行銷分析職涯的起點只有一項任務：用資料而不是意見，回答「我們的行銷有沒有效？下一塊錢該花在哪裡？」職稱五花八門（行銷分析師、行銷資料科學家、成效衡量分析師、分析工程師），每天的工作也各不相同。本指南梳理六種角色及其在平常一個週二的工作內容、雇主會測試的技能與工具、官方薪資資料怎麼說（附來源與日期）、行銷分析碩士學位何時值得念、實習如何運作，以及一個用免費資料就能在週末完成的作品集專案。
如果您在考慮它與實驗工作之間的選擇，我們的轉換率優化職缺指南介紹了這個相近的職涯。兩者在工具上有所重疊，但回答的問題不同：CRO 問的是「這個頁面的哪個版本轉換較好？」，行銷分析問的是「我們的哪些管道、活動和受眾創造了營收？」
我們的看法：回答商業問題，而不是集滿證照清單
搜尋「行銷分析職涯」，大部分建議都是一串工具和證照清單。招募主管最後收到一疊履歷，上面全都寫著 SQL、GA4、Tableau、Python 和 Google 證照，完全無法看出您是否能勝任工作。
這份工作的核心是轉譯。行銷總監問「網路研討會計畫划算嗎？」，分析師必須把它轉成定義（相對於哪些成本、如何衡量、在什麼期間內），發現資料無法乾淨地回答，坦白說明，然後仍產出有用的答案。這項能力體現在一處：針對真實問題的書面分析，且保留了雜亂的部分。
所以我們的立場很直接：一個能回答商業問題、說明假設並以建議作結的作品集專案，勝過五張證書。證書證明您看完了影片；專案證明您會思考。
行銷分析中的職務，以及每個職務的日常工作
| 角色 | 典型的一天 | 主要工具 | 通常向誰報告 |
|---|---|---|---|
| 行銷分析師 | 建立並維護通路與活動報表、回答臨時問題（「為什麼上週名單減少了？」）、檢查追蹤設定，並在每週行銷會議中報告數據 | GA4、試算表、SQL、BI 工具、廣告平台 | 行銷營運或行銷主管 |
| 衡量／歸因分析師 | 維護歸因模型、設計提升與保留組測試、核對平台回報的轉換與 CRM 營收，並解釋數字為何不一致 | SQL、Python 或 R、實驗設計、歸因工具 | 分析經理或成效行銷主管 |
| 行銷資料科學家 | 建立行銷組合模型、流失與傾向模型、客戶區隔；為預算規劃進行預測 | Python 或 R、SQL、統計函式庫、MMM 框架 | 資料科學主管或分析總監 |
| 行銷營運／分析工程師 | 設計事件追蹤、建立從廣告平台與 CRM 到資料倉儲的資料管線，並建立供分析師查詢的乾淨資料表 | SQL、dbt 式資料建模、標籤管理工具、CRM 管理、資料倉儲 | 行銷營運或資料工程 |
| 行銷分析經理 | 制定報表標準、排定需求優先順序、負責 KPI 定義、指導分析師，並參與規劃會議以影響預算決策 | 以上全部，再加上利害關係人管理 | 行銷長、行銷副總或資料主管 |
| 行銷分析／洞察總監 | 負責跨品牌或區域的衡量策略、選擇歸因與 MMM 方法、組建團隊，並向財務部門捍衛數據 | 主要是人與決策 | 行銷長或資料長 |
在 50 人的 B2B 公司，前四列由一個人包辦；在大型消費品牌，每一列都是一個團隊。閱讀職缺時看職責，而不是職稱。
B2B 版本的樣貌
B2B 的數量規模很小（數百個商機，而不是數百萬筆訂單），週期長達數月，營收資料存在 CRM 而不是網站分析工具中。大部分的工作，是把網站行為連結到帳戶與銷售管道。請透過我們的B2B 行銷 KPI 指南學習漏斗階段與指標；面試官會期待您用銷售管道而不是工作階段來討論。
技能與工具：依影響錄用決策的頻率排名
- SQL。最常被測試的單一技能。請預期會有現場實作：join、彙總、視窗函數、處理重複資料。如果只能把一件事學好，就學這個。
- 指標定義與商業敏感度。知道「轉換率」需要與業務議定分子與分母，也知道名單不等於營收。職缺廣告很少列出，但案例面試一定會考。
- 網站分析（GA4）。事件、轉換（現稱為重要事件）、參與指標、探索、BigQuery 匯出。了解其中的陷阱，例如 GA4 的互動工作階段與跳出率的定義與舊版 Universal Analytics 指標不同。
- 試算表。樞紐分析表、查詢函數，以及非分析人員也看得懂的模型。
- BI 與視覺化。Looker Studio、Tableau 或 Power BI。能回答三個問題的儀表板，勝過塞滿三十張圖表的儀表板。
- 活動追蹤的衛生習慣。UTM 慣例、命名標準、代碼管理。追蹤出錯會耗掉分析師大量時間；一致的 UTM 產生器流程能避免大部分問題。
- 實驗。A/B 測試、保留組、地理測試，以及判讀結果所需的統計學。我們關於 A/B 測試樣本數的文章說明了面試官喜歡深入追問的計算方式。
- 歸因與行銷組合模型。了解兩者差異：歸因是將功勞分配給個別旅程中的接觸點；MMM 則是根據一段時間內彙總的支出與成果資料，估算各通路的效果。Google 的開源專案 Meridian 是目前的 MMM 框架，您可以研究並用範例資料執行。
- Python 或 R。資料科學職位必備，分析師職位則是加分項目（pandas、statsmodels、tidyverse）。
行銷分析的薪資行情（附資料來源）
官方並沒有「行銷分析師」這個職業類別，因此我們引用相近的類別與職缺樣本，並逐一查證各來源頁面。
| 資料來源與期間 | 衡量內容 | 數值 |
|---|---|---|
| 美國勞工統計局，市場研究分析師，2025年5月 | 涵蓋大多數行銷分析師的美國官方職業類別 | 年薪中位數78,760美元；最低10%低於43,390美元，最高10%高於155,480美元；預估2025至2035年就業人數成長7%，遠快於平均 |
| 美國 BLS，資料科學家，2025年5月 | 最接近行銷資料科學家的類別 | 年薪中位數120,230美元；預計 2025 至 2035 年成長 35% |
| 美國勞工統計局，行銷經理，2025年5月 | 包含擁有行銷管理職稱的資深分析主管 | 年薪中位數 166,790美元 |
| ITJobsWatch UK，「marketing analytics」，截至2026年10月13日的 6 個月 | 英國提及行銷分析的正職職缺中所列薪資（143 則職缺中的 34 筆薪資） | 中位數 70,000英鎊；第 25 百分位數 46,250英鎊；第 75 百分位數 82,500英鎊 |
如何解讀：BLS 的市場研究分析師中位數，是美國入門到中階行銷分析師最好的參考基準。資料科學家的數字說明了轉向建模為何值得：兩者中位數相差超過 40,000美元。英國的數字來自一小批偏向資深和技術職位的徵才廣告樣本，因此請把它視為刊登招募的專業職缺樣貌，而不是所有英國分析師的薪資。
行銷分析碩士學位：誰適合攻讀
行銷分析碩士通常是一年制、常獲 STEM 認證的學程，結合統計、程式設計、顧客分析與行銷策略，通常還有一個為真實企業執行的總結專案。以下是我們在各大學官方網頁上查證的幾個例子：
- University of Rochester, Simon Business School：全日制、獲 STEM 認證的行銷分析碩士（MS in Marketing Analytics），著重運用資料做出行銷、定價與銷售決策。
- 科羅拉多大學波德分校 Leeds 商學院：三個學期共 33 學分，實體授課，課程包括 Python 機器學習、數位廣告、市場情報與顧客分析。
- American University, Kogod School of Business：線上行銷分析碩士，12 至 15 個月，含兩次實務專題。
- Pace University, Lubin School of Business：位於紐約市的行銷分析碩士（MS in Marketing Analytics），30到36學分，全職或兼讀。
費用與報名資格請查看各課程頁面。
什麼時候值得攻讀學位，什麼時候不值得
| 情境 | 我們的看法 |
|---|---|
| 沒有量化背景、需要架構與人脈的轉職者 | 值得考慮。結業專題與職涯服務確實有實質幫助。 |
| 想在美國工作的國際學生 | STEM 認定對畢業後的工作選擇很重要；請明確確認。 |
| 已從事行銷工作，熟悉試算表操作 | 通常不需要。學 SQL、完成兩個專案，然後在公司內部轉職。 |
| 目標是行銷資料科學 | 偏重統計的學位可能比以行銷為主的學位更適合。比較課程大綱，而不是學位名稱。 |
行銷分析實習：在哪裡找、如何錄取
實習機會集中在大型消費品牌、媒體與成效型代理商、科技與 SaaS 公司，以及分析顧問公司。大學的職涯平台與 LinkedIn 刊登了大部分職缺；代理商則常常先在自家的徵才頁面上公告。
能讓您進入候選名單的因素：
- 從履歷連結到一頁式專案摘要。問題、資料、方法、答案、建議。
- SQL 能力的證明。一個公開的筆記本或程式碼庫，內含針對真實資料集的查詢。
- 履歷上的每一點都加上商業脈絡。不是「建立了一個儀表板」，而是「建立了一個管道儀表板，顯示付費社群名單轉成會議的比率只有搜尋的一半」，即使是課堂專案也一樣。
及早申請：大型企業通常在前一年秋天就開始招募暑期實習生。
如何開始：一個週末作品集專案
您不需要雇主的資料。Google 提供兩個免費來源。Google Analytics 示範帳戶讓任何 Google 使用者都能以檢視者身分存取 Google Merchandise Store 和 Flood-It! 遊戲的真實（經混淆處理）資料。BigQuery 中的 GA4 電商範例資料集包含同一商店2020年11月至2021年1月共三個月的事件層級匯出資料，讓您可以在 GA4 的真實結構上練習 SQL。
- 先選定一個決策，而不是一個資料集。例如：「如果商店能在節慶期間把多 20% 的預算投入單一流量來源，該選哪一個？」
- 查詢前先定義指標。依來源和媒介的每工作階段營收、購買轉換率，以及新使用者與回訪使用者。
- 查詢 BigQuery 資料集。展開事件參數、建立工作階段、將購買歸因到來源。
- 在 GA4 示範帳戶中交叉核對。數字不會完全吻合。能解釋原因（資料模糊處理、歸因設定），才是面試官會記住的地方。
- 撰寫一頁的建議書。包含結論、證據、限制，以及您會執行什麼測試來驗證。
報告撰寫示意範例
範例（使用虛構的整數只為呈現樣貌，並非資料集的真實結果）：「假期期間，自然搜尋帶來 40,000 個工作階段與60,000美元營收（每個工作階段1.50美元）。推薦連結帶來 10,000 個工作階段與25,000美元（每個工作階段2.50美元）。推薦連結的每工作階段收益較高，但大部分營收來自單一合作網站，因此追加預算未必能擴大規模。建議：在重新分配預算前，先以保留地區為對照，測試付費搜尋預算增加 20% 兩週，並將每工作階段營收與對照地區同期比較。」這個建議本身就附帶了疑慮與解決方式。
第二個帶有 B2B 色彩的專案，可以為一份虛構的帳戶名單依契合度和活動評分，並用行銷投資報酬率計算機加上回收期估算。
如何搜尋行銷分析職缺
相同的工作會以許多不同職稱出現。請在 LinkedIn、Indeed 和企業徵才頁面上搜尋以下所有職稱：
- 行銷分析師、數位行銷分析師、行銷洞察分析師
- 行銷分析助理（代理商和顧問公司常見的入門級行銷分析職稱）
- 成效行銷分析師、媒體分析師、付費媒體分析師
- 衡量分析師、歸因分析師、行銷科學分析師
- 成長分析師、顧客分析分析師、CRM 分析師
- 行銷資料科學家、行銷科學家、決策科學家（行銷）
- 行銷營運分析師、分析工程師（行銷）
入門職位請篩選「associate」與「junior」，並查看代理商的職缺；代理商會大量招募新人。
您應該準備的面試問題
- 「上週名單量下降 30%，您會如何調查？」先查追蹤（代碼壞掉或表單改動），再依管道、到達頁面與裝置區隔，最後看外部原因（假期、暫停的廣告活動）。
- 「Facebook 回報 200 次轉換，CRM 卻顯示 120 次。哪個才對？」兩者都不是單純的「對」。說明歸因期間、瀏覽後轉換、重複計算和去重。提議進行提升測試，以衡量增量效果。
- 「您會如何衡量我們的網路研討會計畫是否有效？」定義成果（受影響的商機 vs. 創造的商機）、對照組、時間範圍，以及無法衡量的部分。
- 現場 SQL 題目。通常是：依轉換率排出前幾名廣告活動，需用到視窗函數或自我聯結。邊寫邊說明。
關於歸因問題，我們的個人化網站的行銷歸因指南說明了當訪客看到不同頁面版本時如何分配功勞，這是資深職位面試的好話題。
行銷分析職涯的發展方向
常見的路徑是從分析師到資深分析師，再到經理或專業路線（成效衡量、資料科學、分析工程）。專精於困難且有價值問題的專家晉升最快：增量效果、MMM，或將匿名網站行為與商機連結。
最後一項是 B2B 日益擴大的缺口：大多數訪客從不填寫表單，所以分析師看到的是工作階段，而不是公司。Markettailor 的訪客辨識等工具能解析公司層級的造訪，讓分析師依目標帳戶而非匿名工作階段來報告互動情況。如果您正在處理這個問題，Markettailor 的帳戶層級分析是看出哪些客群會轉換的一種方式，而這類資料正是能讓儀表板化為預算決策的資料。
常見問題
行銷分析是好的職涯選擇嗎？
對既喜歡數字又喜歡說服別人的人來說，是的。美國勞工統計局資料顯示，涵蓋大多數行銷分析師的市場研究分析師類別，2025年5月的薪資中位數為78,760美元，預計 2025 至 2035 年就業人數成長 7%。這些技能也能轉移到資料科學、行銷營運與行銷領導職位。
行銷分析師每天在做什麼？
行銷分析師負責維護管道與廣告活動報表、回答「名單為什麼減少」或「哪個廣告活動帶來業務機會」之類的問題、確認追蹤運作正常，並在行銷會議中報告發現。一天中大部分時間都在使用 SQL、試算表、GA4 和 BI 工具，以及與同事討論某個指標該如何定義。
需要行銷分析碩士學位嗎？
通常不需要。大多數入門級行銷分析職缺要求學士學位，加上能證明 SQL 能力和分析思維的成果。碩士學位對需要系統化學習、畢業專題和人脈的轉職者，以及想就讀 STEM 認證學程的國際學生有幫助。如果您已經在行銷領域工作，兩個扎實的作品集專案加上內部轉調通常更快。
沒有經驗要如何獲得行銷分析實習機會？
用免費資料（例如 Google Analytics 示範帳戶或 BigQuery 中的 GA4 範例資料集）做一個專案，回答一個商業問題並以建議作結。在履歷中附上一頁摘要的連結、公開您的 SQL，並在秋天申請代理商、消費品牌與科技公司的暑期實習。
行銷分析師與行銷資料科學家有什麼不同？
行銷分析師透過報表、SQL 與儀表板，說明發生了什麼事以及原因。行銷資料科學家則運用 Python 或 R 與統計方法建立模型，用來預測或估算效果，例如行銷組合模型、流失模型與預測。薪資也反映出這個差距：根據 BLS 資料，2025年5月資料科學家的薪資中位數為120,230美元。
