📋 目錄
課程簡介
數據是 AI 的燃料，也是現代商業決策的基石。這門課程將帶您從零建立數據思維，了解數據如何驅動 AI、如何收集和分析數據、如何設計 KPI，以及如何用數據做出更好的商業決策。不需要任何統計學或程式設計背景，我們用最實用的方式教您掌握數據素養。
學習目標：
- 理解數據在 AI 和商業中的核心角色
- 學會數據收集、清洗和視覺化的基本方法
- 掌握基礎統計概念，能讀懂數據報告
- 建立數據驅動決策的思維框架
- 學會設計有效的 KPI 追蹤業務表現
4.1 為什麼數據是 AI 的燃料？
為什麼學這個？
理解數據與 AI 的關係，是成為數據驅動型企業的第一步。沒有數據，AI 就像沒有汽油的跑車。
核心教學
AI 的本質是從數據中學習模式。 無論是 ChatGPT 回答問題、Netflix 推薦影片、還是自動駕駛汽車，所有 AI 系統都需要大量數據來「訓練」自己。
數據如何驅動 AI？
🔹 訓練階段
- AI 需要大量的「範例數據」來學習
- 例如：要訓練一個 AI 辨識貓的照片，就需要提供數百萬張貓和非貓的圖片
- 數據越多、品質越高，AI 的表現就越好
🔹 推理階段
- 訓練完成後，AI 用學到的模式來處理新數據
- 例如：ChatGPT 根據您的提問（新數據），生成回答
🔹 回饋階段
- AI 根據用戶的回饋（新數據）持續改進
- 例如：您對 ChatGPT 回答的評分會幫助它變得更好
企業數據的價值層級：
Level 1: 原始數據（Raw Data）
→ 未處理的數字、文字、記錄
→ 例如：銷售記錄、客戶留言
Level 2: 結構化資訊（Structured Info）
→ 整理後的數據，可以查詢和分析
→ 例如：月度銷售報表、客戶分群
Level 3: 商業洞察（Insights）
→ 從數據中發現的有意義模式
→ 例如：「週五下午銷量最高」「年輕客群偏好線上購買」
Level 4: 預測與行動（Predictions & Actions）
→ 用數據預測未來並採取行動
→ 例如：「下月需求將增加 20%，建議提前進貨」
💼 商業範例
假設您經營一家寵物用品連鎖店。每天產生的數據包括：銷售記錄（哪些產品賣了多少）、客戶資料（誰買了什麼）、庫存數據（倉庫裡還有什麼）、網站流量（哪些頁面最受歡迎）。
這些「原始數據」看起來只是數字，但當您用 AI 分析後，可能會發現：「買高級貓糧的客戶，有 65% 也會買貓玩具」「週末的線上訂單比平日多 40%」「A 門市的庫存周轉率是 B 門市的 2 倍」。這些洞察可以直接指導您的採購、行銷和營運決策。
💡 小技巧
開始重視數據不需要一步到位。先從記錄每天的銷售數據開始，用手機拍下收銀機的報表，用 Excel 記錄下來。一個月後，您就會開始看到有趣的模式。
練習題
📝 本節摘要
- AI 需要大量高品質數據來訓練和改進
- 企業數據有四個價值層級：原始數據 → 結構化資訊 → 商業洞察 → 預測行動
- 數據是現代商業的核心資產，善用數據可以大幅提升競爭力
4.2 數據類型：結構化 vs 非結構化
為什麼學這個？
了解不同類型的數據，能幫助您選擇合適的收集和分析方法。
核心教學
數據可以分為三大類：
🔹 結構化數據（Structured Data）
- 有固定格式，可以用表格呈現
- 例如：Excel 報表、資料庫記錄、銷售明細
- 特點：容易搜尋、分析、比較
- 佔所有數據的約 20%
🔹 半結構化數據（Semi-structured Data）
- 有一定的格式但不是嚴格的表格
- 例如：Email、JSON 檔案、XML、發票
- 特點：有標籤或標記，但內容可以變化
🔹 非結構化數據（Unstructured Data）
- 沒有固定格式，最難處理
- 例如：文字文件、圖片、影片、語音、社群媒體貼文
- 特點：佔所有數據的約 80%，蘊含大量價值
- AI 擅長處理這類數據
常見數據格式：
| 格式 | 範例 | 適用場景 |
|------|------|----------|
| 數字 | 銷售額、庫存量 | 財務報表、KPI 追蹤 |
| 文字 | 客戶評論、產品描述 | 情感分析、內容生成 |
| 日期/時間 | 訂單日期、營業時間 | 趨勢分析、排程 |
| 類別 | 產品類別、客戶等級 | 分群分析 |
| 布林 | 是/否、開/關 | 條件判斷 |
| 圖片 | 產品照片、QR Code | 影像辨識 |
| 音訊 | 客服錄音、語音訊息 | 語音辨識、情感分析 |
💼 商業範例
一家寵物店的結構化數據包括：每日銷售報表（產品名稱、數量、金額）、庫存清單、客戶會員資料。非結構化數據包括：客戶在 Google 上的評論文字、Instagram 上的寵物照片、WhatsApp 聊天記錄中的客戶反饋。
AI 可以同時分析這兩種數據：用結構化數據找出「哪個產品賣最好」，用非結構化數據分析「客戶對這個產品的真實感受」。
💡 小技巧
如果您現在的數據都是紙本或散落在不同的系統中，先統一到一個地方（例如 Google Sheets 或 Excel）。數據集中管理是數據驅動的第一步。
練習題
📝 本節摘要
- 數據分為結構化、半結構化、非結構化三大類
- 80% 的數據是非結構化的，AI 特別擅長處理這類數據
- 不同類型的數據需要不同的收集和分析方法
4.3 數據收集方法：從哪裡獲取數據？
為什麼學這個？
知道從哪裡獲取數據，才能建立完整的數據基礎設施。
核心教學
企業數據的主要來源：
🔹 內部數據（您已擁有的）
- POS 系統：銷售記錄、交易明細
- ERP 系統：庫存、採購、生產數據
- CRM 系統：客戶資料、互動記錄
- 網站分析：流量、轉化率、用戶行為
- 社群媒體：粉絲數、互動率、留言內容
- 財務系統：收入、支出、利潤
🔹 外部數據（需要主動獲取的）
- 市場報告：行業趨勢、競爭對手情報
- 政府統計：人口數據、經濟指標
- 社群媒體 API：公開貼文、趨勢話題
- 第三方數據供應商：消費者行為數據
- 天氣數據：影響零售和物流
🔹 用戶生成數據
- 客戶評論和評分
- 問卷調查結果
- 客服對話記錄
- 使用者行為數據（點擊、瀏覽、購買）
數據收集的最佳實踐：
💼 商業範例
一家寵物電商可以這樣建立數據收集系統：
- Shopify 自動記錄每筆訂單（產品、金額、時間、客戶資料）
- Google Analytics 追蹤網站流量和用戶行為
- WhatsApp Business API 記錄客戶對話
- 社群媒體工具追蹤貼文表現
- 問卷工具收集客戶滿意度
這些數據匯總後，AI 就能分析出：哪些產品最受歡迎、哪些行銷活動最有效、客戶流失的原因是什麼。
💡 小技巧
不要追求一次收集所有數據。從最重要的 3-5 個數據指標開始，確保收集準確且持續，再逐步擴展。
練習題
📝 本節摘要
- 企業數據來自三大來源：內部系統、外部資源、用戶生成
- 數據收集應遵循：明確目的、自動化優先、即時、完整、合規
- 從最重要的 3-5 個指標開始，逐步建立數據收集系統
4.4 數據清洗與前處理：讓數據變得可用
為什麼學這個？
原始數據往往有錯誤、缺失或不一致，清洗數據是確保分析準確的關鍵步驟。
核心教學
數據清洗的重要性： 「垃圾進，垃圾出」（Garbage In, Garbage Out）。如果輸入 AI 的數據品質差，分析結果也會不準確。
常見的數據品質問題：
🔹 缺失值（Missing Values）
- 某些欄位是空的
- 例如：客戶資料中缺少電話號碼或地址
- 處理方式：填補（用平均值、眾數）、刪除、標記為「未知」
🔹 重複數據（Duplicates）
- 同一筆資料出現多次
- 例如：同一客戶因為不同 Email 被建立了兩個帳號
- 處理方式：識別並合併重複記錄
🔹 格式不一致（Inconsistency）
- 同一數據有多種表示方式
- 例如：「香港」「HK」「Hong Kong」指的是同一個地方
- 處理方式：統一格式
🔹 異常值（Outliers）
- 明顯不合理的數據
- 例如：某筆訂單金額是 $999,999（可能是輸入錯誤）
- 處理方式：檢查、修正或排除
🔹 錯誤數據（Errors）
- 明顯錯誤的數據
- 例如：客戶年齡是 200 歲、出生日期是未來日期
- 處理方式：驗證規則自動檢查
數據清洗的基本流程：
💼 商業範例
一家寵物店的客戶資料庫可能有這些問題：
- 同一個客戶「陳大文」和「David Chan」其實是同一人
- 部分客戶的手機號碼少了位數
- 某些訂單的日期是「2025-02-30」（不存在的日期）
- 產品名稱有「Royal Canin 狗糧」和「Royal Canin Dog Food」兩種寫法
AI 工具可以自動識別這些問題並建議修正方案，大大減少人工清洗的時間。
💡 小技巧
養成「數據入庫前先清洗」的習慣。在數據進入系統的第一步就驗證格式和完整性，比事後再清洗要高效 100 倍。
練習題
📝 本節摘要
- 數據品質直接影響 AI 分析結果的準確性
- 常見問題：缺失值、重複、格式不一致、異常值、錯誤
- 數據清洗流程：探索 → 處理缺失 → 移除重複 → 統一格式 → 驗證
4.5 數據視覺化原則：讓數據會說話
為什麼學這個？
好的數據視覺化能讓複雜的數據一目了然，幫助快速做出決策。
核心教學
數據視覺化的目的： 不是為了好看，而是為了「一眼看出重點」。
常用圖表類型與適用場景：
🔹 折線圖（Line Chart）
- 適用：趨勢變化（時間序列）
- 例如：月度銷售額變化、網站流量趨勢
- 要點：X 軸放時間，Y 軸放數值
🔹 柱狀圖（Bar Chart）
- 適用：比較不同類別
- 例如：各產品銷量比較、各門市業績
- 要點：類別名稱要簡短
🔹 圓餅圖（Pie Chart）
- 適用：佔比分析（不超過 5-6 個類別）
- 例如：產品類別銷售佔比、客戶來源分佈
- 要點：最多 5-6 塊，太多就改用柱狀圖
🔹 散佈圖（Scatter Plot）
- 適用：兩個變數之間的關係
- 例如：廣告花費 vs 銷售額、價格 vs 銷量
- 要點：能看出相關性
🔹 熱力圖（Heatmap）
- 適用：矩陣數據的密度
- 例如：各時段銷售熱度、各產品在各門市的表現
- 要點：顏色深淺代表數值大小
數據視覺化的黃金法則：
💼 商業範例
一家寵物用品批發商的月度報告可以這樣視覺化：
- 折線圖：過去 12 個月的銷售額趨勢（一眼看出淡旺季）
- 柱狀圖：各產品線的銷售額比較（找出最賺錢的產品）
- 圓餅圖：客戶來源佔比（直銷 vs 電商 vs 經銷商）
- 熱力圖：各門市在各時段的銷售熱度（優化排班）
💡 小技巧
在做報告時，先問自己「聽眾最關心什麼？」然後只放那張圖。一張精準的圖表勝過十張模糊的圖表。
練習題
📝 本節摘要
- 數據視覺化的目的是快速傳達核心訊息
- 常用圖表：折線圖（趨勢）、柱狀圖（比較）、圓餅圖（佔比）、散佈圖（關係）
- 黃金法則：簡單、選對圖表、標題清楚、顏色有義
4.6 基礎統計概念：讀懂數據報告
為什麼學這個？
不需要成為統計學家，但掌握基礎概念能讓您讀懂數據報告、問對問題。
核心教學
每個企業主都應該懂的統計概念：
🔹 平均值（Mean）
- 所有數值加起來除以數量
- 例如：本月平均訂單金額 = 總銷售額 / 訂單數量
- 注意：極端值會嚴重影響平均值
🔹 中位數（Median）
- 把所有數值從小到大排列，中間那個
- 例如：10 筆訂單金額排序後，第 5 和第 6 筆的平均
- 比平均值更不受極端值影響
🔹 眾數（Mode）
- 出現次數最多的數值
- 例如：最常見的訂單金額是 $200
🔹 百分比變化（% Change）
- 衡量增長或下降的幅度
- 公式：(新值 - 舊值) / 舊值 × 100%
- 例如：本月銷售額比上月增長 15%
🔹 相關性 vs 因果性
- 相關性：兩件事同時發生（冰淇淋銷量↑ 和 溺水事件↑）
- 因果性：一件事導致另一件事（吃冰淇淋不會導致溺水）
- 重要：不要把相關性當成因果性！
🔹 樣本與母體
- 母體：所有數據（所有客戶）
- 樣本：從中抽取的一部分（問卷調查的 100 位客戶）
- 樣本越大，結果越可靠
常見的數據陷阱：
💼 商業範例
一家寵物店老闆看到「本月平均訂單金額 $500」，覺得很不錯。但如果其中有一筆 $10,000 的大宗採購，平均值就被拉高了。中位數可能是 $300，更能反映一般客戶的消費水平。
另一個例子：數據顯示「買貓糧的客戶回購率比買狗糧的高」。這是相關性，不是因果性。可能是因為貓糧消耗更穩定（貓每天吃），而不是貓糧品質更好。
💡 小技巧
看數據報告時，永遠問三個問題：1) 樣本量有多大？2) 時間範圍是什麼？3) 有沒有極端值影響？
練習題
📝 本節摘要
- 基礎統計概念：平均值、中位數、眾數、百分比變化
- 相關性 ≠ 因果性，這是最重要的數據思維
- 避免常見陷阱：倖存者偏差、確認偏誤、小樣本謬誤
4.7 數據驅動決策框架：從數據到行動
為什麼學這個？
有了數據和分析工具，還需要一個框架來將洞察轉化為實際行動。
核心教學
數據驅動決策的 5 步框架：
Step 1: 定義問題
- 先問「我要解決什麼問題？」
- 例如：「為什麼這個月銷售額下降了？」
- 不是：「幫我看看這些數據」
Step 2: 收集相關數據
- 只收集與問題相關的數據
- 例如：銷售數據、客戶流失數據、市場活動數據
- 不是：把所有數據都拉出來
Step 3: 分析與洞察
- 用工具分析數據，找出模式和原因
- 例如：「銷售下降主要是因為 A 產品缺貨導致」
- AI 工具可以自動完成這一步
Step 4: 制定行動方案
- 根據洞察制定具體的行動計劃
- 例如：「增加 A 產品的安全庫存，從 100 提升到 200」
- 行動要具體、可衡量、有時限
Step 5: 追蹤效果
- 執行後持續追蹤數據變化
- 例如：「實施後，A 產品缺貨率從 15% 降到 3%」
- 根據結果調整策略
數據驅動 vs 經驗驅動：
| | 經驗驅動 | 數據驅動 |
|---|---|---|
| 決策依據 | 直覺、經驗 | 數據、事實 |
| 優點 | 快速、靈活 | 客觀、可驗證 |
| 缺點 | 主觀、可能出錯 | 需要數據基礎設施 |
| 最佳場景 | 緊急決策、創新探索 | 策略規劃、績效評估 |
理想狀態： 數據提供事實基礎，經驗提供判斷力，兩者結合。
💼 商業範例
一家寵物用品零售商發現「客戶回購率從 40% 降到 30%」。
- Step 1：問題 — 為什麼客戶不再回購？
- Step 2：收集 — 客戶購買記錄、客服對話、滿意度調查
- Step 3：分析 — 發現 60% 流失客戶曾投訴「配送太慢」
- Step 4：行動 — 更換物流合作夥伴，承諾 48 小時送達
- Step 5：追蹤 — 3 個月後回購率回升到 38%
💡 小技巧
從一個小問題開始練習數據驅動決策。例如：「上週哪個促銷活動效果最好？」用數據回答這個問題，然後做出下週的促銷計劃。
練習題
📝 本節摘要
- 數據驅動決策 5 步：定義問題 → 收集數據 → 分析洞察 → 行動方案 → 追蹤效果
- 最佳狀態是數據 + 經驗的結合
- 從小問題開始練習，逐步建立數據驅動文化
4.8 數據隱私與安全：合規是底線
為什麼學這個？
數據隱私不僅是法律要求，更是建立客戶信任的基礎。
核心教學
主要的數據隱私法規：
🔹 個人資料（私隱）條例（香港）
- 收集個人資料時必須告知用途
- 未經同意不得將資料用於其他目的
- 個人有權查閱和更正自己的資料
- 必須採取合理的安全措施保護資料
🔹 GDPR（歐盟通用數據保護條例）
- 適用於處理歐盟公民數據的任何企業
- 核心原則：數據最小化、目的限制、儲存限制
- 違規罰款：最高 2000 萬歐元或全球營業額 4%
🔹 其他重要法規
- 中國《個人信息保護法》
- 台灣《個人資料保護法》
- 美國 CCPA（加州消費者隱私法案）
企業數據安全最佳實踐：
客戶信任建立：
- 明確的隱私權政策
- 提供「選擇退出」的選項
- 透明說明數據用途
- 快速回應數據相關查詢
💼 商業範例
一家寵物電商在收集客戶資料時：
- 在結帳頁面明確說明「我們會用您的地址安排配送，用 Email 發送訂單確認和促銷資訊」
- 提供勾選框讓客戶選擇是否接收行銷郵件
- 客戶可以隨時在帳戶設定中查看、修改或刪除自己的資料
- 數據儲存在加密的雲端伺服器，只有授權員工可存取
💡 小技巧
做一次「數據隱私審計」：盤點您收集了哪些客戶數據、儲存在哪裡、誰有存取權限、是否有取得同意。這不僅合規，也能贏得客戶信任。
練習題
📝 本節摘要
- 數據隱私是法律要求，也是商業信任的基礎
- 主要法規：香港個資法、GDPR、中國個保法
- 最佳實踐：最小化收集、加密儲存、存取控制、定期備份
4.9 KPI 設計：衡量什麼就改善什麼
為什麼學這個？
好的 KPI 能讓您專注在最重要的事情上，用數據驅動業務成長。
核心教學
什麼是 KPI？
KPI（Key Performance Indicator，關鍵績效指標）是衡量業務表現的量化指標。好的 KPI 能告訴您「業務做得好不好」以及「需要改善什麼」。
SMART KPI 原則：
- Specific（具體的）：「提升客戶滿意度」→「將 NPS 分數從 40 提升到 50」
- Measurable（可衡量的）：必須可以用數字衡量
- Achievable（可達成的）：目標要現實
- Relevant（相關的）：與業務目標直接相關
- Time-bound（有時限的）：「在 Q4 結束前達成」
不同業務的關鍵 KPI：
零售/電商：
- 營業額（Revenue）
- 客戶獲取成本（CAC）
- 客戶終身價值（LTV）
- 回購率（Repeat Purchase Rate）
- 購物車放棄率
行銷：
- 轉化率（Conversion Rate）
- 廣告投資回報率（ROAS）
- 社群互動率
- Email 打開率和點擊率
客戶服務：
- 客戶滿意度（CSAT）
- 淨推薦值（NPS）
- 平均回應時間
- 首次解決率
營運：
- 庫存周轉率
- 訂單履行時間
- 缺貨率
- 員工生產力
KPI 設計的常見錯誤：
💼 商業範例
一家寵物用品零售商的核心 KPI 設計：
| KPI | 目標 | 追蹤頻率 | 負責人 |
|-----|------|----------|--------|
| 月營業額 | ≥ $500K | 每日 | 老闆 |
| 回購率 | ≥ 35% | 每月 | 行銷 |
| 客戶滿意度 | NPS ≥ 50 | 每季 | 客服 |
| 庫存周轉率 | ≥ 6次/月 | 每月 | 採購 |
| 缺貨率 | ≤ 3% | 每週 | 採購 |
💡 小技巧
每個 KPI 都要有一個「負責人」和「行動計劃」。如果 KPI 達標，慶祝；如果未達標，立即分析原因並採取行動。
練習題
📝 本節摘要
- KPI 是衡量業務表現的量化指標
- SMART 原則：具體、可衡量、可達成、相關、有時限
- 專注 5-8 個核心 KPI，每個都要有負責人和行動計劃
4.10 AI 如何改變數據分析？
為什麼學這個？
了解 AI 在數據分析中的應用，能幫助您選擇合適的工具來提升分析效率。
核心教學
傳統數據分析 vs AI 數據分析：
| | 傳統分析 | AI 分析 |
|---|---|---|
| 速度 | 需要數天 | 幾秒鐘 |
| 深度 | 有限的交叉分析 | 發現隱藏模式 |
| 預測 | 基於歷史趨勢外推 | 機器學習精準預測 |
| 人力 | 需要數據分析師 | 自動化 |
| 規模 | 受限於人力 | 可處理海量數據 |
AI 在數據分析中的應用：
🔹 自動化報告
- AI 自動生成每日/每週/每月報告
- 自動識別異常並發出警報
- 例如：「今天的銷售額比平日低 30%，主要原因是 A 產品缺貨」
🔹 預測分析
- 預測未來的銷售趨勢
- 預測客戶流失風險
- 預測庫存需求
- 例如：「根據過去 12 個月的數據，下月銷售額預計增長 12%」
🔹 異常偵測
- 自動識別不正常的數據模式
- 例如：偵測信用卡欺詐、庫存異常、品質問題
🔹 客戶分群
- 自動將客戶分成不同群組
- 例如：高價值客戶、潛力客戶、流失風險客戶
- 針對不同群組制定不同策略
🔹 自然語言查詢
- 用日常語言問數據問題
- 例如：「上個月哪個產品賣得最好？」
- AI 自動分析並回答
企業可以用的 AI 數據工具：
- ChatGPT / Claude：數據解讀、報告生成、趨勢分析
- Google Analytics + AI：自動洞察、異常偵測
- Power BI / Tableau：AI 驅動的數據視覺化
- Shopify Analytics：電商數據 AI 分析
💼 商業範例
一家寵物用品店用 AI 分析銷售數據：
- AI 自動生成每日銷售摘要：「今日營業額 $15,000，比昨日增長 8%。熱銷產品：Royal Canin 狗糧（32件）、貓砂（28件）」
- 預測下月需求：「根據季節性模式，12月貓糧需求將增加 25%」
- 異常警報：「注意：A 門市今日退貨率異常升高（5% vs 平均 1%），建議調查」
💡 小技巧
從 ChatGPT 開始體驗 AI 數據分析。把您的 Excel 數據複製貼上，問它「這些數據有什麼有趣的模式？」AI 會給您意想不到的洞察。
練習題
📝 本節摘要
- AI 數據分析比傳統分析更快、更深、更準
- 主要應用：自動化報告、預測分析、異常偵測、客戶分群、自然語言查詢
- 從 ChatGPT 開始體驗，逐步導入更專業的 AI 分析工具
4.11 課程總結 + 實作練習
📝 課程總結
恭喜您完成了 AI 數據素養入門課程！讓我們回顧關鍵知識點：
🎯 實作練習
練習 1：數據盤點
列出您業務中的所有數據來源，標記哪些已經數位化、哪些還是紙本。
練習 2：KPI 設計
用 SMART 原則為您的業務設計 5 個核心 KPI。
練習 3：數據視覺化
用 Excel 或 Google Sheets 將一個月的銷售數據做成 3 種不同圖表。
練習 4：AI 數據分析
將一份業務數據輸入 ChatGPT，問它 3 個問題，記錄它的回答。
🔗 下一步學習
完成這門課程後，建議繼續學習：
- C-05 Prompt Engineering：學會用 AI 更有效地分析數據
- C-19 AI 數據分析實戰：深入學習 AI 數據分析工具
- C-16 AI 行銷策略與數據分析：將數據分析應用到行銷
© 2026 Buddylala.ai — Build Your AI Future, Together.