雙12的資料不太可能「直接」拿去做銷售預測，或者你在EDA時發現00:00下的單特別多，原因是App上有一些小遊戲可以玩、或者辦了什麼活動，這些都是noise，因為小活動可能才花你1元、9元，並不是你平常的消費行為或者習慣，但是作為資料就會被算作「你消費過一次」，在CLVestimation,churnprediction的model上都會影響到模型，就要設計一些機制來讓資料乾淨一些。

學思想，而不是單純的方法而這些機制設計可能又跟計量經濟的「方法本質」有關，比如你要找一個變數去衡量移除掉會怎麼樣、能不能保留資料完整性的同時又移除noise的影響？這也是我覺得學這種我們說「hardtechnique」的知識時，最重要一點是「怎麼用」，我在修習Wharton商學院的分析課程時，教授第一句話就是：「這個時代無關乎你擁有多少知識，而在於你該怎麼使用它。

」這句話絕對是學習技術非常重要的一句話，尤其是商管應用上。

如果只把計量經濟、數量方法當作一種習題，那麼它就走不出教室，但是真實世界上，解到資料科學的問題時經常需要使用對資料結構拆解的技術，除了工具要夠熟練（比如我寫Python就覺得很多資料操作起來蠻容易的）、還要懂得使用、挑選方法。

Modeling模型可解釋性示意圖，非真實資料這個就跟建模的準確度有關，這邊我就先general一點以免太複雜，有興趣可以之後聊聊。

簡單來說這個變數重要嗎，如果重要「然後呢？」。

比如你發現「是否雙11消費是今年首次消費」這個變數對預測消費能力的重要性很高，那你要「讓大家雙11前至少買一次」嗎？「讓大家不要都等到雙11嗎？」該怎麼做？這個就蠻模糊的，如果追求預測性，那麼解釋性可能就是一個tradeoff沒錯。

再舉個例子，PCA是一個很常用的降維技巧，但是會取代掉原本的變數意涵，這時候就要靠domainknowhow標註這個因子是什麼意涵，這其實也不容易做，特別是資料量很大的時候。

跨國視野與合作跨國合作時，除了模型變數意涵，資料隱私與傳輸也是一個課題，比如說新加坡總部那邊可能會有一個很大的模型，到臺灣辦公室這邊，BI要去整合，就需要先整理哪些變數可以用（某些新加坡有的資料在臺灣不一定有，相對地，臺灣也可以透過自己的資料去finetunemodel，各國辦公室目前都有相對「接地氣」的營運策略），或者印尼蝦皮那邊有一個bestpractice我們可以嘗試，也不會直接拿來用，不同國家間對資料隱私權的規範、敏感度都不相同，比如印尼人可能就很討厭tracking，在台灣上網可能只是會被retargeting，他們是真的線上線下的「資訊轟炸」，你滑一滑腳踏車，走一走會來一通電話問你要不要買腳踏車，這也是在跨國合作的時候需要考慮、分析的。

我的公司信箱也會每幾天就有不同國家的市場新聞、動態進來，像是越南的市場動態就會常常看到Lazada（越南的電商巨頭）、台灣可能就是PChome之類的…每週我都會自己針對這一週的市場資料做消化、整理，蝦皮同樣提供實習生這種跨國視野。

履歷、面試從蝦皮多功能室看出去的景色（部分）我不是專業的人資，以下說得都是我的理解與參考，也不代表照著做就可以「offerget」，不過希望能對今年的申請者有所幫助，可以參考：蝦皮辦公室外面就是大大的標語「順勢應變、分秒必爭」，我覺得雖然不同部門側重的點不同，但這句話絕對是工作起來可以感受到的，一個專案的問題發現、分析、解決、執行通常很快，我們做了很多盤算，真的到了上線時也會不停優化。

尤其是雙11的時候，看著儀表板會很刺激XD在蝦皮的時間，我剛好參與到了下半年的所有大促（從D9到D12），蝦皮真的是一個移動速度非常快的電商，也因為這樣，你必須要很快反應、很快給出你的「假說」，根據那個假說去找答案。

我想說的是：通常如果一個職缺名額不太多、又是熱門的職位、公司，那麼更應該挖掘自己的「特質」你/妳有沒有跟別人不一樣的地方？比如我在政大實習版幫團隊貼出徵才文章，1個名額，收到了50封左右的履歷，全部台政清交（DataAnalystInternposition），背景也都是很優秀的人，要怎麼取1對企業來說就很困難，求職者必須想辦法「打造自己的個人品牌」自己的市場定位，我覺得這個蠻重要是必須體認到：在學校我們修同樣的科目，學測指考都考一樣的東西，但是現在不一樣，沒必要去跟一群人「站在同一個地方競爭」，「程式」寫不過別人，但是很懂「電商」，那可能就會成為主管錄取你/妳的理由，學歷也是，沒有規定只有哪些學校可以投遞，學歷只是「在學科測驗那個標準之下」測出來的很參考的評量，如果你/妳覺得你有可以貢獻、幫助團隊的能力，招募團隊會看到的。

側重點不同，很難給出一個通用方案，不過我覺得準備重點其實就是以下三點：找到自己的「專長」，而且身旁的人、甚至全世界都知道那方面你是「專家」溝通能力，有辦法讓「專長」被面試官「看到」相信自己，有「自信」大概就是這樣，可以去思考「我的」什麼「專長」可以很符合「順勢應變、分秒必爭」的特質，再來可以參考蝦皮MA的三大特質：CriticalthinkingLeadershipOwnership然後去思考「什麼背景可以佐證我這一點？」自信的關鍵其實就在於知道自己很符合這家公司，得失心也不用太重，蝦皮不過是某家公司，今天它選擇你/妳，你/妳同時也在選擇它，在準備過程理解公司，並且確認你們彼此都接受，準備過程就能收穫許多。

最後，我當初蝦皮面試體驗是非常好的那種，前面有問題時人資都會很快回覆、面試時主管也像是在跟你討論蝦皮、資料（看你面什麼職位）、你本身，出去的時候Eric(面試官)還送我到電梯門口才回辦公室（這點讓我受寵若驚），非常尊重面試者，其實不必太緊張，把面試當作跟以後的同事先聊天就好，當然也不要太Chill，除非Marketing(歐經驗、感受、我蝦～我想這些經驗跟我個人挑選工作有關，我是一個很在意「感受」的人，比如說工作的人、工作的內容、工作的氣氛，而會這麼喜歡這份實習經驗，除了三者都在蝦皮獲得良好的回饋之外，更重要的是它有讓我「更接近目標」的感覺：每份工作其實都在接近那個最想要成為的自己。

可以非常老實說，進了Commercial讓我對商業思維、國際市場更感興趣，並且是「數據驅動的商業分析」，而進了BusinessIntelligence讓我更明確要走Customer、QuantitativeMarketing相關的modeling，好比說估計客戶生命價值、流失模型、決策問題等等「商業問題」，而不是現在DataScience領域很夯的CV、Bot之類的…內部的訓練紮實，蝦皮很多高層都是麥肯錫出身的，內部培訓用的簡報、文件撰寫等教學以我在政大管顧社（也是請Mastercard、BCG等顧問來上課）來說能感受得到這些都是「管理顧問式」的教學，也讓我對故事線簡報邏輯等掌握得更加清楚。

SEA&Shopee全部打完，看到這邊還是覺得很感謝蝦皮的人、事、物。

工作內容因為許多蠻私密的所以無法分享，但都是解決既有成就感又有趣的商業問題，想到自己做的東西會影響到台灣的ShopeeApp、Web這麼多使用者，依然覺得這種感覺真的很特別。

回首這份實習，它讓我在學習、強化資料科學這段路上得到非常多實務經驗，對商業的理解也是。

學無止盡，這份實習的成長曲線是非常高的，希望大家也能有一個很棒的實習經驗。

感謝區最後謝謝蝦皮的大家，Sandy,Aaron兩位大主管給予我的機會。

謝謝Joanne學姊讓我有機會嘗試不同的領域、PoloBao教我各種暗黑（？爬蟲技巧、Py2SQLXXD米雪總是在我開會時的100個「為什麼」跟「這什麼」詳細解答（剛進蝦皮時開會真的一堆專有名詞跟縮寫聽到霧煞煞）、Jia教的分析方式、Jimmy的C2C、Tiffany的CampaignAnalysis、Chris的Vlookup、Scarlett的比價、Yuni的特徵工程、另外一個Jimmy的DataBase、查理的後端、Sonny的網頁知識，凱迪、安迪等各個intern…都讓我獲益良多。

最後是Eric,謝謝你教了我上面那些（我記得太多了，應該上面的都有包含到XD）跟讓我做許多想做的專案、想寫的東西，能遇到這麼棒的主管真的非常開心！————————————————————————————敬請期待下一篇！或是您也可以逛逛我的其他資料科學文章：人工智慧商務系列：人工智慧應用到商業分析的三點設計架構AItobusiness，管理者必須先體認到的五個迷思掌握商業數據分析的五個要點，驅動團隊數據決策Python資料科學系列：利用集群分析掌握消費者輪廓利用Airbnb來更了解居住城市，以臺北為例Python實作Kaggle比賽思路分享，客戶流失預測Airbnb推薦系統-Python實作學生社團的數據分析，Python線上課程分析實作2019國泰大數據競賽前8%建模與賽後分享看我用金融的概念解釋AI：AI在金融領域應用，淺談交易機器學習在金融計量方法的應用為什麼不確定性可以讓AI模型變得更好？從財務風險看不確定性如果想跟著我實作資料科學，開始寫程式必知必會基礎系列：Coding共十講，讓你進入程式世界MorefromFinformation當資料科學遇上財務金融分享個人學到的財務以及資料科學知識：「用金融的邏輯，讓每個人讀懂資料科學。

」ReadmorefromFinformation當資料科學遇上財務金融AboutHelpTermsPrivacyGettheMediumappGetstarted戴士翔|DennisDai1.98KFollowersNTUMiIB|Data&Digital@L’Oréal，TA@NTUCTPS。

曾在beBit,BCG,Shopee,中央研究院從事商業分析與資料科學，專注分享管顧、商業、數據分析，將商業策略串連不同領域知識的數據科學家。

分析諮詢、合作歡迎來信,1~2天回覆FollowMorefromMediumOladimejiAdeniranYourDreamsAreDefinitelyValidJustineInnerThoughtsOfAnIntrovert|MyersBriggs,self-reflection,andamidnightpost..ohmySharonReinanWORTHWHILEJudyWingOfThosewhoReadHelpStatusWritersBlogCareersPrivacyTermsAboutKnowable