這幾年我幫過的台灣電商客戶，從月營收幾百萬的品牌到上市櫃的通路，幾乎每一家老闆開口第一句都是「找不到人」。但我想先把話講白：缺人是表象，缺的其實是把數據變成決策的能力。當這個能力沒長在組織裡，你挖再多人、開再高的薪水，最後都只是幫競爭對手代訓人才而已。這篇我想用第一線顧問的角度，把「中階人才荒」這件事拆開來談，順便講講我自己看走眼、後來才修正的幾個判斷。
所謂的中階人才荒，到底荒在哪裡
很多人一講人才荒就想到「招募困難」，這個理解太淺了。我觀察台灣電商真正的斷層，是在中階這一層——也就是組長、經理、產品線負責人這群人身上。他們上要對老闆的數字負責，下要帶一群執行同仁，偏偏這群人多半是從操作端一路做上來的，對 GA4、對歸因模型、對 LTV 這些東西，停留在「聽過、不太敢碰」的階段。
結果就是一個很常見的畫面：分析師做了一份漂亮的報表，丟到群組裡，中階主管看不懂，只能挑自己看得懂的那兩個數字（通常是營收和轉換率）來下指令。那份報告裡真正值錢的洞察——比如某個客群的回購週期正在拉長、某個渠道的獲客成本悄悄翻倍——就這樣被跳過了。我把這個叫做「數據決策的斷層」，它比缺人更傷，因為你連自己錯過了什麼都不知道。
複合型人才為什麼這麼難找
台灣市場有個結構性問題：懂零售、懂供應鏈的資深人，多半在傳統通路待久了，對 AIGC、MLOps、CDP 這些新東西陌生；而真的會寫 Python、會調模型的數據科學家，又通常沒在電商營運的泥巴裡打滾過，給他看一張庫存周轉表他講不出所以然。兩種能力剛好錯開，能同時兼具的人鳳毛麟角，於是大家只好進場搶，把薪資行情越炒越高。
我早年也信過「用錢解決」這套，建議客戶開高薪挖一個資深數據主管進來。結果那位主管很強，但水土不服，待了七個月就走了——他習慣的工作方式跟那家公司的決策節奏完全對不上。那次之後我才真正想通：能用錢買到的是技術和流量，買不到的是對你這家公司的數據結構、商品結構、客群結構有深度理解的人。這種人只能自己養。
我看過最常見的三個錯誤
在給解法之前，先講錯誤，因為避開錯誤往往比追求正解更實際。這三個我幾乎在每家公司都看過。
- 第一個，把數據工具當成 KPI 本身。買了一套 BI 系統就覺得轉型了，逼大家每天看儀表板，但沒人教怎麼從圖表推到行動。工具是副駕駛，不是駕駛。
- 第二個，數據人才孤島化。把分析師全部集中在一個「數據部門」，跟業務隔著一道牆。業務不知道能問什麼，分析師不知道業務真正卡在哪，雙方一年講不上幾次話。
- 第三個，培訓辦一次就結案。請外部講師來上一天課，發個證書，然後三個月後一切照舊。能力的內化是長期工程，一次性的課程只是心安。
這三個錯誤的共通點，是把「人才發展」當成一個可以一次買斷的專案，而不是一個要持續灌溉的系統。
解法一：建知識中台，讓能力不隨人走
我現在給客戶的第一個建議，是建立內部的知識中台（Knowledge Hub）。聽起來很大，其實起手很小：先把公司過去做過的、有效的東西沉澱下來。哪一檔活動的歸因怎麼算的、某個爆款是用什麼數據邏輯選品的、某次廣告投放為什麼喊停——這些散在各人腦袋和 Slack 對話裡的東西，要變成可以查、可以教的標準素材。
關鍵在於「方法論」要被寫下來，而不只是「結果」。一份報告告訴你銷量掉了，但只有方法論能告訴你下次該怎麼自己看出來。我會要求客戶把這些東西做成內部的小課，對所有中階主管做數據素養的基礎訓練——不是教他們寫程式，是教他們看懂報告、會問對問題、知道一個數字背後可能藏著什麼陷阱。
解法二：跨部門輪調，把牆拆掉
解決孤島最有效的方法，是讓人短暫地走進對方的世界。我推過幾家客戶做「數據科學家進業務組」加「業務人員進數據組」的輪調，各待四到六週。一開始大家都嫌麻煩，但跑完一輪後回饋出奇地好。
業務的人坐進數據組，才第一次知道原來自己隨口要的「給我看一下這個」，背後要拉多少張表、清多少髒資料；而數據的人坐進業務組，才發現原來行銷檔期是被供應商備貨綁死的，不是想改就能改。雙方開始講同一種語言，後面的協作就順了。這件事花的是時間成本，但它買到的是長期的溝通效率，很划算。
解法三：把 AIGC 變成中階主管的副駕駛
現在的 AIGC 工具，已經能讓非技術人員用自然語言查數據、生草稿、跑文案 A/B 測試。我的看法很直接：與其等中階主管全部學會寫 SQL（不可能），不如給他們一個能用講話操作的工具，把門檻降到地板。
但這裡有個前提常被忽略——工具再好，使用者也要有基本的數據判斷力，不然 AI 給一個看似合理其實有問題的答案，他照單全收反而更危險。所以 AIGC 普及化必須跟前面的數據素養訓練綁在一起做，順序不能反。AI 放大的是人的判斷力，判斷力是零，放大出來還是零。
不同階段該先做哪一件
很多老闆問我「那我該先做哪個」，我整理成一張表，按公司規模給個務實的優先順序，不必三件事一起上。
| 公司階段 | 主要痛點 | 建議優先動作 | 常見誤判 |
|---|---|---|---|
| 年營收 1 億以下 | 沒有專職數據人，老闆自己看數字 | 先建最小知識中台，把老闆的判斷標準寫下來 | 急著招數據科學家 |
| 年營收 1 到 5 億 | 有分析師但跟業務脫節 | 跨部門輪調＋中階數據素養課 | 再買一套更貴的 BI |
| 年營收 5 億以上 | 數據部門龐大但決策仍慢 | 導入 AIGC 副駕駛＋校準回饋機制 | 把問題歸咎於工具不夠新 |
這張表不是鐵律，但至少能讓你不要把預算花錯地方。我看過太多小公司硬學大公司建數據團隊，結果養不起也用不滿，反而拖垮現金流。
一點我自己的取捨
講到最後，我得承認這套做法有個代價：它慢。建知識中台、跑輪調、做持續訓練，都不會在這一季的報表上看到效果，這對追求短期數字的老闆是很大的考驗。如果你問我值不值得，我的答案是——如果你打算這家公司再做五年以上，值得；如果你只想撐到下一輪募資或者準備賣掉，那老實說，搶人可能還比較快。我不會假裝有一個對所有人都成立的答案。
但對絕大多數想長久經營的台灣電商，我的立場很清楚：把數據科學從某個部門的「職能」，內化成所有中階主管的「素養」，這件事不性感、不會上新聞，卻是你最後唯一搶不走、也最難被複製的壁壘。人會離職，能力長在組織裡才不會跟著走。
延伸閱讀：想了解相關名詞可看 電商名詞庫，想看更多營運觀點請逛 部落格，需要實際工具可到 工具箱，使用前也建議讀過 服務條款。
常見問題 FAQ
中小型電商沒有預算建數據團隊，該怎麼辦？
不要一開始就想建團隊。先把老闆或核心主管的判斷邏輯寫下來，做成最小的知識中台，再搭配現成的 AIGC 工具降低分析門檻。等營收和資料量到一定規模，再考慮招專職的人，順序顛倒會養不起。
中階主管已經很忙，還要他們學數據會不會反彈？
會，所以重點不是教他們寫程式，而是教他們看懂報告、會問對問題。把訓練做成跟日常工作直接相關的小單元，而不是另外加一堂課，反彈會小很多。讓他們感受到數據幫自己做決策更輕鬆，動機自然來。
跨部門輪調會不會影響正常業務運作？
短期確實會有摩擦，建議一次只輪一兩個人、控制在四到六週，並且事先講清楚目標是建立共同語言而非考核。跑完一輪後省下的溝通成本，通常遠大於輪調期間的產能損失。
導入 AIGC 工具是不是就能解決人才荒？
不能。AIGC 是放大器，放大的是使用者本來的判斷力。如果中階主管沒有基本的數據素養，AI 給出看似合理但有問題的答案時，他無法辨別，反而更危險。工具和素養訓練必須一起做。
怎麼判斷我的公司有沒有「數據決策斷層」？
一個簡單的測試：把一份完整的數據報告丟給中階主管，看他三天後做的決策有沒有用到報告裡前兩名以外的洞察。如果每次都只挑營收、轉換率這種最表層的數字，其餘全被跳過，斷層就存在了。
本文由台灣電商顧問林克威撰寫，更多內容請見 ECPRO 電商技術雷達（ecpro.tw）。