嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

經過了前幾期的努力，我們從辨識問題一路走到執行對策。現在，我們終於迎來了解決問題六步驟的最後一哩路—「建立標準化」。

為什麼需要標準化？

很多時候，我們解決了眼前的問題，但過沒多久同樣的問題又再次發生，或者是成功的經驗隨著人員異動而消失。

標準化的目的，正是為了避免問題再次發生，並將成功經驗制度化。透過建立標準，我們能將一次性的成功轉化為「可複製、可延伸」的作業模式，讓組織內部的知識得以累積與傳承。

建立標準化的三大支柱

要落實標準化，不能只靠口頭約定，必須包含以下三個層面：

1. 流程制度化：

   必須清楚定義「誰執行？什麼時候？用什麼標準？怎麼做？」。將模糊的經驗轉化為白紙黑字的 SOP，確保每位團隊成員都能遵循一致的步驟執行。

2. 組織落地化：

   有了 SOP 還不夠，還需要透過「教育訓練」、「工作坊」或是「操作示範」，讓相關人員真正理解新流程的重要性及執行細節，確保制度能落地生根。

3. 效果持續化：

   建立監控 KPI 與回饋機制。透過定期檢視數據，確認流程是否被正確執行，並根據實際狀況持續優化流程，達到穩定成效與內化組織學習的目的。

實戰演練：將餐廳的成功策略變成長久制度

延續之前的餐廳案例，假設我們透過 KOL 合作、新媒體廣告等對策成功提升了業績。為了不讓業績只是短期反彈，我們需要將這些對策轉化為長期的制度：

透過這張表，我們清楚定義了每一個成功對策背後的執行細節與負責人，確保餐廳的營收能維持穩定成長。

▍結語

恭喜大家！我們已經完整走完了解決問題的六個步驟：

1. 辨識問題：找出理想與現實的差距。

2. 描述問題：用 5W1H 釐清脈絡。

3. 原因分析：用議題樹找出根因。

4. 對策思考：腦力激盪發想解法。

5. 對策執行：用行動計畫表落實。

6. 建立標準化：制度化以防復發。

希望這系列的 Data 101 能幫助大家在面對工作挑戰時，擁有更系統化的數據思維。若想回顧之前的精彩內容，歡迎點擊連結造訪。

雖然帶給我們方便，但作為讀者，容易被這些框架給制約，久而久之會無法獨立思考與判斷這樣的內容對自己有何幫助。

很多文章一眼看出是否為 AI 所撰寫，但不是說不鼓勵使用 AI 來協助寫作，但很明顯看出這樣的寫作框架，會令人沒有耐心，容易感到疲憊。

Subscribe now

各種反思與強調可以做的事情

當你在社群看到某則貼文，除了很明顯有各種 emoji 外，你會發現，作者會挑選某個議題進行反思，你可能要先思考為什麼這個議題值得反思？

是因為作者在工作或生活上遇到這類的議題，反而透過自省覺察可以有一些轉變嗎？內容中是否有自己切身經驗的分享？亦或是，純粹跟風這個議題，沒有帶入個人經驗，而呈現一種說教模式。

舉個具體的例子，前陣子，一位知名極限攀岩好手 Alex Honnold 來臺灣於 2026 年 1 月 25 日成功無防護徒手攀登（free solo）台北 101 大樓，在 LinkedIn 社群上，充斥各種一個激勵成功故事的反思。

你可能會想過去也有許多成功人士的成功故事，為什麼這次的故事引起這麼大的回響。除了是全球第一人徒步攀爬台北 101，我想背後是為了完成這項挑戰，足足準備好多年，也感受到 Alex 多年的「堅持」與「毅力」。

上述的舉例是跟風議題，至於為什麼我會說反思文章帶有說教的模式呢？

在文章本身中，會常出現的論述架構，例如「不是…而是…」、「不是…它是…」，最後帶出你具體應該怎麼做三件事或是五個提醒等等。

因此，會給人一種腦中反應，這個議題很重要，也解釋為什麼重要及給予重要提醒，但文章作者本身有開始進行什麼行動嗎？

或許有或許沒有，你也可以很清楚看到這篇文章，頂多是為了衝流量而來。

寫作這件事情可以帶給我們什麼？

在 AI 世代，任何事情變得容易且產出加倍，但往往忽略，這件事情本質的思考，尤其是批判性思考。

當網路資訊變得唾手可得且氾濫的時候，我們需要獨立精準判斷 AI 提供的資訊或是網路上 AI 社群貼文。

因此，寫作可以使我們思考文章的框架如何更嚴謹，以及可以以具有架構談論重要議題。AI 這時候可以輔助我們如何修飾及潤稿，但並非直接套用既有的框架直接產出。

尤其，我們吸收來自各方資訊的時候，我們需要有獨立判斷思考的能力，這件事情是否為真，對我有幫助嗎？

寫作的過程，就是重新再一次將你所知道的事情進行內化與反芻，重新建立在自己腦中的知識庫，你也可以說，已經外包出去的第二大腦重新連結到第一大腦中。

▍結語

在 AI 世代，工具的便利性不該成為我們放棄思考的藉口。當社群上充斥著套用公式、的「說教式反思」—正如那些千篇一律的 Alex Honnold 攀登 101 成功學貼文。我們更需要具備批判與獨立判斷的能力。

寫作的真正價值，在於將龐雜的資訊進行沉澱與反芻，藉此建立嚴謹且屬於自己的知識架構。我們應該讓 AI 成為修飾詞彙與潤稿的得力助手，而非直接取代思考的「第一大腦」。唯有找回知識內化的過程，才能在氾濫的資訊洪流中，保持清醒且真實的自我。

畫面一： 考試週的深夜，課本攤開在面前，螢光筆在手裡，眼神卻已經渙散。你告訴自己再撐一小時，再撐一小時……

畫面二： 下班之後，筆電還沒關。你打開 Coursera 或某個 AI 工具的教學影片，腦袋裡還殘留著白天開會的疲憊，但你告訴自己：「現在不學，以後就來不及了。」

這兩個畫面的主角不同，但有一件事一模一樣。學習這件事，不再讓你感到有趣，而是沉重，像一塊石頭壓在胸口。

如果你也有過這種感受，我想告訴你：「你不是懶，你是累了」。

Subscribe now

我們都被灌輸了一個謊言

從小到大，我們被反覆灌輸一件事：「努力就有回報。」這話沒有錯，但問題在於，我們漸漸把「不停地努力」誤解為「不休息才算努力」。

休息，在很多人眼中等於懶惰。停下來，等於放棄。

但科學告訴我們的，卻是另一回事。

《哇賽心理學》創辦人、心理學博士蔡宇哲在《好好休息》1一書中明確指出：

「腦科學研究已經發現，休息是有功能的。除了恢復先前消耗的體力、腦力跟心力以外，大腦神經系統也是在休息時進行重整與強化，甚至還會對於未來將要進行的目標啟動準備。」

換句話說，當你停下來休息的那段時間，大腦其實一點也沒有閒著——它正在幫你整理白天學到的知識、強化記憶連結、規劃下一步的行動路徑。你以為自己在浪費時間，其實是在讓學習效果發酵。

2023年，法國心理學家佩西利昂（Mathias Pessiglione）的研究2也發現，長時間的高強度腦力消耗會讓大腦進入類似「省電模式」的狀態——複雜思考的能力大幅下降，而最可怕的是，人們往往無法自覺察覺到自己已經耗盡腦力，就像一個喝醉酒的人仍自認清醒一樣危險。

你以為自己還在認真讀書，但那個在書桌前坐著的你，其實早就已經在空轉了。

學習倦怠，不是意志力不夠

許多學生在長期學習壓力下出現「學習倦怠」——對學業感到疲憊、冷漠，甚至對過去熱愛的科目產生抗拒。台灣針對315位國中生進行的追蹤研究（2017）3發現，學習倦怠感隨著年級升高而普遍增加，「不適應性完美主義」（也就是那種對自己永遠不夠好的苛求）是加重倦怠的重要因素之一。

但學習倦怠不只發生在學生身上。

對職場人士來說，現在還多了一種特殊的倦怠形式，有人稱它為「AI 焦慮型學習倦怠」。ChatGPT、Copilot、各種 AI 工具一波接一波，LinkedIn 上每天都有人分享「你不學 AI 就會被淘汰」的貼文。這種學習不是出於好奇或熱情，而是出於恐懼——怕跟不上、怕被取代、怕落後同事。

心理學研究告訴我們，由恐懼驅動的學習，是最容易耗竭的學習方式。 它就像用腎上腺素跑馬拉松，起跑時很猛，但燃料燒完後，你會比出發前更空洞。

我們從小被要求追求完美，現在又被時代要求追趕速度，卻沒有人教過我們，適度的放手，才是走得長遠的關鍵。

Subscribe now

那麼，什麼才是「真正的」休息？

很多人以為滑手機、追劇就是休息。但心理學與神經科學的研究提醒我們：那些只是假性放鬆，不僅無法讓大腦恢復，反而可能讓你越刷越煩躁、越看越疲倦。

真正有效的休息，應該包含這些元素：

• 微休息（5–10分鐘）：每專注學習一小時後，起身喝水、伸展、望向遠處。研究發現，工作中安排微休息，不只能讓人在過程中感到更愉悅，也有助於維持整體效率。

• 中度休息（20–30分鐘）：午後的小睡、散步、或做一件讓自己進入「心流」的事，不一定要困難，只要讓你的心能安靜下來。

• 深度休息（睡眠）：睡眠研究專家 Matthew Walker 在《為什麼要睡覺？》4中指出，睡眠對創造力、記憶力、情緒穩定，乃至免疫系統都有深遠的影響。再忙，睡眠是你絕對不該犧牲的事。

▍給自己的一封信

如果你正在讀這篇文章，也許你今天也很累。

也許你是剛考完學測的學生，還沒想清楚接下來要往哪裡走，但周圍已經有人開始討論備審資料。也許你是在職場打拼的人，下班後還在追趕那一門沒學完的 AI 課，對自己說「等這個專案結束再說」、「等年底績效過了再休息」——但那個可以喘氣的日子，好像永遠都還沒有來。

我想告訴你：你值得現在就喘一口氣。

休息不是你輸給懶惰，而是你在照顧那個一直努力撐著的自己。讓大腦充電，不是對學習的背叛，它其實是讓你走得更遠、學得更深的必要條件。

把休息排進你的計畫，就像你排讀書計畫、排工作 deadline 一樣認真地對待它。因為你不是 AI，不需要 24 小時持續運算，你需要的是喘息之後，重新知道自己為什麼在學。

那門 AI 課，明天還會在那裡。那本課本，明天也還會在那裡。但此刻疲憊的你，需要的是一點空間，好好喘息。

參考資料：

• 蔡宇哲（2024），《好好休息》，天下雜誌出版

• Pessiglione, M. et al.（2023）. 腦力消耗與認知疲勞研究，天下雜誌出版報導

• 劉姿君、黃崑發（2017）。國中生學習倦怠之多層次成長模式分析。

• Walker, M.（2017）. Why We Sleep. Scribner.

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

在解決問題的旅程中，我們已經完成了從發現問題到發想對策的思考過程。現在，我們要進入將想法化為現實的關鍵步驟 — 「對策執行 (Implementing Solutions)」。

為什麼「對策執行」這麼重要？

再完美的對策，如果沒有被落實，就只是一紙空文。對策執行的關鍵在於如何將抽象的想法轉化為具體的行動，並透過明確的分工、時程規劃與成效追蹤，確保每一項對策都能有效推進並產生實際成果。

在本期中，我們將介紹兩個強大的工具，幫助你「說服他人支持你的計畫」以及「有條理地追蹤執行進度」。

工具一：SCQA 框架—有條理地說服老闆

當你需要爭取資源（例如行銷預算）來執行對策時，如何有邏輯地溝通至關重要。SCQA 是一個非常實用的敘事框架，分別代表：

• S (Situation) 情境/現況： 描述背景事實。

• C (Complication) 衝突/挑戰： 點出面臨的困難或轉折。

• Q (Question) 關鍵問題： 提出核心疑問。

• A (Answer) 解決方案： 給出你的對策。

實戰演練：餐廳店長的提案

假設你是餐廳店長，想說服老闆申請額外預算進行行銷活動以提升業績，你可以這樣運用 SCQA：

1. 情境 (S)： 我們的餐廳在過去一年中，憑藉著優質的餐點與服務，累積了不少忠實顧客。

2. 衝突 (C)： 然而，近期受到景氣波動及競爭加劇影響，營收逐漸下滑。分析發現，來客數減少、行銷曝光不足以及線上銷售渠道未開發是主因。

3. 問題 (Q)： 在這樣的情況下，我們該如何有效提升餐廳的銷售量，逆轉營收下滑的趨勢？

4. 方案 (A)： 為此，我們擬定了提升來客數（與 KOL 合作）、增加銷售渠道（建立線上商店）與提升客單價（會員與折扣方案）等具體行動，預計三個月內提升 10% 營收。

工具二：行動計畫表—精準追蹤每一步

說服了老闆後，接下來就需要一張詳細的「行動計畫表」來管理執行細節。將每一項對策拆解成具體行動、負責人、完成期限與成效指標 (KPI)。

以下是針對上述餐廳案例的行動計畫範例：

透過這樣的表格，我們能定期檢查進度，並在發現成效不如預期時適時調整策略 。

▍結語

從 SCQA 的溝通說服，到行動計畫表的落地執行，我們一步步將「解決問題」從概念化為實體。

在下一期 Data 101，我們將介紹解決問題的最後一個步驟—建立標準化，探討如何將成功的經驗固化，成為組織的長久資產。

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

今天要跟大家進一步分享「實作篇」。當知道自己的天賦後，下一步該怎麼做呢？我將透過蓋洛普教練提供的模板，展示我如何進行練習。

在職場上，我們每年在制定 KPI 的同時，通常也需要制定「個人發展計畫」（Individual Development Plan, IDP）。這份計畫的目的不僅是為了達成工作目標，更是透過內外部資源來發展自身能力。

我們常聽到要「發揮優勢」，但具體該如何將測驗報告中抽象的「天賦主題」，轉化為每天可執行的行動方案？在這篇實作練習中，我將示範如何運用蓋洛普的 Name It（命名）、Claim It（理解）、Aim It（目標導向） 三部曲，制定一份具備高執行力的個人 IDP。

第一步：確立目標 (Define Your Goal)

一份有效的優勢練習，必須建立在「具體的目標」之上。天賦就像是工具箱裡的工具，若沒有要修繕的對象（目標），工具便無用武之地。

在這次練習中，我設定了一個非常明確的短期目標提供範例給你作為參考：

目標：「接下來 6 個月，可以完成論文前三章」。

💡 練習重點： 在開始練習前，請先寫下目前職涯中最重要的一個目標。它可能是完成一個專案、轉換跑道、或是學習一項新技能。

第二步：命名與理解 (Name It & Claim It)

接著，我們需要從個人的天賦報告中，挑選出最能幫助達成上述目標的優勢主題。這不僅是列出名稱，更要寫下「這個天賦對我的意義是什麼？」，也就是 Claim It 的過程。

針對我的論文目標，我挑選了以下三個天賦，並寫下我的個人洞察：

1. 學習 (Learner)

• Name It： 學習

• Claim It (個人洞察)： 我發現當自己對某個議題或領域有興趣時，會想要深入了解，並學習該領域的知識 。這對於論文初期的文獻探討至關重要。

2. 統籌 (Arranger)

• Name It： 統籌

• Claim It (個人洞察)： 面對工作與學業的雙重壓力，我意識到自己能夠兼顧並同時多工處理不同的任務，即便遇到複雜情況也能迎刃而解 。這是支撐我在有限時間內推進進度的關鍵。

3. 成就 (Achiever)

• Name It： 成就

• Claim It (個人洞察)： 當確定一個目標後，我就會使命必達，不論是平日或週末 。完成任務時，我會感受到一股強烈的成就感，這是我持續推進進度的內在動力 。

💡 練習重點： 不要只看報告上的官方定義。試著回想過去的成功經驗，寫下「我曾經如何運用這個天賦解決問題？」。這能讓天賦真正成為您自己的武器。

第三步：目標導向與行動 (Aim It)

最後一步是最關鍵的 Aim It，將天賦轉化為具體的行動步驟。在 IDP 中，我們需要針對目標的不同階段，有意識地安排特定的天賦上場。

我將撰寫論文的 6 個月時程拆解為三個階段，並明確標示每個階段運用的優勢：

第一階段（前 2 個月）：奠定基礎

• 運用優勢： 學習、統籌

• 關鍵行動：

  1. 研讀相關文獻，確認研究主題是否自己感興趣，以及是否可以做且有貢獻 。（運用「學習」天賦進行深度探索）

  2. 學習及熟練教學的軟體，以輔助數位學習使用 。（運用「學習」天賦掌握工具）

第二階段（中 2 個月）：設計與開發

• 運用優勢： 學習、統籌

• 關鍵行動：

  1. 設計研究實驗 。（運用「統籌」天賦處理複雜架構）

  2. 開發數位學習內容 。

第三階段（後 2 個月）：執行與驗收

• 運用優勢： 學習、統籌、成就

• 關鍵行動：

  1. 確認數位學習的實驗時間，進行控制組及對照組的實驗 。

  2. 確認實驗前後測的結果 。（運用「成就」天賦衝刺完成，享受達標的滿足感）

💡 練習重點： 觀察你的行動計畫，是否每一個步驟都能對應到個人的某項優勢？例如，如果你有「溝通」天賦，在行動計畫中應該包含「與利害關係人訪談」或「發表成果」的步驟，而不僅僅是埋頭苦幹。

▍結語

透過我的案例，可以看到「天賦練習」並非空泛的心靈雞湯，而是高度結構化的策略規劃：

1. 鎖定目標（論文前三章）

2. 盤點武器（學習、統籌、成就）

3. 擬定戰略（分階段並指派特定天賦執行任務）

當下次感到職涯迷惘或專案卡關時，不妨拿出這份 IDP 表格，試著用你的天賦優勢為自己擬定一份作戰計畫吧！

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

在解決問題的旅程中，我們依序走過了辨識問題、描述問題與原因分析。當我們終於揪出問題的「根本原因」後，接下來就是最考驗創意的階段 — 解決問題第四步驟：「對策思考 (Thinking of Solutions)」。

腦力激盪：一個目標，五個對策

當真正原因找出來後，就需要開始進行思考對策。在這個階段，我們建議針對每一個設定的目標，至少要思考 5 個以上的點子。

你會問：「為什麼要這麼多？」

因為透過大量的腦力激盪，我們才能從眾多想法中篩選出真正有效、可行性高的對策。

實戰演練：拯救餐廳營收大作戰

讓我們用一個生活化的例子來說明。假設你是經營餐廳的老闆，近期發現餐廳營收不好，你會如何發想有效提升餐廳銷售量呢？

這時候，我們可以再次運用之前學過的「樹狀圖」來拆解目標，將大目標細分成小目標，再針對小目標發想具體的解決方案。

案例一：如何提升營收？

要提升餐廳營收，我們可以拆解成「提升來客數」與「增加客單價」兩個方向：

1. 提升來客數

   • 提高行銷費用：增加曝光

   • 增加銷售渠道：例如尋找新的實體通路、建立線上商店

   • 新增媒體渠道：例如與 KOL 合作宣傳

2. 增加客單價

   • 提升購物件數 ：讓客人一次買更多樣

   • 提升單件金額：提高商品單價

   • 建立忠誠方案：綁定熟客

   • 限時滿額折扣：刺激消費慾望

案例二：如何提高利潤？

如果目標轉為「提高利潤」，樹狀圖的拆解方式就會變成「增加營收」與「減少支出」：

1. 增加營收：

   • 提高售價

   • 增加來客數

   • 新增外送服務

2. 減少支出：

   • 降低固定成本：例如減少租金支出

   • 降低變動成本：例如降低食材成本

▍結語

透過樹狀圖的層層拆解，我們不再是漫無目的地空想，而是能有系統地窮盡各種可能性。記得，這個階段最需要的就是大量腦力激盪，試著為你的問題寫下至少 5 個對策吧！

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

在解決問題的旅程中，我們已經走過了「辨識問題」與「描述問題」。現在，我們要進入至關重要的第三個步驟 —「根本原因分析 (Root Cause Analysis)」 。

為什麼要做根本原因分析？

當問題發生時，我們往往只看到表象。原因分析的目的，是根據不同的分析手法，找出問題真正的「根因」，這有助於徹底解決問題，防止它再次發生 。

本期推薦兩種常用的分析方法：議題樹分析與時序比較分析 。

方法一：議題樹分析 (Issue Tree Analysis)

議題樹分析是一種將問題層層拆解的技術。它的核心概念包括：

• 層層拆解： 將大問題逐步拆解成多層次的子問題 。

• 不斷追問「為什麼」： 透過不斷提問「Why」，逐層往下挖掘，直到找出根本原因 。

• 視覺化思考： 利用樹狀結構呈現，有助於我們進行全面性的思考，避免遺漏 。

實戰案例：為什麼配送過程中缺少零件？

讓我們看一個包裹配送的例子，當我們面對「配送缺件」的問題時，可以這樣畫出議題樹

1. 第一層 (Why 1)： 是「裝箱過程出錯」還是「運輸過程中零件遺失」？

1. 第二層 (Why 2)： 如果是裝箱出錯，是因為「人員疏忽」還是「作業流程設計不當」？

2. 第三層 (Why 3)： 追究人員疏忽的背後，發現可能是「員工培訓不足」或是「員工操作沒遵守 SOP」。

透過這樣的拆解，我們最終發現潛在的根本原因可能在於員工培訓不足或包裝作業流程設計不當，而非單純責怪第一線人員 。

方法二：時序比較分析 (Timeline Analysis)

除了邏輯拆解，時間也是尋找線索的重要維度。時序比較分析的做法是：

• 收集數據： 收集問題發生前後的歷史數據 。

• 對比差異： 對比特定時間節點前後的狀況差異變化 。

• 鎖定轉折： 數據變化的「轉折處」，往往就是問題的來源 。

實戰案例：電商網站訂單量突然暴跌

情境描述： 某電商平台的數據分析師發現，從 10 月 15 日開始，全站的「每日訂單量」突然下降了 30%，且連續三天沒有回升。老闆很著急，問：「到底發生了什麼事？」

這時候，我們運用時序比較分析的三步驟來找出根因：

第一步：收集數據

我們拉出過去一個月（9/15 - 10/18）的「每日訂單量」趨勢圖，並疊加「網站流量 (Traffic)」與「轉換率 (Conversion Rate)」的數據。

• 目的： 確認問題是「長期衰退」還是「突發性異常」，以及問題是出在「沒人來（流量）」還是「來了不買（轉換率）」。

第二步：對比差異

透過數據圖表，我們進行時間節點的前後對比：

• 正常期 (10/1 ~ 10/14)： 每日流量 10,000 人，轉換率 3%，訂單約 300 張。

• 異常期 (10/15 ~ 10/18)： 每日流量 依然是 10,000 人（排除行銷導流問題），但轉換率跌至 2%，訂單剩下 200 張。

發現： 流量沒變，變的是「轉換率」。問題出在站內使用體驗，而非外部廣告。

第三步：鎖定轉折

我們鎖定數據變化的關鍵轉折點——10 月 15 日。這一天就是問題的源頭。我們需要回溯這一天發生了什麼「改變」：

• 排查行銷活動？ (無，活動檔期未變)

• 排查競爭對手？ (無，競品無大動作)

• 排查內部系統更新？ (有！IT 部門在 10/15 下午 2:00 進行了結帳頁面的改版更新)

進一步下鑽 (Drill down)： 我們將 10/15 改版後的數據按「裝置」拆解，發現：

• 電腦版 (Desktop)： 轉換率正常。

• 手機版 (Mobile)： 轉換率從 3% 跌到 0.5%。

找到根因 (Root Cause)： 10/15 的系統更新中，新版結帳頁面在「手機版」顯示異常（例如：結帳按鈕被廣告擋住），導致手機用戶無法完成付款。

▍結語：先定義，再解決

無論是透過「議題樹」抽絲剝繭，還是利用「時序分析」回溯歷史，目的都是為了讓我們不再憑感覺猜測，而是有憑有據地找到問題核心。

回顧我們在 Data 101 提到的概念：當我們透過落後指標（如業績）發現異常時，利用上述的分析方法找出影響的領先指標（如流量、轉換率），才能真正對症下藥 。

在下一期，我們將進入解決問題的下一階段「對策思考」，教大家如何針對找出的原因制定解決方案 。

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

在上一篇文章「有了數據還是找不到問題？解決問題的第一步：辨識問題」中，我們探討了如何透過數據發現「理想」與「現況」的差距，進而辨識出問題所在。

但發現問題之後，很多人會犯的錯誤是直接跳進「解決方案」的發想。其實，在動手解決之前，有一個至關重要的環節經常被忽略，那就是 — 精準地描述問題。

本期的 Data 101 專欄，我們將進入解決問題六步驟的第二步：「描述問題」。

為什麼「描述問題」這麼重要？

當我們意識到業績未達標、或是客戶滿意度下降時，這只是一個模糊的「現象」。如果沒有將這個現象具體化，團隊在後續分析原因時，很容易像無頭蒼蠅一樣亂撞，甚至解決了錯誤的問題。

正如本期內容所提到的，當我們發現問題之後，需要從多個角度去找出問題的脈絡，才能進一步做原因分析，釐清背後可能發生的因素，進而發想對策。

黃金法則：使用 5W1H 建構問題全貌

要如何將一個模糊的狀況，轉化為清晰的問題描述？我們可以使用經典的 5W1H 分析法，從六個維度來拆解問題：

1. What (事/物)： 具體說明發生了什麼事？問題是怎麼造成的？

2. When (時)： 問題發生的時間點為何？是持續發生還是特定時間點？

3. Who (人)： 誰被影響了？這個問題涉及哪些人？需要跟誰溝通？

4. Where (地)： 問題發生的情境或地點在哪裡？

5. Why (原因)： 初步推測問題發生的可能原因是什麼？

6. How (方案)： 該如何去尋找解決方案？

實戰演練：以客訴與電商為例

為了讓大家更清楚如何應用，我們來看兩個具體的例子。

案例一：家具組裝的客訴

假設客服收到顧客抱怨：「櫃子沒辦法組裝」。這只是一個抱怨，並非完整的描述。若運用 5W1H 重新整理，我們會得到以下資訊：

• What： 顧客反映配送的櫃子少了 2 個螺絲。

• When： 問題發生在 2024/3/1 下午 2 點。

• Who： 涉及顧客、客服人員以及相關配送部門人員。

• Where： 顧客在家中組裝櫃子時發現的。

• Why： 推測可能是運輸、包裝或裝箱過程中發生問題，導致螺絲遺失。

• How： 與顧客協調補償並補寄螺絲，同時內部調查缺件的根本原因。

透過這樣的描述，問題從「客戶不高興」變成了「特定時間、特定環節發生的缺件事件」，解決方向瞬間清晰了。

案例二：電商業績分析

回到商業場景，假設我們發現電商這個月的業績距離目標有差距。

如果不進行描述，我們可能會盲目地說「快點做促銷」。但若我們先冷靜下來描述問題，我們需要釐清：

• 是哪個通路（Where）掉得最嚴重？

• 是新客還是舊客（Who）流失？

• 是從什麼時間點（When）開始下滑？

當我們意識到問題已經發生，透過描述釐清脈絡，我們才能判斷是因為市場需求下滑、競爭激烈，還是銷售策略不當。

▍結語：先定義，再解決

數據分析不僅僅是看報表，更是一種邏輯思考的訓練。在「辨識問題」與「原因分析」之間，請務必記得停下來，用 5W1H 好好地「描述問題」。

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

聽起來像是小說家或電影編劇的工作，但實際上，這股浪潮正發生在企業內部：從 Google Cloud、微軟資安，到新創 SaaS 公司、甚至金融服務業，都在把「說故事」變成一種正式職能、正式編制，甚至開出高薪職缺。

這到底是跟風，還是職場結構真的變了？

企業為什麼突然需要「說書人」？

1) 傳統媒體曝光變難：企業得自己成為媒體

過去企業要「上新聞」，主要仰賴媒體與記者，也就是所謂的 earned media（贏得媒體）。但這條路正在縮小：新聞產業人力下降、紙本發行量大幅萎縮，新聞網站流量也下滑。結果是——你不能再期待有人替你說故事，你得自己說。

而且不只說一次，是要長期、有策略地說。

2) 每個品牌都有自己的發聲管道

社群媒體、YouTube、Substack、Podcast……這些平台讓企業不必透過媒體「轉述」，就能直接對外溝通。當品牌擁有了自己的「發佈系統」，內容就不再是行銷活動的附屬品，而是核心資產。

說得更直白一點：會寫、會講、會把故事做成各種形式的人，價值變高了。

3) AI 內容爆炸：越「像人」越稀缺

生成式 AI 讓內容生產成本下降，也讓網路充滿看似完整、但缺乏真實感的「AI 量產文」。在這種環境下，企業反而更需要能創造「可信、具體、有人味」內容的人。

能把抽象的產品價值，轉譯成讀者看得懂、也願意相信的敘事——這就是企業對 storyteller 的期待。

數據證明趨勢：

• 職缺翻倍： 根據 LinkedIn 的數據，在過去一年中，職位名稱或描述中包含「說故事者」（storyteller）的招聘廣告數量翻了一倍。

• 高層重視： 根據 FactSet 的數據，今年在企業財報電話會議中，提到「說故事者」（storyteller）或「說故事」（storytelling）的次數達到 469 次，高於去年的 359 次。這顯示從董事會到 CEO 都意識到了敘事的重要性。

「說故事的人」具體在做什麼？

• 這個角色被視為新時代的「媒體公關經理」或企業內部的「搖滾明星」。

• 他們的工作是將生硬的數據轉化為有意義的敘事（Narrative），激發受眾的情感。

• 許多公司傾向聘請前記者擔任此職位，因為他們擁有挖掘故事、去除偏見以及以人性化視角溝通的本能。

實際案例：

• Google Cloud： 擁有專門的「說故事團隊」，負責挖掘客戶如何利用雲端技術進行創新的故事。

• Microsoft： 其安全部門正在招聘負責敘事和說故事的高級總監。

• Chime（金融科技公司）： 該公司發布了一個「說故事」的職位空缺，結果在一個月內收到了超過 500 份申請，其中大多數來自現任或前任記者。

這波趨勢會怎麼影響求職者與職場？

如果你在內容、行銷、公關、品牌領域工作，這股趨勢其實透露了幾個方向：

對內容工作者：能力模型正在升級

未來更吃香的可能不是「寫得順」，而是：

• 能不能把複雜議題（科技、資安、法遵、金融）講成一般人懂的故事？

• 能不能做出「有證據、有角色、有情境」的內容（案例、人物、轉折、結果）？

• 能不能跨不同載體輸出（文章、簡報、腳本、訪談、短影音）？

對企業：內容變成戰略資產

當 CEO 會主動說「我需要內容策略」，就代表內容不再只是行銷部門的 KPI，而是整個組織對外建立信任、建立敘事主導權的一部分。

在這個環境裡，企業真正需要的是：能把事實講得有溫度、把價值講得具體、把複雜講得清楚的人。

對企業而言，在搶的不是會寫字的人，而是能用敘事建立信任的人。

後記：

讀完這篇文章深有共鳴，這也正是為什麼我的部落格取名為「JT 用數據說故事」。

無論是分享新知或分析商業數據，我們常面臨最大的挑戰往往不是技術本身，而是溝通雙方的「認知落差」。當受眾來自不同領域、或是對議題理解程度不一時，單列數據是不夠的。我們必須學習運用「說故事」的思維，搭建理解的橋樑，才能將複雜的脈絡真正講清楚、說明白。

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

本期我們將進入一個至關重要的主題 —「系統性解決問題」。

為什麼需要系統性地解決問題？

你是否感受到數據在日常工作中的重要性呢？但很多時候，即使我們手邊有了數據，卻仍然不清楚問題到底出在哪裡 ⁶。

為了協助大家更有效地應對挑戰，接下來幾期我們將教大家如何更有系統性地解決問題。解決問題的流程將分為以下六個步驟：

1. 辨識問題 (Identifying the Problem)

2. 描述問題 (Describing the Problem)

3. 原因分析 (Analyzing the Root Causes)

4. 對策思考 (Considering Solutions)

5. 對策執行 (Implementing Solutions)

6. 建立標準化 (Establishing Standardization)

本期我們將聚焦在第一步：辨識問題。

如何「辨識問題」？

首先，我們要如何確定眼前的狀況是一個「需要被解決的問題」？如果你不確定，可以用以下三個條件來進行判斷：

1. 理想與實際狀況是否有差距？ (Gap between ideal and reality)

2. 問題發生原因是否清楚？ (Unclear the root causes)

3. 是否清楚產生下一步對策？ (Unclear the solutions)

如果後兩者的答案是「否」（不清楚原因、不清楚對策），那麼這很可能就是一個需要被解決的問題。

舉例說明：電商網站業績分析

讓我們以電商網站為例來說明這個判斷過程：

• 檢視差距 (Gap)： 假設這個月的業績目標 (Target) 是 500 萬，但實際業績 (Actual) 只有 100 萬。這裡存在著 400 萬的差距，這就是「業績沒達標」的現況。

• 原因不明： 我們發現了差距，但不清楚造成業績落後的主因是什麼。是市場需求下滑？市場競爭激烈？還是我們的銷售策略不當？這代表是不清楚外在或內在因素的影響。

• 對策不明： 因為原因不明，我們自然也不清楚該從何處著手來補救這 400 萬的業績缺口。

當我們意識到這種情況時，就需要進一步做原因分析，釐清背後因素，進而發想對策。

生活化的例子：開會時間

同樣的邏輯也可以套用在工作效率上。例如「開會花太多時間」：

• 理想 (Target)： 預計 2 小時結束。

• 實際 (Actual)： 實際花了 4 小時。

• 差距 (Gap)： 多花了 2 小時。

如果我們不知道為什麼會超時，也不知道如何改善，這就是一個需要被辨識並解決的問題。

數據指標在辨識問題中的角色

在上一期中，我們曾提到「落後指標」與「領先指標」的概念。

• 落後指標 (Lagging Indicators)： 如銷售業績、利潤、顧客滿意度，這些通常是我們關注的 KPI，代表最終的「結果」。

• 領先指標 (Leading Indicators)： 用來提前預測變化的指標，例如流量下滑或轉換率下降可能是業績衰退的早期徵狀。

以電商案例中，我們追蹤業績（落後指標）來發現「差距」，當察覺業績下滑時，我們會觀察流量或轉換率（領先指標）來找出影響結果的因素，並制定提升策略。

▍結語

數據不僅僅是報表上的數字，更是我們對焦「理想」與「現況」的重要準繩 。在尚未釐清問題全貌之前，急著尋找解決方案往往會事倍功半。

本期我們分享了「辨識問題」的重要性，希望大家在面對業績未達標或是工作效率不彰時，能先停下來思考：這中間的差距 (Gap) 究竟有多大？我們是否真的清楚背後的原因？

解決問題是一趟系統性的旅程，這只是六大步驟中的第一步 。未來專欄會手把手帶領大家從發現問題走到建立標準化流程 。

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

在上一期的專欄中，我們拆解了報表上的數據脈絡。相信大家在看報表時，心中可能還是存有一些疑惑：「為什麼有些數字是『結果』，有些數字卻像是『預兆』？」這就牽涉到我們今天要聊的關鍵概念——領先指標 (Leading Indicators) 與 落後指標 (Lagging Indicators)。

什麼是「落後指標」？ — 看見過去的成績單

簡單來說，落後指標基本上就是「結果」。它衡量的是過去這段時間表現的好壞。我們平時最常掛在嘴邊的 KPI，絕大多數都屬於落後指標。例如：

• 銷售業績 (Sales)

• 顧客滿意度 (Customer Satisfaction)

• 公司利潤 (Profit)

這些指標非常重要，因為它們告訴我們「發生了什麼事」。但它們的缺點在於，當你看到數字時，事情已經發生了，你無法改變過去，只能看著結果嘆氣（或慶祝）。

什麼是「領先指標」？— 預測未來的水晶球

相較於只能回頭看的落後指標，領先指標則是用來衡量「事件發生前」的變化，具有預測性質。

透過觀察領先指標的波動，我們可以在結果（業績下滑、客訴爆增）發生之前，就先嗅出端倪並採取行動。

舉例來說，當我們發現流量開始下滑，或是轉換率降低時，這就是業績即將衰退的早期徵狀。這些數據就是業績的「領先指標」。

生活與工作中的實例對照

為了讓大家更清楚這兩者的關係，我們整理了幾個常見的對照組：

試想一下，如果你想減肥，光是每天量體重（落後指標）是不會瘦的；你必須控制熱量攝取與增加運動（領先指標），體重這個「結果」才會改變。

如何在工作中運用？以電商網站為例

在電商網站的日常營運中，我們會定期追蹤每日、每月的業績表現，這些都是落後指標。

但如果我們只看業績，當發現紅字時往往為時已晚。

因此，正確的數據思維應該是：

1. 監測結果： 當我們察覺到業績（落後指標）有下滑趨勢時。

2. 尋找原因： 往前追溯，觀察是哪一個領先指標（是流量變少？還是轉換率變差？）出了問題。

3. 制定策略： 針對該領先指標制定行動方案。例如，如果是流量低，我們就投放廣告；如果是轉換率低，我們就優化網頁動線。

透過同時掌握這兩種指標，我們就不再是被動地接受業績結果，而是能主動出擊，改變未來！

▍結語

現在你已經掌握如何觀察領先與落後指標，明天開始嘗試將你手上拿到的業績報表看看哪些指標發生變化，進而去思考可能的原因是什麼，慢慢的抽絲剝繭推敲出真正問題的原因，進行優化改善唷！

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

大家在工作彙報時，是否遇過這樣的場景： 當你拿著一張業績下滑的報表走向老闆，老闆皺著眉頭問：「為什麼這個月掉了 10%？」 身為數據新手的你，只能看著單一維度的數字，支支吾吾地說：「呃...可能就是買的人變少了...」

顯然，老闆對這樣的回答絕對不會滿意 。因為「買的人變少」只是現象，而不是原因。

在本期專欄中，要與大家分享一個數據分析的關鍵思維：「多維度分析」。只要掌握這個架構，下次面對紅字報表時，你就能更有邏輯地拆解問題，找出真正的病灶。

告別單一視角：為什麼你需要多維度思考？

上一期我們聊到了釐清數據脈絡的重要性 。而這一次，我們要進一步探討如何「診斷」問題。

當我們只看單一維度（例如：總業績）時，很容易陷入瞎子摸象的困境。要找出業績波動的真相，我們必須將問題拆解，從「外部因素」與「內部因素」這兩大視角切入，全面掃描可能的影響變數 。

視角一：外部因素（External Factors）

這些通常是我們無法直接控制，但必須敏銳觀察並做出反應的環境變數。當業績波動時，先看看外面的世界發生了什麼事：

1. 市場環境 (Market Environment)： 整體經濟狀況如何？是否有政策改變或社會事件影響了消費意願？

2. 競爭對手 (Competitors)： 競業是否推出了強力的促銷活動？或是發布了具破壞性的新產品，搶走了我們的流量？

3. 季節性 (Seasonality)： 現在是淡季還是旺季？是否有連續假期或天氣因素（如颱風、寒流）影響了實體店面或線上購物的行為？

4. 用戶行為 (User Behavior)： 消費者的喜好是否改變了？現在流行的趨勢是什麼？大眾是否轉向了其他的社群平台或購物渠道？

視角二：內部因素（Internal Factors）

這是我們能夠掌控、且通常是問題核心所在的區域。檢視內部操作是否到位：

1. 行銷力度 (Marketing efforts)： 本月的廣告投放預算是否減少了？曝光渠道是否調整？素材的點擊率（CTR）是否如預期？

2. 商品庫存 (Inventory)： 熱銷商品是否缺貨（Out of Stock）？庫存周轉是否健康？有沒有發生「想買卻沒貨」的狀況導致轉化率下降？

3. 活動機制 (Promotion mechanisms)： 促銷門檻是否太高？折扣機制是否太複雜讓消費者卻步？或是優惠券領取流程出了 bug？

4. 預算資源 (Budget resources)： 我們的資源分配是否合理？是否在關鍵時刻沒有足夠的預算支撐營運目標？

建立你的數據檢查清單

下次當你遇到「數據異常」的問題時，試著不要急著給出直覺式的答案。請先冷靜下來，運用上述的多維度分析法，畫出你的檢查樹狀圖。

例如：

「雖然競爭對手正在降價（外部），但我們的轉換率下降主要是因為熱銷款缺貨（內部 - 商品庫存），加上這次滿額贈門檻設太高（內部 - 活動機制）。」

當你能這樣層層剖析，不僅能安撫焦慮的老闆，更能幫助團隊快速找到解決方案。

▍結語

現在，請試著運用今天學到的「多維度分析」，來思考你目前手邊遇到的業務難題。這不僅是分析技巧，更是一種解決問題的邏輯訓練。也歡迎你將這個分析過程與你的同事分享，一起激盪出不同的看法！

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

如果你近期有面試經驗，一定對這個問題不陌生，人資或獵頭總會問道：「你為什麼會選擇離開上一份工作？」

或許你也曾聽過、或在網路上看過這樣的評論：「工作不要換得太頻繁，這會讓面試官覺得你穩定度不夠。」

關於這點，我認為應從不同的面向來思考。我始終相信「同一份工作不會做一輩子」，但同時，我也見過在同一間公司深耕 30 年的資深同事。其實，無論你想在崗位上持續深耕，還是工作幾年後想出去闖闖，都可以透過以下情境進行「自我覺察」。

情境一：如果你認同公司文化，卻不喜歡現有的工作內容

試著寫下導致你排斥的具體原因：

1. 工作性質： 是否因為內容過於單調乏味？

2. 成就感： 是否在工作中找不到個人價值？

3. 資源支援： 是否因為缺乏團隊支援，讓你感到孤立無援？

情境二：如果你對公司與工作感覺平平，卻萌生轉職念頭

試著釐清是什麼原因讓你感到「職業倦怠」：

1. 薪資成長： 是否調薪幅度趕不上你的預期？

2. 職涯發展： 是否公司內部缺乏明確的升遷管道？

3. 專業成長： 是否感覺專業技能已停滯不前，不再有提升空間？

以上的自我省思，是我過去在覺察自己失去工作熱情時，用來逐一拆解問題的方法。

這與我們平時解決問題的框架邏輯是一樣的——不斷問自己「為什麼」。

你是否也曾有過這樣的念頭？當聽到同事要離職，或收到對方的告別信時，心裡不由自主地想著：「什麼時候才輪到我呢？」

我想告訴你，不需要過度在意同事的去向。如果對方往更好的地方發展，我們誠心祝福；而我們真正該做的，是停下來思考：「What’s Your Next Step?」

規劃你的下一步

• 以終為始： 先設定 3 到 5 年後的長遠目標，再回頭檢視現在的自己還缺什麼、需要補強什麼。如此一來，你就能更清楚當下應該專注的事情。

• 分段達成： 如果覺得長遠目標太遙遠，可以先從「下個月」或「三個月後」想達成的小目標開始。

• 尋求協助： 「轉職」是一項綜合評估的過程，建議多找職場前輩或目標公司的前輩聊聊，請他們提供職涯建議。你也可以運用 104 Giver 等資源，相信他們都很樂意分享經驗。

▍結語

職涯這條路，從來就沒有所謂的「標準答案」。換工作並不可怕，可怕的是在忙碌中失去了對自我的感知。

無論你現在選擇留下深耕，還是決定勇敢跨出舒適圈，只要這份決定是經過你深度思考後的「下一步」，那就是最好的安排。願我們都能在一次次的自我覺察中，活得更像自己理想中的模樣。

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

在上一期中，我們探討了數據化營運的四種情境，讓大家理解數據在決策中的重要性。然而，在實際工作中，我們常發現大家雖然有了數據，卻容易陷入解讀的誤區。因此，從本期開始，我們將一系列探討日常工作中常見的「數據誤區」，第一站我們要談的是：建立數據思維之「釐清數據脈絡。

似曾相識的「鬼打牆」對話

請想像一下這個場景，或是看看以下這段對話，是否覺得似曾相識？

老闆 (🦁)： 「為什麼這個月電商業績比去年同期下滑？」

數據菜雞 (🐔)： 「呃... 可能是官網沒什麼流量吧？」

老闆 (🦁)： 「但我看了一下數據，流量跟去年差不多啊！不是有做活動嗎？那還有什麼原因？」

數據菜雞 (🐔)： 「恩…… 我再回去思考一下，再向您報告... (汗)」

這段對話的問題出在哪裡？

當業績下滑時，原因通常錯綜複雜。這位「數據菜雞」犯的最大錯誤，就是缺乏數據脈絡的架構，僅憑直覺直接鎖定單一因素（流量）進行猜測。結果當數據顯示流量正常時，他就瞬間卡關，無法解釋問題的全貌。

什麼是「數據脈絡」？

要跳脫這種憑感覺猜測的困境，我們需要建立「數據脈絡」。簡單來說，就是將單點的指標，串聯成有邏輯的因果關係鏈。

在上述案例中，除了流量之外，影響業績的因素其實非常多，包含：

• 訂單數

• 轉換率

• 客單價

• 購買商品數

• 商品均價

這些指標並非獨立存在，而是像一棵樹一樣環環相扣，這就是所謂的邏輯樹。

試著拆解你的「業績公式」

我們可以先試著用邏輯將上述指標重組。試著思考看看，你會如何拆解這個公式？

一個基本的電商營收邏輯通常是這樣的：

如果我們再往下細分，脈絡會變得更清晰：

1. 業績下滑，是沒人買？還是買得少？

   • 檢查 訂單數 vs. 客單價

2. 如果是訂單數變少，是沒人來？還是來了不買？

   • 檢查 流量 vs. 轉換率

3. 如果是客單價變低，是買得比較便宜？還是買的件數變少？

   • 檢查 商品均價 vs. 購買商品數

▍結語：先見林，再見樹

下次當老闆問起「為什麼業績不好？」時，千萬別再急著丟出「因為沒流量」這種直覺式的答案。

試著在腦中（或是紙上）畫出這張數據脈絡圖，一層一層檢查哪個環節出了問題。當你能釐清數據脈絡，你就不再是憑運氣猜答案的數據菜雞，而是能邏輯分析問題的數據達人！

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

上週參加 104 職涯學院舉辦的 AI 工具實戰工作坊，尹相志老師從原理到工具實戰應用在短短時間跟大家分享，以下是透過 AI 結合課程講義與筆記的完整重點整理，有興趣的朋友可以參考。

一、 AI 的本質與核心原理

• AI 沒有智能與意識：目前的生成式 AI（Generative AI）並不像人類一樣擁有大腦或意識，它本質上是「背下了全世界的公開資料」。

• 運作機制（文字接龍）：

  • AI 的運作是基於「預測下一個 Token（字詞單位）」。它透過機率來判斷接下來最可能出現的內容。

  • 由於引入了「隨機性」來模擬人類的創造力，導致 AI 每次回答的結果都不盡相同。這也是為何它不擅長處理有「唯一標準答案」的問題（如數學計算，例如早期 AI 曾認為 9.11 比 9.8 大）。

• 抓大放小：AI 為了將海量資料塞入神經網絡，會進行壓縮，「記住大概念，但會遺忘細節」。這就是為什麼 AI 會有「幻覺」（胡說八道）的原因——它會用過去學過的模式來填補忘記的細節。

• 工具定位：AI 擅長處理開放式問題（作文、繪圖、發想），但不適合是非題或選擇題。它是一個需要被管理的「實習生」或「書僮」，而非全知全能的神。

二、 高階 Prompt Engineering (提示詞) 技巧

好的「下文（答案）」取決於優質的「上文（提問與背景）」。

• 概念對齊 (Concept Alignment)：

  • 避免 AI 瞎掰的關鍵在於提供充足的背景知識。如果 AI 不懂某個專有名詞（如特定產品名或時事，如「白飯之亂」），它會猜測。因此，必須先將正確的背景資訊（可透過聯網搜尋取得）餵給 AI，放在「上文」中。

  • 技巧：在進行創作前，先請 AI 上網搜尋相關的最新資訊、特色或同業案例，確保雙方認知一致。

• 角色扮演 (Role Playing)：

  • 原理：指定角色（如「資深行銷總監」或「央行總裁」）能限制 AI 的搜尋範圍，使其調用該領域的專業術語與思維模式。

  • 應用：寫履歷時請 AI 扮演「面試官」；切換不同視角（如從「不關心政治的高中生」切換到「央行總裁」）會得到截然不同的回答。

• Meta-Prompting (後設提示)：

  • 如果不知道怎麼下指令，可以使用：「你是人類，我是 ChatGPT，你希望我幫你完成 [任務]，請問你會如何下 Prompt 命令我？」來讓 AI 生成最佳指令。

• 思維鏈 (Chain of Thought)：

  • 關鍵句：「Let’s think step by step」（讓我們一步一步來想）。

  • 作用：這句話強迫 AI 延長思考時間（生成更多 Token），從而提高邏輯推論的正確率。這對複雜任務特別有效。

• CO-STAR 框架：

  • 高品質的 Prompt 結構範本，包含：Context (情境/背景)、Objective (目標)、Style (風格)、Tone (語氣)、Audience (受眾)、Response (回應格式)。

  • 在求職準備中，可以利用 CO-STAR 框架可以將 AI 變成一位嚴格的模擬面試官，幫助你優化回答邏輯。以下是針對「模擬面試」的完整指令範例：

    # Context (情境)
    我是一位擁有 5 年經驗的[填寫你的職位]，正在準備應徵[填寫目標公司]的[填寫目標職位]。請參考我接下來貼上的履歷與職缺內容。
    
    # Objective (目標)
    請擔任該公司的招聘經理，與我進行一場模擬面試。
    
    # Style (風格)
    請採用頂尖科技公司的面試標準，重點檢查我的回答是否符合 STAR 原則 (Situation, Task, Action, Result)。
    
    # Tone (語氣)
    專業、嚴格且犀利，請直接指出我的缺點，不需要過度鼓勵。
    
    # Audience (受眾)
    面試者（我）。
    
    # Response (回應格式)
    重要規則：請「一次只問一個問題」，這點非常重要。
    1. 提出一個問題。
    2. 等待我輸入回答。
    3. 針對我的回答給予評分 (1-10 分) 與具體修改建議。
    4. 詢問我是否準備好進入下一題。

• 實用工具：講師開發的 Chrome 擴充功能 「Prompt4All」，內建多種 Prompt 範本（如閱讀論文、寫作等）。

三、 實戰場景應用

1. 高效閱讀論文與文件

• 不要要求下「摘要 (Summary)」指令：摘要會導致 AI 過度簡化並丟失細節。

• 正確指令：要求 AI 整理「筆記 (Notes)」或「重點整理」，並列出詳細結構。

• 處理圖表：將 PDF 中的圖表截圖，貼給 AI 請求解釋圖表含義與細節。

• 進階閱讀的三種視角：

  • 批判性審查：扮演審稿人，列出優點與方法論缺陷。

  • 實務應用評估：列出實施步驟、所需資源（數據/算力）與技術挑戰。

  • 延伸研究方向：基於結論提出未來研究價值。

2. 零幻覺翻譯

• Andrew Ng 的反思工作流 (Agentic Workflow)：不要只做一次翻譯，建立一個多階段流程：

  • 角色 A (Translator)：負責初步翻譯。

  • 角色 B (Critic)：負責「反思」與「挑錯」，針對流暢度與語氣提出建議（只給建議不改文）。

  • 角色 C (Editor)：根據 B 的建議進行「修訂」。

• 事實查核：可用「反向翻譯」或開新視窗請 AI 檢查剛剛翻譯的內容（例如檢查古詩翻譯是否準確），避免 AI 自我護航。

3. 知識管理與自動化

• NotebookLM (封閉式查詢)：

  • Google 的 NotebookLM 允許上傳特定 PDF 或資料。AI 只會根據「你提供的資料」回答問題，能有效減少幻覺，適合研讀特定教材。

  • 功能：生成常見問答、心智圖，甚至生成 Podcast 風格的「語音導讀」。

• 主動式情報收集 (ChatGPT Tasks)：

  • 利用 ChatGPT 的 Tasks 功能可以自訂排程，設定觸發條件（如每天早上 9 點），請 AI 自動搜尋特定領域（如 arXiv）的最新論文並整理成週報，實現「主動推送」而非被動查詢。

4. 製作簡報

• 分工邏輯：AI 負責內容結構，專門工具負責視覺設計。

• 標準流程：

  1. 匯入 (Import)：用 NotebookLM 或 AI 整理雜亂筆記。

  2. 生成 (Generate)：請 AI 產出「簡報大綱」。

  3. 設計 (Design)：將大綱複製到 PPT、Canva 或 Gamma 套用模板。

5. 寫程式與架站 (Vibe Coding)

• Vibe Coding：現在不需要懂程式碼，只需用自然語言描述需求。重點在於產品的「感覺 (Vibe)」與「功能」。

• 工具：使用 Google AI Studio 的 “Build” 功能。

• 除錯方法：像主管一樣給予回饋。如果顏色不對，直接說「修改對比度」、「不要用黑白照片」，AI 會自行修正程式碼。

• 維護密技：可以把 Google Drive 當作輕量級後台。在 Drive 建立公開資料夾上傳圖片，網站直接嵌入 Drive 圖片連結。這樣無需重新部署網站即可更新內容。

四、 未來職場心態：主管思維

• 人人都是主管：未來的工作模式是「你管 AI，AI 做事」。你需要具備的是「主管思維」，懂得如何分派任務、驗收成果、並精準地傳達指令。

• 容錯與制度：AI 一定會犯錯。企業導入 AI 時，不應期待它完美，而是要設計一套「檢查與修正」的流程（如 Agentic Workflow）來控管品質。

• 持續對話：把 AI 當作團隊夥伴，持續與它磨合，培養默契，才能發揮最大戰力。

▍結語：從「執行者」轉型為「AI 團隊管理者」

這次課程的核心觀念在於打破對 AI 的迷思：AI 並非擁有真實智能的魔法，而是一個「背下了全世界資料」但需要被引導的工具。它就像是一個知識淵博但容易健忘、需要明確指令的「超級實習生」或「書僮」。

因此，在 AI 時代，我們在職場上的角色將發生根本性的轉變，必須培養「主管思維」。這意味著我們不再只是埋頭苦幹的執行者，而是要成為 AI 團隊的管理者，具備以下三項關鍵能力：

1. 精準溝通的能力：用「人話」與 AI 溝通，透過優質的 Prompt（如提供背景、角色扮演）來引導它產出正確的結果。

2. 容錯與校正的機制：認知到 AI 必然會犯錯，因此必須建立「工作流」與查核機制，用制度來管理錯誤。

3. 善用工具的槓桿：利用 AI 快速跨越「從零到一」的門檻。在未來，初階工作將被 AI 取代，唯有善用 AI 的人能直接躍升為中高階的專業工作者。

最終，AI 不會取代人類，但會用 AI 的人將取代不會用的人。課後最重要的行動，就是開始把 AI 視為你的團隊夥伴，持續與它對話、磨合默契，讓這個強大的數位團隊為你的職涯加分。

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

在數位轉型的浪潮下，你是否常聽到「數據驅動」這個詞？無論是在工作上，還是在我們個人的日常生活中，「數據」早已無所不在 。

這一次的 Data 101 第 2 期專欄，我們要探討的主題是 「數據化營運的重要性」 (The Importance of Data Operations) 。為什麼我們需要它？簡單來說，過去我們習慣依賴「經驗」和「直覺」來做決定，但這往往過於主觀；當問題發生時，若缺乏客觀的事實數據支撐，我們很難有效率地找到病灶並解決問題 。

數據化營運並不僅僅是看著報表發呆，它是一套從「看見問題」到「解決問題」的完整思考邏輯。我們可以將其拆解為四個核心情境步驟：解讀現況、釐清脈絡、產生洞察、驅動決策 。

讓我們透過「工作」與「生活」兩個實際案例，來演練這套邏輯。

步驟一：解讀現況 (Interpret the Data)

一切始於對現狀的客觀觀察。這個階段的目標是發現「發生了什麼事？」，並透過數據量化問題。

• 工作場景： 業務部門在監測數據時發現，與去年同期相比，線上網站 的業績呈現衰退 。

• 生活場景： 你去健身房測量 InBody，看著報告驚覺：體脂率和體重的數字都增加了 。

這就是「解讀現況」，看見冰冷的數字背後所代表的警訊。

步驟二：釐清脈絡 (Clarify the Context)

發現問題後，不能急著下定論，而是要像偵探一樣抽絲剝繭，找出問題的構成要素。

• 工作場景： 業績掉下來，是因為進站的流量 (Visits) 變少了？還是雖然人來了，但下單的訂單數 (Orders) 下降了

• 生活場景： 變胖的原因是什麼？是因為最近飲食攝取太高熱量？還是因為缺乏運動導致消耗太少？

在這個階段，我們將大問題拆解成小變數，釐清因果關係的脈絡。

步驟三：產生洞察 (Generate Insights)

釐清脈絡後，我們需要結合外部環境或過往經驗，找出真正的「為什麼」，這就是洞察。

• 工作場景： 進一步分析發現，這是否跟去年同期舉辦的大型促銷活動有關？或者，雖然流量沒變，但進站的流量品質下降了，導致轉換率變差？

• 生活場景： 回想最近的生活型態，發現並非運動量不足，而是最近聚餐太多，飲食習慣改變導致熱量失控。

「洞察」是連結數據與行動的橋樑，它幫助我們確認問題的根源。

步驟四：驅動決策 (Drive Decisions)

數據化營運的最終目的，是為了採取行動。沒有行動的數據，只是一堆數字。

• 工作場景： 既然發現是流量品質問題，下一步就是與行銷部門討論流量來源的優化策略，並規劃新的活動案型來提升業績 。

• 生活場景： 既然知道是飲食問題，決策就是開始調整飲食習慣，並維持每週三次的運動頻率來拉回體態 。

▍結語

從公司的營收成長、行銷部門關注流量轉換 ，到我們管理自己的健康，數據化營運的邏輯是通用的。

透過 解讀現況 ➔ 釐清脈絡 ➔ 產生洞察 ➔ 驅動決策 這四個步驟，我們不再被主觀感覺綁架，而是能運用客觀數據，做出更精準、更有效率的決策。今年，讓我們一起更專注於「Data」，在工作與生活中挖掘出更多有價值的洞察吧！

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

與傳統的生成式 AI 不同，AI Agent 不僅僅是回答問題；它能夠理解目標、制定計劃，並在人類的廣泛指導與監督下，跨應用程式採取行動來實現目標 。正如 Google Cloud 報告中所述：「人類成就的天花板已經被掀開了」。

根據 Google Cloud 發布的《AI Agent Trends 2026》報告，整理了將在 2026 年重新定義角色、工作流程和商業價值的五大關鍵趨勢，無論你是數據科學家、企業管理者還是技術愛好者，都不能忽視這場正在發生的變革。

什麼是 Agentic AI？

在進入趨勢之前，我們必須先定義什麼是「代理人（Agent）」。與傳統的聊天機器人不同，Agent 不僅僅是回答問題，它們能夠「理解目標、制定計劃，並在廣泛的人類指導與監督下，跨應用程式採取行動來實現目標。」

這意味著，AI 不再只是一個被動的工具，而是成為了能夠主動執行任務的合作夥伴。

趨勢一：每位員工都將擁有自己的 AI 代理人

2026 年最顯著的商業轉變不僅在於效率的提升，更是一場以員工為中心的根本性轉型 。我們正在經歷人機介面的行為轉變：從過去的「指令式運算」（Instruction-based，例如分析試算表、編寫程式碼）轉向「意圖式運算」（Intent-based）。

最顯著的改變在於員工角色的轉型。報告指出，未來的員工將不再需要親自處理每一個繁瑣的步驟，而是成為「AI 代理團隊」的管理者 (Orchestrator)。

想像一下，一位行銷經理不再需要自己拉報表、寫文案、修圖。在 2026 年，他將指揮五個專門的 Agent：

• 數據 Agent：負責從數百萬個數據點中挖掘市場趨勢。

• 內容 Agent：根據策略撰寫符合品牌語氣的貼文。

• 分析 Agent：24 小時監控競爭對手並產出日報。

• 創意 Agent：生成對應的圖片與影音素材。

• 報告 Agent：自動串接分析平台，每週五提交洞察報告。

在這個模式下，員工的核心價值將轉向「設定策略」、「定義目標」以及「品質把關」。

趨勢二：打造「數位流水線」的自動化工作流

對於技術人員來說，這或許是最令人興奮的部分。未來的企業運作將依賴「Agentic System」— 這是一種由人類引導、多個 Agent 協作的數位流水線。

要實現這一點，報告特別提到了兩個關鍵技術協議，這也是開發者需要關注的重點：

• Agent2Agent (A2A) 協議：這是一個開放標準，讓不同開發者、不同框架甚至不同組織的 AI Agents 能夠互相溝通與協作。

• Model Context Protocol (MCP)：這是解決 LLM 無法存取即時數據痛點的關鍵。MCP 建立了一個標準化的雙向連接，讓 AI 模型能安全地連接到企業內部的資料庫 (如 BigQuery, Cloud SQL) 與工具。

透過這些技術，企業可以將採購、資安運維、客戶支援等複雜流程，轉化為端到端的自動化系統。

趨勢三：從「聊天機器人」進化為「全能管家」

我們都經歷過那種只會跳針、讓人想大喊「轉接專人」的笨拙 Chatbot。2026 年，這種情況將被「Agentic Concierge (代理人管家)」取代。

新一代的客服 Agent 不再只是回答問題，它們具有「行動力」。例如，當物流延遲時，Agent 不會只告訴你「包裹延遲」，它會主動：

1. 查詢後台確認車輛故障。

2. 重新安排隔天的運送時段。

3. 自動在帳戶中存入補償金。

4. 主動發送簡訊通知客戶並確認新時間。

這種體驗的關鍵在於「Grounding (接地)」— 讓 AI 深刻理解企業內部的客戶數據、購買歷史與物流狀態，從而提供真正個人化的服務。

Danfoss 的案例顯示，使用 AI Agent 後，其平均客戶回應時間從 42 小時縮短至近乎即時，並自動化了 80% 的交易決策 。

趨勢四：資安防禦從「告警」轉向「行動」

在資安領域，「告警疲勞 (Alert Fatigue)」一直是分析師的噩夢。駭客只需要成功一次，防禦者卻必須次次都對。

AI Agents 將扮演「半自動化 SOC (資安維運中心)」的角色。它們不僅能偵測威脅，還能主動進行威脅獵捕 (Threat Hunting)、惡意軟體分析，甚至在人類批准後自動進行修補。

這讓資安人員能從繁雜的 Log 分析中解放出來，專注於更長期的防禦架構設計。

AI Agent 將在資安領域扮演關鍵角色：

• 自動化調查： Agent 不再只是發出警報，而是能像人類分析師一樣進行威脅獵捕（Threat Hunting）、惡意軟體分析，並根據新資訊調整行動 。

• 人類角色的升級： 資安分析師將從「警報觀察員」升級為「防禦架構師」，專注於長期的防禦策略，並利用直覺指揮 AI Agent 進行深度的威脅偵測 。

趨勢五：人才技能將是最終的決勝點

報告最後提出了一個發人深省的觀點：技術雖然重要，但「人」才是關鍵。隨著 AI 的演進，技能的「半衰期」正在縮短，從現在僅為 4 年，在科技領域縮短至 2 年 。

企業若想在 2026 年勝出，不能只買工具，必須投資於員工的「AI 技能升級 (Upskilling)」。未來的職場將出現巨大的人才缺口，我們需要的是能夠管理 AI、具備批判性思維與倫理判斷力的「Agent Orchestrator」。

Google Cloud 全球客戶培訓總監 Andrew Milo 指出：「2026 年將是每位員工都能從『猜測』轉變為『知道』的一年，但前提是他們的組織投資於技能培訓使其成為可能」 。

隨著 AI Agent 的普及，市場將出現目前尚未存在的職位，例如「AI Agent 指揮官」或「AI 幕僚長」。為了縮小技能差距，Google Cloud 提出了建立 AI 學習型組織的五大支柱：

企業 AI 學習的五大支柱

為了應對這一挑戰，報告提出了建立 AI 就緒勞動力的五大支柱 ：

1. 建立明確目標： 設定可衡量的目標，例如「組織內 100% 的 AI 工具採用率」。

2. 確保高層支持： 建立由執行發起人（Executive sponsor）、基層推動者（Groundswell lead）和 AI 加速者（AI accelerator）組成的核心團隊，確保圍繞 AI 議題上持續溝通。

3. 維持創新動能： 打造「數位中心」，遊戲化創意交流，並定期獎勵創新者 。

4. 將 AI 融入日常工作： 舉辦內部駭客松鼓勵團隊在協作環境中練習使用新工具 。

5. 應對潛在風險： 確保員工了解數據使用規範，並能識別利用 AI 進行的社交工程攻擊 。

▍結語：現在就是準備的時刻

Google Cloud 這份報告傳遞了一個明確的訊息：AI Agent 時代的機會看似是技術性的，但本質上是「人性」的。它的目的不是取代人類，而是解除我們身上那些重複、低價值的枷鎖，讓我們能專注於更具創造力與策略性的工作。

作為數據工作者，我們正站在這個轉折點上。你是準備好被浪潮推著走，還是現在就開始學習如何指揮你的第一位 AI 代理人？

參考資料：Google Cloud, “AI Agent Trends 2026”

你是否也曾在 LinkedIn 上看到許多網友分享專業知識，成為社群中的意見領袖？或是滑著 Threads 和 Instagram，看到各種經營有成的個人品牌帳號？ 看著這些內容，我回顧自己斷斷續續經營自媒體的歷程，不禁思考：「為什麼我們需要建立個人品牌？」

我們並非為了成為網紅或明星，也不一定喜歡在鏡頭前露臉。我們真正想要的，無非是透過品牌建立人脈，甚至獲得更好的工作機會。

最近打開了購買許久的「商業思維學院」課程，聽完 Gipi 院長講授的《打造職場個人品牌》，讓我意識到：是時候將自己的專業擴散出去，發揮真正的影響力了。

課程中提到，建立個人品牌主要有四大驅動力：

1. 獲得機會

2. 增加影響力

3. 建立人脈

4. 品牌變現

所謂個人品牌，核心在於「別人如何認識你、了解你」。這不是自己說了算，而是取決於他人的認知。舉個簡單的例子：如果某個單位急需一位「AI 應用講師」，他們的第一直覺會不會想到你？而你目前展現出的專業度，是否足以讓人信服？

個人品牌建立四步驟

想從零開始打造品牌，可以依循以下四個階段：

1. 定位（Positioning）： 首先，你想成為什麼樣的人？希望別人在你身上貼什麼標籤？例如：「專案管理專家」或「數據分析大師」。清晰的定位是品牌的第一步。

2. 實踐（Practice）： 定位之後，必須言行一致。如果你自詡為數據分析師，卻在日常工作中無法展現相應的專業，那麼這個品牌將缺乏說服力。

3. 成果（Performance）： 實踐必須產出具體的「戰功」。沒有成果支撐的品牌，容易淪為空談與吹牛。唯有實績，這樣個人品牌才會有底氣。

4. 擴散（Promotion）： 有了成果，更要懂得將其放大。想讓企業人資或潛在合作夥伴看到你，你需要透過寫文章、經營LinkedIn、受邀演講或參與社群活動，將你的價值主動傳遞出去。

職場個人品牌注意事項

• 向上管理，滿足期待： 在做任何個人品牌經營前，務必先滿足主管的期待（包含實質績效、心理需求與聲譽需求）。搞定向上管理，主管才更可能支持你，甚至給予資源或公開表揚。

• 不必討好所有人： 不管做得再好，總會有人不喜歡你。關鍵在於，你只需要重視「那些你重視的人」如何看你即可。

• 表裡如一，先有後廣： 切忌在工作上表現平平，卻在外面過度吹捧。建議先在工作中取得扎實的成果，再進行擴散，這樣的品牌才走得長久。

現在就讓我們開始打造自己的個人職場品牌！

嗨！歡迎來到《JT用數據說故事》Data 101 專欄

在過去幾年工作經驗，因為工作需求需要在公司內部分享一些數據相關的知識給內部同仁，藉此提升組織內部的數據素養，也開啟每個月整理一些簡單的數據知識觀念在內部分享。

在不涉及公司內部的資訊，我整理過去的內容同步發表在個人部落格中，希望給想要踏入資料領域的你增加一些不同的知識觀點。

若喜歡這樣的內容，歡迎在下方訂閱我的部落格！

什麼是大數據？

大數據其實就存在於我們的日常生活中。舉凡網頁瀏覽紀錄、線上的購物消費紀錄、Facebook 上的留言按讚，甚至是 YouTube 的影片觀看次數，這些都是數據的足跡。當這些資料的累積量龐大到傳統的資料庫系統無法在合理時間內進行儲存、運算及處理時，它就跨入了「大數據」的範疇。

在企業內部有從第一方到第三方的數據來源，當這些不同來源、巨型的數據集組合在一起時，我們就稱之為「大數據」或「巨量資料」。

大數據的四大特徵：4V

要判斷資料是否為大數據，我們通常會用 4V 來進行檢視：Volume (大量)、Velocity (快速)、Variety (多樣) 以及 Veracity (真實)。

1. Volume（資料量大）

這是最直觀的特徵。大數據的規模通常不是以 GB 計算，而是達到 TB (Terabytes)、PB (Petabytes) 甚至 EB (Exabytes) 的等級。想像一下全台灣每天產生的交易紀錄或全球的搜尋紀錄，那個量級就是 Volume 的體現。

2. Velocity（資料即時性）

在這個數位時代，使用者每一秒都在產生大量數據。大數據強調的是快速處理資料的效率，必須要在資料生成的當下或極短時間內完成捕捉與分析，才能掌握稍縱即逝的商機。

3. Variety（資料多樣性）

數據不再只是乖乖躺在 Excel 表格裡的數字。大數據包含了結構化與非結構化的資料，透過分析這兩者的關聯性，我們能找出更深層的洞察。

• 結構化資料 (Structured Data)：指的是有固定欄位、格式和順序的資料。例如電商銷售資料庫，裡面有清楚定義的「購買日期」、「購買品項」、「購買金額」等欄位。

• 非結構化資料 (Unstructured Data)：這類資料沒有固定格式，卻佔了資訊的大宗。例如：社群媒體上的貼文、電子郵件內容、網頁資訊、影像、音樂圖片等。

4. Veracity（資料真實性）

數據量大雖然好，但如果都是錯誤的資訊就沒有意義了。Veracity 指的是資料的可信度與品質。在分析過程中，我們必須過濾掉異常的部分，防止這些「髒資料 (Dirty Data)」影響數據品質，進而導致錯誤的商業決策。

▍結語

大數據不僅僅是「很多資料」，它更是一套關於如何快速處理多樣化資訊、並從中提煉出真實價值的技術與思維。掌握這 4V 概念，能幫助我們更好地理解公司目前的數據策略與儀錶板背後的邏輯。

希望這期的內容能幫助大家對數位數據有更清晰的認識，讓我們一起享受探索數據的樂趣吧！

這篇文章我幫大家整理了三個核心維度：技術轉折點、產品架構邏輯，以及商業思考。

1. 技術轉折：被 GPT-3 「降維打擊」後的覺醒

Pak 的經歷其實跟我們做 Data Science 的人很有共鳴。

他最早做 NLP 創業（Magi）的時候，走的是傳統「垂直整合」的路子：自己爬資料、自己建索引、自己訓練特定的端到端模型。那時候大家拚的是誰的模型在特定 Task 上準確率高。

結果 2019 年 GPT-3 出來，直接把桌子掀了。他發現自己調優了半天的模型，GPT-3 隨便寫個 Prompt 就能達到一樣的效果。

這讓他產生了嚴重的技術 PTSD，但也讓他看清了一個事實：在通用大模型面前，做垂直優化是沒有護城河的。

所以他在做 Manus 時定了一個死規矩：絕不研發底層模型。

這邏輯很清晰——不要去跟 OpenAI 或 Google 拚算力（那是在燒錢），而是要把模型當成 Commodity（大宗商品），Manus 要做的是「如何更好地使用這些模型」。

2. 產品架構：為什麼不做 Plugin，而要做「雲端虛擬機」？

現在市面上很多 Agent 其實就是 Chatbot 加個 Plugin，然而，Peak 談到做出一個大家都喜歡的應用比訓練出一個好的模型都重要，這也是我認為是 Manus 最核心的差異化的地方。

• 架構層面：他們不是在瀏覽器裡跑個擴充功能（Extension），因為瀏覽器沙盒權限太低，根本做不了複雜任務。

• 解決方案：他們直接在雲端開了一個 Virtual Machine (VM)，裡面有完整的 Linux/Windows 環境。

• 運作邏輯：Manus 是一個「通用 Agent」，它可以像人一樣操作滑鼠、寫代碼、下載文件。

這解釋了為什麼他們要做「通用」而不是「垂直」。因為技能是會收斂的（Coding、Browsing 都是通用技能），而且技能之間有網絡效應。比如「看網頁」+「寫 Python」+「畫圖」，這三個通用技能組合起來，就能解決無數種長尾的業務場景（像是幫我們跑個競品分析報告）。

3. 數據與商業：算力成本與「假的」飢餓行銷

關於大家都在抱怨的「邀請碼」問題，從 Data 角度看其實是 Capacity Planning 的問題。

這裡有個數據很驚人：Agent 的 Token 消耗量是 Chatbot 的 100 倍。

因為 Agent 的 Workflow 是「思考 -> 執行 -> 報錯 -> 修正 -> 再執行」，這是一個 Loop。發布當天，Manus 的流量瞬間擊穿了雲服務商的儲備，團隊甚至需要物理搬運顯卡來擴容。

這也揭示了 Manus 的商業本質：它不是一個追求 DAU（日活）的流量產品，而是一個服務於 Prosumer（專業消費者）的高價值生產力工具。「我們不佔用你的時間，我們幫你省時間。」 Peak 強調，Manus 的競爭對手不是 ChatGPT，後者爭奪的是用戶的注意力（陪聊），而 Manus 爭奪的是任務的完成率（幹活）。

這也帶出了他們的商業模式：

• Target Audience：不是大眾用戶（那是 ChatGPT 的戰場），而是 Prosumer（專業生產者）。

• Value Proposition：不佔用你的時間。ChatGPT 是陪你聊，Manus 是幫你幹活（Asynchronous work）。

• 護城河：他們通過大量的 Evaluation（評測數據）來反向影響模型廠商。Manus 變成了模型廠商最大的「甲方」，用高質量的回饋數據逼著模型進步。

▍結語

Manus 給我的感覺，不像是矽谷那種講故事的公司，更像是一個精密的工程團隊。他們經歷過移動互聯網的紅利，也經歷過技術路線錯誤的挫折與不斷快速打磨產品。

在 AI 泡沫喧囂的 2025 年，Peak 和 Manus 選擇了一條最艱難但也最紮實的路：不講概念，不造模型，只做那個能真正幫用戶把工作做完的「手」。

未來的 AI 競爭，不會是誰的模型參數大，而是誰能把 Context Engineering（上下文工程）做得更好，誰能更精準地定義 Workflow。對於我們這種做分析的人來說，Manus 這種「強而有力的聰明助手」的概念，正在改變我們處理資料和寫報告的方式。