你還原一個純粹地道的「數據分析崗」

為你還原一個純粹地道的「數據分析崗」，你想要了解的一切都在這里！只要是在科技創新領域的公司，紛紛都掛出來了急招“數據分析師”的牌子。但是很多人對它的概念并不了解，本文為你一一道來數據分析崗的功能目的，以及組建方式，干貨滿滿，誠意推薦！

數據分析行業現在大熱，只要是在科技創新領域的公司，紛紛都掛出來了急招“數據分析師”的牌子。但是很多人對它的概念并不了解，還有更多的創業者更是不知道是否應該去組建一支數據分析團隊，在什么時機組建？又以何種方式組建？本文為你一一道來。干貨滿滿，誠意推薦！

這篇文章的作者是 Instacart數據分析副總裁 Jeremy Stanly 以及 Instacart 技術顧問（前 LinkedIn 數據分析部門總負責人）Daniel Tunkelang。

在 2008 年，很難想象還會有「數據分析師」這個職業。來自 Facebook 的 Jeff Hammerbacher 以及 LinkedIn 的 DJ Patil 發明了這個詞，以應對橫跨分析學、軟件工程以及產品開發三個維度的綜合性需求。如今，「數據分析師」這個行業越來越火了，似乎跟科技有關的各個行業都在找這方面的人才，尋找對數據分析有著清楚見解的專業人士。

我們兩個人作為行業內人士，身處不同的科技行業，在若干個不同的公司，于若干的不同的發展階段，見證了數據分析團隊中的長處，短板，還有當下行業內各頂尖數據分析團隊的做法。我們同時還親身體會到了公司招聘一個頂尖的數據分析師有多難，而且在這個充滿高度競爭的市場中真切地感受到，充分利用他們，留住他們又是多么困難的一件事。

在這篇文章中，我們給出了自己的一些想法與總結。對于那些致力于想打造一支數據分析團隊的創始人來說應該有一點用處。我們解釋了為什么現在對于很多初創公司來說數據分析是一件重要的事，什么時候公司應該開始做這件事，應該在公司的哪個部門應用數據分析，以及如何能夠在公司內部構建一種讓數據分析蓬勃發展的公司文化。

◎首先第一件事，你想要達到什么目的

總的來說，數據分析指向兩個同等重要，但截然不同的目標：改進客戶目前所使用的產品，優化公司所作出的每一個商業決策。

* 指向產品的數據分析：使用「數據學」以及「工程學」來提升產品的性能，尤其在「獲取到更優質的搜索結果」、「推送更理想的推薦以及自動化決策」上面。

* 指向決策的數據分析：利用數據來分析商業指標，比如增長型、使用度、盈利驅動點、用戶反饋，借此來找出當下最優的商業決策。

這兩者的區別通過定義就能一目了然，但是每個人都不能掉以輕心，在你創辦了公司，并且逐步壯大數據分析團隊的時候，一定要將這兩者的區別牢牢記在心上，且不可混為一談，迷失方向?，F在，讓我們仔細觀察這兩個不同的領域。

◎利用數據分析來打造更優秀的產品

指向產品的數據分析，其目的就是為了提升產品性能。他們往往依托于一種良性循環，開發人員可以通過收集產品的使用情況方面的數據，最終通過一系列的算法，讓用戶獲得更理想的體驗。

在你收集到數據之前需要做什么？你第一版的產品估計會存在「冷啟動問題」（數據分析領域的專有名詞）。它必須開啟一個達到了某個標準之上的使用體驗，借此能夠開啟關于數據收集及分析上的良性循環。這取決于產品經理和工程師是否應用了更好的開發思路。

就比如說，當一個 Instacart 的用戶訪問了網站，應用會把「最近購買過的商品」放置到「再買一次」的下面。這個功能能夠取悅用戶，但是它很難讓數據分析介入進來，又或者換句話說「產出足夠多的數據」。數據分析什么時候起作用？就比如說我們要給用戶一些推薦，推薦的商品是這些用戶之前從來沒有買過的。要達到這個目的，就必須分析所有用戶的購買習慣，評估哪些用戶跟哪些用戶是類似的，最終將用戶分組，然后按照他們購買過的產品，向他們推薦更適合他們心意，卻從來沒有買過的商品。這是數據分析學利用數據來產出價值的地方，讓客戶能夠很方便地在線上商城不斷地探索新的領域，這些都是他們自己瀏覽完全無法碰見的商品。

為了改善產品，數據分析師必須跟工程師緊密地團結在一起，持續不斷地進行協作。作為創始人，你還必須要做一個決策：是數據分析師自己來提升產品性能呢？又或者是跟工程師聯手合作？不管是哪一種方式，它們其實都能起到作用，最關鍵的是要將這個流程制度化，并把發現結果及時地分享給公司全體成員。如果你這一點做得不夠好，你很難在產品提升上有什么起色，而且很多數據分析會因為在你的公司工作卻看不到自己的價值，不受重視而灰心喪氣地離開。

◎利用數據分析來做更優質的決策

指向決策的數據分析是利用「數據分析」和「數據視覺化」這兩個方面，將最優的商業決策和產品決策展現出來。決策者可以是公司里面的任何一個崗位，他有可能是產品經理，用以決定現在產品路線圖上工作任務的優先次序，也可以是高管團隊，對目前公司的戰略方向做出更清晰合理的規劃。

指向決策的數據分析涉及好幾個領域，它們都有幾個共同的特點。它們都面臨的是比較前沿的問題，公司在此前從來沒有遭遇過，也沒有想著去加以解決的。它們往往比較主觀，需要數據分析師來處理一些未知的變數和一切缺失掉的客觀條件。它們很復雜，里面的一些關鍵因素之間缺乏明顯的關聯關系。同時，指向決策的數據分析也是可以通過評測的方式來解決問題的。決策帶來的正面結果是實實在在的，每個人都能看得見，且對公司的發展意義重大。

上面的這一番說法不禁讓人起了疑惑，你說不就是「數據分析工具」嘛。確實，關于「分析」和「決策」，這兩者的區別并不是很明顯關于決策的分析學不僅僅是面向「報告」和「表盤」。而那些利用市面上現成的「商業智能工具」就能完成的工作，也不屬于數據分析師的工作范疇當中。

在 LinkedIn，高管團隊使用「決策上的數據分析」來做很多關鍵的商業決策判斷，比如處理在搜索結果中的成員檔案可視化問題。在過去，只有付費用戶才能在拓展人際網絡（三度人際網絡）上看到每一個人的完整檔案。這種可視化的規則在過去非常復雜，而 LinkedIn 想要簡化它，但同時還要不能讓它影響收入。這其中的利害權衡就顯得非常關鍵。

他們計劃讓用戶檔案的可視化這樣子處理，在未付費用戶那里，一個月查看用戶完整檔案是有一定的上限次數的，而且基于每個免費用戶的使用情況分配不同的上限次數。LinkedIn 的數據分析師模擬了這樣的變動會帶來的影響，利用用戶過去的歷史行為數據來預測收入上的變動，以及產品使用度上的變化。分析師必須在過去的固有模式上將用戶的行為「抽離」出來，然后再把這些行為「安放」到新的模式下看它們會發生怎樣的變化。結果證明這樣做非常有助于公司的發展。

最后的結果正如模擬結果一樣，不僅僅為公司帶來業績上的提升，而且還愉悅了數百萬用戶，在產品研發上面理清了方向。一些人曾經抱怨查看次數上面的限制，但是恰恰就是這群人，在 LinkedIn 的眼中是應該轉化成為付費用戶的一批人。這個項目非常成功，其中的關鍵得益于數據分析師所帶來的「未卜先知」的神奇能力。

也不是說所有的決策都需要這么大動干戈地使用數據分析。一些決策其實很小，殺雞焉用牛刀。另外一些決策很重要，但是恰恰公司在這個時候并具備充分的數據來分析它們。在這些情況下，公司必須依賴于某種商業上的直覺，以及后續展開的一些測試。優秀的決策型數據分析師知道自己的極限在哪里，當意識到他們的努力換不來相應的結果，甚至會帶來副作用的時候他們會立刻中止掉工作。

盡管決策型分析又或者是產品型，它們都需要一些相同的技能。但是數據分析師不可能在這兩個方向上都精通。決策型分析取決于產品和商業模式，系統性思考，還需要具備強有力的溝通技能；產品型分析要求具備機器學習的知識，產品層面的工程技術。如果你有一支數據分析團隊，你也許需要找出那鳳毛麟角地兩方面都擅長的人才，但是這種情況不多件，更現實的考慮是，當你的團隊不斷壯大，各在一個方向找出一個專精于此道的數據分析人才。

◎你是否應該投資于數據分析？

數據分析并不是每一個人都適合，只有在它對你的成功起到決定性作用的前提下，你才想要去投資它。否則，它就會成為一個代價高昂，分人心神的邪路。

為了能夠更好的確認你是否應該投資建設一支數據分析團隊，你應該問自己下面的四個問題：

1. 你是否真的要專注于數據分析這個行當，要么打造更優秀的產品？要么憑此來做出一個又一個更加優化的決策？

如果你沒有下決心來憑借數據分析達到上面兩個目標中的任意一個，那么最好數據分析這個行業你還是不要涉足的好。

它是可以幫你做出戰略性的決策規劃，但是只有在你想要在全公司范圍內打造一種以數據作為驅動的公司文化的前提下，一切才能成真。公司文化這件事并不一定從第一天開始做，但是你需要招聘正確的員工，并且花時間讓他們知道數據的價值，你的公司的產品重心是什么。而讓數據分析結果轉化成為優質據測之前，你一定要完成上面的這些工作。

指向產品的數據分析學可以通過持續不斷的優化，創造產品新的價值，并讓用戶得到越來越多的滿足。數據分析師應該可以在產品設計、數據收集、系統底層架構等方面做出關鍵決策，從而給客戶帶來一款夢幻般的產品。

2. 你在未來是否有能力收集一切你需要的數據，并且將此作為行動的準繩？

一個身為創始人的軟件工程師可以利一些在產品和設計上的創新思路，打造一款「最小可行化產品」的。而數據分析師手中的工具就是數據，這個數據有兩個特點：首先它必須是可以收集評測的；其次它必須是不斷規?；鲩L的?！?a href='/map/tuijianxitong/' style='color:#000;font-size:inherit;'>推薦系統」就是要求你的產品能夠追蹤用戶的消費行為，對商業決策的優化依靠的是在關鍵行為和產出上給予一些更加合理的指導。

但是收集到數據并不是全部內容，只有把行動建立在數據的基礎上，數據分析學才真正有了意義。

數據應該指導產品變動，提升公司的關鍵性能指標。（KPI）

在這個過程中，全公司上下的人都需要不斷確認每一款產品所需要收集的數據都是什么，并且在收集和維護這些數據的同時，建立起一個更加牢靠的底層架構和流程。為了實現理想中的結果，數據分析師、工程師、產品經理三方應該聯手寫作，并且轉化成實實在在的執行力。

同樣，以數據作為基礎的決策也需要公司自上而下的動員。從 CEO 一直到公司基層部門，公司應該一切以數據說話，而不是誰拿的薪水高就聽誰的話。

3. 你是否在數據中來獲取到足夠多的信號？借此獲得深刻的洞見？

很多人把大數據等同于數據分析，但是數據的規模并不意味著一切。數據分析是要將有價值的信號/跡象從「數據的噪音」中抽離出來的過程。而有價值的信號/跡象不僅僅依靠的是數據的規模，更重要的是「信噪比」。

舉個例子，一款廣告產品也許從也許能從幾十億次廣告投放中獲取信息，但是真正有價值的，承載「信號」的數據出現在為數不多的例子當中，在這些情況下，用戶必須要跟廣告進行互動才可以。因此，大規模的數據產出的是少量的信號。所以，除非你的數據量中存在著很多有價值的信號，否則數據分析面對再大規模的數據量也無能為力。

4. 你是否需要讓數據分析成為自己的核心競爭力？又或者你可以將數據分析這項工作外包出去？

打造一支數據分析團隊是困難的，成本也是很高的。如果你能通過「外包」的形式繞過這個問題的話，那自然最好不過。其中的一個選擇就是認真地使用顧問。更好的做法是，利用現成的解決方案，比如利用 API 來消化數據，建立模型，將行動自動化，并且在關鍵指標的評測上給予報告。這些也許不是滿足你需求的最完美的解決方案，但是它確實能起到加速你公司發展的效果，讓你的核心團隊將精力放在能夠產出更大價值的領域上。

什么時候你需要將數據分析作為公司的核心競爭力？如果數據分析解決的問題對于你的公司來說具有決定生死輸贏的作用，那么你就不能再把它外包出去了。另外，市面上存在的數據分析解決方案往往都比較教條僵化，如果你的公司正在嘗試一種創新的方法，比如收集一種全新的數據，又或者以別人想象不到的角度來應用這些數據，那么市面上的這些解決方案的靈活度不夠，有可能不太適合你的需求。

◎你什么時候應該開始涉足數據分析？

數據分析要求你從「數據」邁向「分析」，絕大多數的公司一開始并沒有多少數據在手里。

謹慎考慮招聘一位數據分析的帶頭人，又或者是打造一支這樣的團隊，除非你現在手中有活兒給他們。同時，你要從一開始就收集關鍵數據，這樣在必要的時候，數據分析團隊是有分析的基礎的。

如果你現在手中還沒有數據，那么就應該想想你現在需要收集怎樣的數據？什么時候去收集它們？并且將這個工作指派到一個人身上。這個人并不一定非得是數據分析師，但他最好得懂不同數據組合應有的價值，并且在你數據投資的策略上對一些比較棘手的問題做出決策。如果你已經知道你即將要花很多錢和時間在數據獲取上，那么也許是時候撥出一點點的預算來，找到你的第一位數據分析師。

有可能出現這樣一種情況：你的公司現在正全力以赴地打造數據產品，你現在立刻就需要數據，但是更可能你的最小可行化產品（MVP）將不是數據驅動的。在一開始，最小可行化產品往往憑借的是一種直覺，然后去驗證市場是否認可這種直覺？在這種情況下，過早地投資于數據獲取和數據分析上面將讓你花掉過多的，不必要的時間和金錢，這些資源本應該放在「盡快讓你的最小可行化產品上市」這項工作上。

一旦你有了數據（或者很快就要有數據）給數據分析師利用，那么你應該快速地著手準備打造一支數據分析師團隊了。

將一種以數據為中心的公司文化建立起來，這項工作的啟動應該越早越好。

商業決策，無論是用戶獲取還是產品發布，都應該建立在數據的基礎上，而不是某些人的主觀臆斷。將數據作為價值的核心所在，讓公司全員都能夠培養起來這樣一種思維習慣，視數據為最高級別的資產，越早做這樣一件事，體現出來的價值也就越大。

◎你的數據分析團隊歸屬于公司的哪個部門呢？

你公司的哪個部門能放置數據分析團隊，這一點非常重要，這對于其他職能部門的影響，對你整體商業進度的影響會非常明顯。通常是三個做法：一支獨立運作的團隊，一種嵌入式模式，一種雙方整合的模式。每一種做法都有利有弊，讓我們逐一分析：

獨立團隊

在獨立團隊模式下，你的數據分析團隊跟工程團隊是平行的。數據分析團隊的領導者非常關鍵，一般向產品和工程團隊的領導者報告，甚至直接向 CEO 匯報工作。

獨立團隊的優勢特點就是「完全自治」。數據分析團隊可以在他們認為重要的問題上進行攻關。而且，數據分析團隊能作為獨立團隊，這充分說明了公司視數據為最重要的資產，這能夠幫助公司吸引世界頂級的人才加入。

獨立模式往往更適合于「指向決策的數據分析團隊」。

即使數據分析師跟產品團隊合作緊密，但他們的獨立性能夠完成比較特別的工作，比如告訴產品經理他們的產品指標沒有達到標準，無法讓產品進入到上線日程安排表上。而且，數據分析師可以從多個職能部門中獲益良多，一方面知道不同的產品指標之間存在怎樣的關聯關系，另一方面還能將實驗和數據分析工作上所獲得的真知灼見分享給公司全員。

「自治」所帶來的風險-邊緣化

當公司不斷壯大發展，產品團隊的人數越來越多，他們往往愿意自行其事，即便跟數據分析師合作會讓他們獲得更大的進步，他們也不太愿意考慮這種合作的可能。產品團隊就是不想把自己的工作成果放在某些不受他們控制的事情上，他們更愿意靠自己，甚至他們會聘請自己的「數據分析師」，然后在上面掛一個名稱「分析工程師」的頭銜。如果產品團隊日后拒絕跟獨立數據分析團隊協作，那么數據分析團隊很容易被邊緣化，且最終變得沒有任何價值。于是，從此刻開始，人才都從你的手中逐漸流失掉了。

在 LinkedIn，早期的數據團隊就是一支獨立團隊，團隊的自治特點讓他們在 LinkedIn 產品的多個部分作出了極其重要的貢獻，從「提升你也許想要結識的人的精準性」到「測試作假賬戶」。但是隨著 LinkedIn 的團隊不斷壯大，它逐漸越來越難以成為獨立團隊，有效地跟產品團隊展開協作了，尤其是產品團隊他們自己也雇傭了一些工程師，這些工程師擁有的技能跟數據分析師有些類似。最終，LinkedIn 決定不再需要一支獨立運作的數據分析團隊了。這個轉變計劃成為「獨立運作」模式的范本。

「嵌入式」的優點

在「嵌入式模式」之下，數據分析團隊負責將最有才干的人招募進來，并將他們分配到公司其他部門中。這里仍然存在數據分析領導人，但是他所做的大部分工作都是在招聘跟數據分析有關的經理或者教練。

「嵌入式模式」是「獨立團隊模式」的反面。它為了方便行事，完全放棄掉了自治的優勢。在理想狀況下，數據分析師加入到產品團隊中，而產品團隊恰恰最需要他們的服務。公司上下各個層面所遭遇到的各種問題都能被數據分析師很好的解決掉。

「嵌入式」的缺點是：不是每一個數據分析師都愿意放棄到自治的權力。數據分析師這個崗位描述就是強調創意和主動性，而「嵌入式角色」往往需要讓他們聽命于某個團隊的領導人。

這就帶來了一種風險：數據分析師會覺得自己在公司里像是「二等公民」，產品團隊的帶頭人不太會為他們的個人發展，職場滿意度做更多的考慮，而數據分析團隊的領導人忙著招聘，不直接介入到他們的工作當中。

一句話，在這種模式下，數據分析師是處于一種爹不親，娘不愛的狀態。

我們也看到一些公司采取了「嵌入式」的做法，但是這種模式往往更適合于你已經擁有了一個規模更大的數據分析團隊。在 LinkedIn，Daniel 體驗到了「嵌入式模式」的好處以及壞處。

實際上，在指向「決策」的數據分析領域，「嵌入式」模式這種方式能更長時間符合公司的發展需求。致力于提升決策的數據分析師能夠保證產品團隊做決策的質量，尤其是產品發布上線時的決策質量，當然這一切都是從數據而來。同時，集中化的公司組織能夠更快地促進信息共享，以及數據分析師的職業發展。但是，跟之前獨立模式下的問題一下，當團隊的人數增加，嵌入式的模式也不再適合公司發展的需要。最終，LinkedIn 決定將「指向產品的數據分析」整合到了工程團隊部門，Daniel 本人也走向了工程崗位，來領導一支既有產品研發又有數據分析的綜合性團隊，這個團隊的任務就是提升搜索質量，而要完成這個工作，工程技術和數據分析人員必須緊密協作才能完成。

全面的整合模式

在整合模式下，這里面不存在單獨的數據分析師或者獨立運作的數據分析團隊。相反，產品團隊自己招聘和管理他們自己的數據分析員。

這最大程度地優化了公司部門的人員配置，讓數據分析師成為產品團隊中不可或缺的一員，它解決了「獨立模式」和「嵌入式模式」的缺點。從某種程度上來說，數據分析師、軟件工程師、設計師以及產品經理在共同的產品目標下協作。曾經，職能明確的部門往往各自在自己的領域中工作，目標無法達到統一協調，最后產品達不到交付條件，相互推諉扯皮。而如今這個問題也就解決了。

「整合模式」下的缺點是淡化了數據分析的重要性。

每一個數據分析員其實都是歸于他所對應的產品團隊，而不是一個明顯的數據分析師團隊。你犧牲了一些「嵌入式」所擁有的靈活性，因為一旦數據分析員按照他們的技能與興趣，分別歸屬于不同的部門，他們就很難再調動了。最后，「整合模式」往往就不利于數據分析員的職業發展。而整合團隊的領導人往往無法正確意識到數據分析員所做出的成績，也就無法進一步給予他們獎勵。

在 Instacart 公司，數據分析是完全整合于產品團隊中的。這些團隊都有專門的產品開發領域，有可能是訂單實時處理引擎，又或者是購物者在挑選貨物時所選取的應用程序，要么就是搜索和推薦服務團隊。（一共有 15 支這樣的團隊）

每一個團隊中既有工程師、數據分析員、也有設計師、產品經理。工程師和數據分析員一起向技術負責人匯報工作，這個負責人有可能是工程師，也有可能是數據分析員。整個團隊結構保證了工程師和數據分析員能夠緊密協作，同時他們也能獲得最大的授權，盡一切所能去完成團隊的目標。

正如上面所說，三種模式中每一種都各自有著缺點和優點，你必須搞清楚哪一種模式最適合你的公司，并且在公司發展的過程中，這個模式將如何進行調整。請做好準備，一旦公司的發展階段不一樣了，請及時做出改變。在有些時候，最好的模式往往不是上面三種模式中的某一個，而是混雜了其中兩種模式特點。正如 Andy Grove 在「高產出管理」這本書里寫的那樣：

好的管理是能夠兼顧「集中化管理」和「授權化管理」兩種模式，這是一種平衡的藝術，既能充分調動起員工們的積極性，又能讓自己把握整個公司的戰略走向。

◎如何創造一種數據分析在其中能蓬勃發展的公司文化？

當你的公司不斷壯大，雄心壯志開始不斷增長，不可避免地想要更多的數據分析員。在公司成立早期就打造出適合數據學發展的環境，一旦種子種下來了，隨著時間的推移，你所能享受到的紅利會越來越多的。

一些公司對外宣稱自己是數據驅動，他們確實收集很多數據，并且把錢投在了數據工程領域，持續不斷的借助于信息豐富的數據表盤，但是最后他們都功虧一簣。行勝于言。數據分析學只有體現建立在數據基礎的決策上才能發揮出價值。

公司必須構建起對數據的信任，哪怕自己從數據而來的判斷和決策違反大眾的嘗試，又或者在公司內部帶來非常明顯的格局變化。這恰恰是數據能夠發揮最大價值的地方。

數據分析師，正如公司里每一個人一樣，都想要自己的工作能夠被認可，能夠給公司的發展帶來實實在在的推動作用。如果能讓他感受到這一點，那么就會出現一個良性循環，數據分析師一直有動力去解決比較棘手的問題，并且保證自己的解決方案是可以被評估衡量的。

能夠正確地識別出來數據分析師所做出的貢獻，這一點其實是很困難的。尤其如果他們是被放置在第三種模式「整合團隊」之中。你的數據分析領導人必須保證時刻技術都走在別人前面，并且持續不斷地發揮作用。公司的高管應該重視數據分析師的作用，將這種態度落實在每天的日常工作中。

他們必須跟產品經理、工程師、設計師保持緊密地協作，否則他們就拿不出來讓人們贊嘆的工作成果，公司領導者和運營管理人員也必須重視他們的意見，否則他們就成了擺設。Jeremy 作為數據分析領導人加入 Sailthru 的時候，工程團隊對數據分析扔是持有半信半疑的看法。為了讓每個人能夠相信它，Jeremy 入職的前兩個月專門在公司內部開設了一門課程，讓技術工程人員在數據分析這個領域有更加全面、深刻的認識。

在這堂課中，所采取的例子全部來自于 Sailthru 的數據，并且讓工程師能夠參與到「面向產品的數據分析」工作中來，這堂課大大促進了公司對數據學的理解。當然，所做的最大投入還是時間上的。尤其是在前面幾個月。但是能夠讓工程師真的對數據分析產生興趣，產生信任，上面的付出算是值得的。

盡管掛著「數據分析」這四個字，但是這門學科從某個角度上是藝術。不是所有的東西都能被測量，我們都受限于手頭上的算法，計算機性能，甚至里面還存在一些人為作假的可能。

在未來，數據分析團隊所發揮的作用將會更大，如果你能夠在公司內部打造出一支多元化的團隊來的話。所謂多元化，是隊伍的技能組合、世界觀、從業背景完全不同。

最后，招聘數據分析師的時候，首先考慮那些能夠體現出你公司價值觀的應聘者。這些數據分析師必須獲得團隊、用戶、決策者的信任。當你在打造一支團隊的時候，對于那些擁有職業操守，正直可信的員工要給予獎勵，他們會讓公司的價值觀進一步發揚光大。他們的手中握著你想象不到的力量，公司的未來會被這股力量所塑造。