整體來說，比一般看到的技術書籍更全面、豐富，除了 modern data stack 外，書中反覆出現各種「如何解決問題」的方法和思路，而且引用許多管理學大師的案例。
書的第一部分談 modern data stack，涵蓋了工作場景會遇到的報表需求，一方面全面地介紹 dbt, dlt, metabase 等工具，點出 analysis as code 背後的脈絡，同時延伸到資料除錯、N+1 problem、Complexity pushdown 等實務上必定遇到的問題，最有趣的是筆者透過區分軟體開發和資料工程問題來提升解決問題的效率。
第二部分談資料分析，跳脫了傳統 BI 或圖表導向的框架，而是把分析視為一種通用的解決問題能力，即便在缺乏數據時，也能透過像 ChatGPT 這類工具輔助理解領域知識、統計建模。作者甚至引用榮格心理學的心理功能、製造業的動素分類、以及將主觀的「可信度」拆解為公信力、可靠度、親密性與自我導向四個要素，讓抽象概念變得可以分析與優化。
第三部分則延伸到管理實務，包含資料團隊的組織設計、如何向上管理資料價值，以及在導入新技術時的評估與變革管理。其中很有洞見的部分是透過主動向上分享最新的資訊，來建立信任和引導問題共識的技巧。
推薦給不想只買技術工具書的讀者。
CEO @ 宇鯨智能
作者是軟體工程出身，我是資料分析出身，但我們都有過同樣的經歷——回頭看，才發現之前在用錯誤的技術解決問題，走了冤枉路。作者在書中分享的 L 社經歷——「我是在浪費我的時間」、「我還想要更懶惰」——讀起來總是會心一笑，因為那就是我自己走過的路。
Modern Data Stack 是本書所分享，資料工程師可應用的工具與方法論，能快速做出穩固的資料基礎建設，支撐後續的資料應用。它的核心特性是每個 layer 獨立且分工明確，這在我的工作中證明了它的價值。我目前在 1-2 人的小型資料團隊重構資料平台，必須在維運舊系統、定期交付報表的同時，開發新平台。Modern Data Stack 的架構讓我能根據實際需求靈活調整開發順序——先在 dbt 做 transformation，跳去建兩條 pipelines，再切回 dbt，接著轉到 Metabase 做幾張報表。這種隨時切換的彈性，對一人團隊來說是生存的關鍵。
這本書有一個很特別的地方：在閱讀的當下不會立刻帶來很多即時的效果，但會隨著時間發酵。例如從軟體工程角度切入的「把複雜度往下拉」和「把程式搬到資料端」這些思維，一開始不太懂，反覆多讀幾次卻會有恍然大悟的感覺。這些故事和概念就這樣慢慢內化進記憶裡，在實務中不斷浮現。
如果你正在經歷資料平台的重構，或者正在思考怎麼從試算表走向更好的架構，這本書值得讀讀看，或許它能陪你走上一段路。
Data Solutions Engineer
