數據分析的第一課：一篇搞懂結構化、半結構化與非結構化資料

你好，我是 Kiro。

在這個數據驅動的時代，我們每天都在創造數據：一次點擊、一則留言、一筆訂單。但這些「數據」並非生而平等。它們有著不同的形態、脾氣和用途。

在我們學習如何分析數據之前，必須先學會辨識它們的「樣貌」。這不僅僅是理論，它會直接決定你後續分析的難易度與深度。

這篇文章，就是我為你準備的「數據形態辨識課」。它是我「人生算法」中 L-Engine (底層邏輯引擎) 的第一塊基石。理解了它，你才能真正明白，為什麼我們總是在分析前，花費大量時間進行「資料清理與轉換」。

如果你已經對數據分析的流程有概念，想直接了解 Power BI 這個強大的工具，我建議你閱讀這篇 《Power BI 是什麼？2025 年終極指南》。如果沒有，讓我們跟隨一款新帳篷的上市旅程，從頭開始。

一款新帳篷的上市旅程：數據的三種形態

讓我們聚焦在一個真實的商業場景：一家名為「Apex Gear」的戶外用品公司，上個月剛發布了一款名為「探索家 Pro」的新帳篷。從顧客在 IG 上的開箱分享，到系統後台的訂單處理，再到季度銷售會議的分析報告，這個過程完美地展示了數據的三種核心形態：

1. 非結構化資料 (Unstructured Data)： 顧客在 IG 上的「#探索家Pro開箱」圖文分享。
2. 半結構化資料 (Semi-Structured Data)： 官網電商系統生成的「訂單紀錄 JSON」。
3. 結構化資料 (Structured Data)： 公司內部 ERP 系統的「銷售資料庫」。

現在，讓我們跟隨這款帳篷的旅程，逐一解析這三種形態。

1. 非結構化資料 (Unstructured Data)：顧客的「IG 開箱文」

一句話定義： 數據的原始形態，充滿潛力也充滿混亂。

旅程的開始，是一位名叫 Emily 的忠實顧客，她收到「探索家 Pro」後，在 IG 上發佈了一篇熱情洋溢的開箱文。

「#探索家Pro開箱！Apex Gear 這次的新帳篷太神了，週末在陽明山遇到大雨，裡面完全乾爽，防水性一流！空間也比想像中大。唯一的小缺點是附的營釘有點軟，建議自己升級。整體來說絕對是五星推薦！🏕️」

這篇包含了主題標籤、文字、表情符號和圖片等元素的完整貼文，就是最典型的非結構化資料。

核心特徵：

• 沒有格式： 它是自由流動的內容集合，沒有固定的欄位或規則。
• 蘊含豐富資訊：
  • 文字 裡包含了對「防水性」的讚美、對「空間」的肯定，以及對「營釘」的具體建議。
  • Emoji 表達了強烈的情緒。
  • 圖片 則提供了真實的使用場景和視覺證明。
• 分析難度大： 電腦無法直接理解這一切。我們需要不同的 AI 技術來解析：用自然語言處理 (NLP) 來分析文字情感與主題，用影像辨識 (Image Recognition) 來分析圖片內容。

Kiro 的見解： Emily 的這篇 IG 貼文對 Apex Gear 來說是座金礦，但它是一塊包含多種礦物的「複合原礦」。能同時從文字和圖像中提煉出洞見（例如：發現多數好評都提到了『防水性』，而少數負評則集中在『營釘』），是頂尖分析師的價值所在。

2. 半結構化資料 (Semi-Structured Data)：系統的「訂單紀錄 JSON」

一句話定義： 資料自帶說明書，但格式可變。

現在，讓我們把時間倒回 Emily 在 Apex Gear 官網點下「確認購買」的那一刻。在後台，電商系統需要將訂單資訊打包傳送給倉儲與財務系統。為了展示其靈活性，讓我們看看兩筆連續的訂單，它們的「數位包裹」可能長得像這樣（使用 JSON 格式）：

訂單 ORD-2024-1001 (Emily 的訂單):

{
  "order_id": "ORD-2024-1001",
  "customer_id": "CUST-456",
  "items": [
    {
      "product_sku": "TP-EXP-PRO-GRN",
      "product_name": "探索家 Pro 帳篷 (森林綠)",
      "quantity": 1
    }
  ],
  "shipping_option": "express_delivery" 
}

訂單 ORD-2024-1002 (David 的訂單):

{
  "order_id": "ORD-2024-1002",
  "customer_id": "CUST-123",
  "items": [
    {
      "product_sku": "BP-ADV-50L-BLK",
      "product_name": "冒險家背包 50L (黑色)",
      "quantity": 1
    },
    {
      "product_sku": "WB-INS-1L-BLU",
      "product_name": "保溫水瓶 1L (藍色)",
      "quantity": 2
    }
  ],
  "discount_code": "SUMMER20"
}

這就是半結構化資料。請注意它們的差異：第一筆訂單只有一個商品，並有 shipping_option 欄位；而第二筆訂單的 items 陣列中包含了兩個商品，且沒有 shipping_option，反而多了一個 discount_code 欄位。它不像 IG 貼文那樣完全自由，而是用「標籤: 值」的方式，為自己附上了說明書。

核心特徵：

• 格式靈活： 如上所示，每筆資料的欄位和結構都可以不同，這讓它非常有彈性。
• 具層級性： items 裡面又包了多個商品物件，像樹狀結構一樣。
• 系統溝通的語言： 它是現代網路世界中，不同系統之間交換資料的標準語言。

Kiro 的見解： 半結構化資料是系統間溝通的「通用語」。分析師的角色就像一位「翻譯官」，我們的工作就是讀懂這些系統的語言，並將其翻譯成商業世界能理解的語言。

3. 結構化資料 (Structured Data)：公司的「銷售資料庫」

一句話定義： 先有規矩，再有資料。

最後，當帳篷順利出貨、款項收訖，這筆交易的最終歸宿，就是公司用來做分析的 ERP 銷售資料庫。它會長得像一張你非常熟悉的 Excel 表格：

這就是結構化資料，數據分析的「理想國」。

核心特徵：

• 格式固定： 在存入任何資料前，就已嚴格規定好所有欄位（OrderID、CustomerID...）和它們的資料類型（文字、日期、數字）。
• 高度組織化： 每一筆資料都完美地填入預設好的格子裡，極度規整，便於電腦快速查詢、篩選和計算。
• 擴展性較差： 如果要新增一個「運送方式」的欄位，就需要對整個資料庫的「規矩」進行修改。

Kiro 的見解： 結構化資料是我們的「最終帳本」，是所有分析和決策的「單一事實來源 (Single Source of Truth)」。我們所有的儀表板、報表，都是建立在這個堅實、可靠的基礎之上。

分析師的困境：為什麼我們不能直接「分析」原始資料？

看到這裡，你腦中可能會浮現一個最自然的問題：「聽起來非結構化（如 IG 貼文）和半結構化（如訂單 JSON）的資訊更豐富，我們為什麼不直接分析它們，反而要費力地把它們變成規整的結構化表格呢？」

這個問題直擊核心。簡短的答案是：因為在商業分析的世界裡，我們最常被要求的不是「觀察」，而是「衡量」與「關聯」，而這兩件事極度依賴結構。

讓我們回到「探索家 Pro」新帳篷的場景。作為數據分析師，Apex Gear 的 CEO 向你提出了兩個非常合理的業務問題：

我們的錢花對了嗎？哪個廣告渠道帶來的『廣告投資報酬率 (ROAS)』最高？顧客到底喜不喜歡它？他們給 5 星或 1 星評價的主要原因分別是什麼？」

現在，你手上有三份來自不同部門的原始資料：

1. 財務部的銷售資料（結構化）： 公司 ERP 系統裡的標準銷售表，包含 訂單日期、產品ID、銷售金額。
2. 行銷部的廣告資料（半結構化）： 從 Facebook 和 Google Ads API 下載的每日廣告成效報告，是一堆 JSON 檔案。
3. 客服部的顧客回饋（非結構化）： 從 IG 和官網上抓取的所有關於「探索家 Pro」的原始文字評論。

面對 CEO 的問題，如果你試圖直接用這些原始資料來分析，你會立刻碰壁：

• 如何計算 ROAS？ ROAS 的公式是 銷售收入 / 廣告花費。你的「收入」在結構化的 ERP 表格裡，而「花費」則深埋在一堆半結構化的 JSON 檔案中。你不可能直接用一個 SQL 欄位，去除以一堆 JSON 檔案裡的某個值。 這兩種不同形態的資料就像水和油，無法直接混合運算。
• 如何分析顧客評價？ 你面對的是一堆非結構化的 IG 貼文。你無法把「文字」本身放到長條圖的 Y 軸上進行加總或平均。你無法對圖表下指令說：「請幫我篩選出所有提到『營釘』的負面評論」。電腦根本不理解這些文字的意義。

這就是為什麼，在進行任何有意義的商業分析之前，「結構化」是不可逾越的一步。

為了回答 CEO 的問題，你必須先扮演「數據工程師」的角色，進行以下“翻譯”工作：

1. 翻譯「半結構化」資料： 你需要寫一段腳本（或使用 Power Query），去解析所有的 JSON 檔案，將裡面的 日期、渠道名稱、花費金額 提取出來，整理成一個新的、結構化的「廣告花費表」。
2. 翻譯「非結構化」資料： 你需要使用 AI 工具（例如自然語言處理 NLP 模型），去讀取每一則評論，並為它們打上標籤。比如，將 Emily 的評論標記為 {主題: "防水性", 情緒: "正面"} 和 {主題: "配件(營釘)", 情緒: "負面建議"}。這個過程，就是在混亂中創造結構，最終產出一張新的、結構化的「評論分析表」。

當這兩步完成後，魔法發生了。 你現在擁有三張結構清晰、彼此相容的表格。現在，你終於可以把它們全部載入到 Power BI 中，建立關聯，並自信地回答 CEO 的問題了。

總而言之，不是非結構化資料不能分析，而是我們必須先透過一個「結構化」的過程，將其中有商業價值的資訊提取出來，放到規整的表格中，後續的比較、計算和關聯分析才能高效、準確地進行。

而在實務中，最常見的「非結構化」挑戰之一，就是你從同事或客戶手中收到的 Excel 報表。它們為了方便人類閱讀，常常被設計成寬表格 (Wide Format)，但這種格式卻是分析工具的惡夢。理解如何將其轉化為機器易於分析的長表格 (Long Format)，是資料清理中最核心的技能。如果你想深入了解這個過程，我強烈建議你閱讀這篇實戰教學：長表格 vs. 寬表格：一篇搞懂資料清理的核心，附 Power Query 實戰教學。

不只是理論：理解資料形態如何改變你的工作方式

掌握了這三種資料形態的差異，你獲得的不僅是理論知識，更是一套能在職場中高效溝通與協作的「共同語言」。這將在你的工作中帶來三個立竿見影的改變：

1. 你能與 IT/工程部門更順暢地溝通

• 以前的你可能會說： 「我想要顧客評論的資料，可以幫我撈一下嗎？」這是一個模糊的需求，IT 工程師可能需要花很多時間來回確認你要什麼。
• 現在的你會說： 「為了分析顧客情緒，我需要過去一個月所有關於『探索家 Pro』的非結構化評論文本。另外，能否請你們提供一下行銷部門廣告投放的 API？我會自己解析那些半結構化的 JSON 資料。最終，我會將它們與 ERP 裡的結構化銷售資料進行關聯分析。」

看到區別了嗎？當你能夠準確地使用這些術語時，你不僅展現了你的專業性，更極大地降低了溝通成本，讓跨部門協作變得前所未有的高效。IT 工程師會把你視為一個真正懂資料的專業夥伴。

2. 你能更準確地評估分析任務的複雜度

當你接到一個分析需求時，你腦中會立刻浮現出資料形態的藍圖。

• 如果需求是「分析各區域的銷售額」，你會知道這主要依賴結構化資料，任務相對直接，可能半天就能完成。
• 如果需求是「找出影響顧客滿意度的關鍵因素」，你會立刻意識到這需要處理大量的非結構化評論，涉及到 NLP 模型和複雜的資料清理，這是一個需要投入更多時間和資源的大型專案。

這種能力，能幫助你更精準地管理老闆和同事的期望，並合理規劃你的工作排程。

3. 你能更清晰地規劃你的分析專案

面對任何商業問題，你的第一反應將不再是“我該用哪個圖表”，而是“我需要將哪幾種形態的資料，最終『結構化』成一張什麼樣的分析表？”

這個思維轉變，會讓你從一個被動的“拉圖表”執行者，轉變為一個主動的“分析架構師”。你知道所有分析的起點，都源於將混亂的現實世界，轉譯為清晰有序的結構化表格。

這跟 Power BI 有什麼關係？「數據精煉廠」的角色

現在我們明白了，為什麼「結構化」是我們進行商業分析的終極目標。 這也讓你更能理解 Power BI 的核心價值。

你可以把 Power BI 的核心模組之一 Power Query，理解為一台強大的「數據精煉廠」。

它的核心任務就是：

1. 導入原礦： 它可以連接到網路，一次性讀取數萬則包含文字和圖片連結的非結構化「IG 貼文」（通常需要搭配 AI 服務進行預處理）。
2. 解析包裹： 它可以讀取並解析成千上萬個半結構化的「訂單 JSON」，並精準地提取出每一個標籤下的值。
3. 產出金條： 最終，它會透過一系列的清理、轉換、合併操作，將所有原始、混亂的數據，全部轉化為 Power BI 最擅長分析的、整齊劃一的結構化「銷售帳本」。

不理解數據的原始形態，你就不會明白為什麼數據分析的第一步永遠是「轉換資料」。這一步，正是所有數據魔法開始的地方，是將在不同系統、不同形態中流動的商業事實，統一為清晰洞見的必經之路。

結論：你已完成分析的第一課

恭喜你！透過跟隨一款新帳篷的上市旅程，你已經掌握了數據分析最底層的認知框架，並理解了它在真實工作中的應用價值。

• 非結構化資料（IG 貼文） 是價值的源頭，但需要先精煉。
• 半結構化資料（訂單 JSON） 是過程的語言，需要被翻譯。
• 結構化資料（銷售資料庫） 是分析的基石，是我們高效決策的最終目標。

理解了數據的本質，只是成為專業分析師的第一步。如果你想看到完整的藍圖，從心法到實戰，我強烈建議你閱讀我的核心指南：《數據分析師的養成心法：從零到專家，建構你的完整分析思維 (2025終極指南)》。

🚀 準備好親手打造你的數據精煉廠了嗎？

如果你已經準備好，想將理論轉化為可以放進作品集的亮眼專案，我誠摯地邀請你加入我在 Hahow 的線上課程。

【Power BI x AI 終極實戰：打造高效數據分析工作流】

在這門超過 9 小時的課程中，我們將直接帶你處理真實世界的資料，打造出令人驚豔的儀表板！

🎁 想持續升級你的數據決策系統嗎？

覺得這篇文章對你有幫助嗎？這只是個開始。

免費加入，立即解鎖『會員資源中心』 (內含完整電子書、練習檔案與更多專屬內容)！

你將不僅能立即下載排版精美的 【數據分析師的養成心法 (2025 終極指南)】 完整版電子書 (PDF) ，更重要的是，你將開始每週收到我的獨家框架、實踐案例與工具推薦。

讓我們一起，將數據轉化為智慧，打造屬於自己的理想人生。