AI 一分鐘教學｜2026/09/14：用 Data agent 查業績前，先寫「指標／期間／分群／先不要行動」四格分析卡｜文章

ChatGPT Work Data agent 可以直接查企業資料、追變化原因與建立 Dashboard，但自然語言問得快，也更容易把不同定義、不同期間或不同客群混成一個漂亮答案。今天只學一個方法：開始分析前先寫四格——「我要看的指標怎麼定義、跟哪個期間比較、要拆哪些分群、先不要替我採取行動」。例如不要只問「為什麼業績下降」，而是先固定 Revenue 定義、比較本月與上月，再拆地區與新舊客戶。先把問題定義好，AI 才不會替你把模糊問題分析得很精確。

Data agent 最容易讓人產生一個錯覺：

只要直接問問題，AI 就會自己找到正確答案。

例如：

「為什麼這個月業績變差？」

看起來很合理。

但這句話其實藏了很多沒有說清楚的東西。

什麼叫：

業績？

這個月：

和哪一個月比？

全部客戶一起看？

還是：

新客戶。

舊客戶。

地區。

商品。

通路。

分開看？

最後找到可能原因後：

只是整理給你看？

還是：

可以直接通知團隊。

改 Campaign。

建立 Follow-up？

如果這些沒有先說：

AI 仍然可能做出：

非常完整的分析。

問題只是：

它回答的可能不是你真正想問的問題。

所以今天只學一個方法。

在用 Data agent 分析以前：

先寫一張：

四格分析卡。

四格只有：

指標。

期間。

分群。

先不要行動。

第一格：先定義「你到底在看哪一個數字」

假設你問：

「為什麼 Revenue 掉了？」

第一個問題不是：

為什麼？

而是：

你公司的 Revenue 到底怎麼算？

可能是：

訂單建立金額。

付款完成金額。

扣退款前。

扣退款後。

含稅。

未稅。

會計認列收入。

不同公司：

可以完全不同。

如果沒有先固定 Definition：

AI 很可能使用：

它找到的某個合理欄位。

但那個欄位：

不一定是公司正式 KPI。

同一個「營收」，甚至不同部門可能說的是不同東西

Sales：

可能看：

簽約金額。

Finance：

看：

認列收入。

E-commerce：

看：

Completed Order。

Marketing：

看：

Campaign Attribution Revenue。

四個數字：

可能都叫：

Revenue。

所以分析以前：

最好直接指定：

「Revenue 請使用公司正式 Semantic Layer 裡的 Net Revenue Definition。」

如果公司沒有 Semantic Layer：

至少說清楚：

要用哪份：

Dashboard。

Report。

Spreadsheet。

作為定義來源。

Data agent 本身就支援 Business Definition

這也是今天這個工具特別值得看的地方。

OpenAI 對 Data agent 的設計：

不是只讓 AI：

看到一堆 Table。

它還可以使用：

企業本身的：

Metric Definition。

Custom Calculation。

資料關係。

以及：

Semantic Layer。

意思是：

公司如果已經把：

「什麼叫 Active Customer？」

「什麼叫 Churn？」

「什麼叫 Qualified Lead？」

定義清楚：

AI 可以沿用。

但前提仍然是：

你知道：

這次應該用哪一個定義。

所以第一格可以很短

例如：

指標：Net Revenue，依 Finance 正式定義，扣除 Refund。

或：

指標：Customer Retention，使用公司既有 Retention Dashboard Definition。

不用寫一大篇。

只要：

把模糊名詞變成：

可以驗證的名詞。

第二格：和哪一段時間比較？

很多錯誤分析：

其實不是數字算錯。

而是：

比較方式有問題。

例如你看到：

這週營收：

比上週低。

AI可能說：

下降。

但上週剛好：

有大型促銷。

那這個比較：

本來就不公平。

又例如：

星期一到星期三：

拿去和：

上週完整七天相比。

數字一定很難看。

所以第二格只問：你到底要和誰比？

例如：

本月 vs 上月。

本季 vs 上季。

今年 9 月 vs 去年 9 月。

最近七天 vs 前七天。

活動期間 vs 同長度 Base Period。

不同問題：

需要不同比較方式。

不要只說：

「最近。」

或：

「之前。」

季節性產業更要小心

例如：

月餅。

旅遊。

開學用品。

冷氣。

年菜。

你拿：

9 月。

和：

8 月。

比較：

可能得到很大的變化。

但真正合理的基準：

可能是：

去年同期。

因為：

季節本來就不同。

AI 不一定知道：

你這個生意的季節性。

所以期間：

不要讓它完全自己猜。

第三格：要拆哪些分群？

假設：

Revenue 的確下降 10%。

這個 Total：

本身還沒有太多行動價值。

真正要問：

是哪裡掉？

例如：

台北掉。

台南沒掉。

或者：

新客戶沒掉。

舊客戶掉。

或者：

實體店沒掉。

Online 掉。

或者：

A Product 沒問題。

B Product 掉很多。

這就是：

Segment。

分群是把「整體問題」變成「可以處理的問題」

一句：

「營收下降。」

很難行動。

但如果變成：

「營收下降主要集中在南區既有客戶的 B 產品。」

下一步：

就清楚很多。

可以再查：

價格？

庫存？

配送？

競爭？

客服？

產品問題？

所以 Data agent 的價值：

不只是告訴你：

Total Changed。

而是：

一路往下拆。

但也不要一開始拆 30 個維度

如果你一開始就叫 AI：

按：

地區。

年齡。

產品。

通路。

會員等級。

性別。

活動。

業務。

付款方式。

裝置。

全部交叉分析。

很容易得到：

一大堆：

看起來很有洞察。

但其實只是：

隨機波動的小群體。

所以第一次：

先選：

兩到三個最可能有意義的 Segment。

例如：

Region。

Customer Type。

Product Line。

夠了。

第四格：先不要行動

這格很容易被忽略。

Data agent 不只是：

可以分析。

它未來還可能：

把 Finding：

送進 Slack。

Email。

或透過已連接工具：

執行經批准的 Action。

這是優點。

但第一次分析時：

不要讓：

Finding

直接變成：

Action。

因為「可能原因」還不是「已證明原因」

例如 AI 分析：

發現：

Retention 下降。

同時：

Support Ticket 增加。

於是提出：

「客服問題可能影響留存。」

這是一個：

Hypothesis。

不是：

已證明因果。

如果下一步直接：

通知整個客服部：

「你們造成客戶流失。」

那就太快了。

所以第四格可以直接寫：

「這一輪只分析與提出下一個驗證，不要傳訊息、改資料或執行任何外部 Action。」

這一句：

非常有用。

整張四格卡可以直接長這樣

假設你今天想知道：

為什麼這個月續約率下降。

可以直接寫：

請分析本月 Customer Retention 的變化。

【指標】
使用公司正式 Semantic Layer 中的 Customer Retention 定義。
不要自行改用其他相似指標。

【期間】
比較本月至今，與上月相同天數。
如果有明顯季節性，再補充去年同期作為第二組比較。

【分群】
先拆：
1. Region
2. New vs Existing Customer
3. Product Line

先不要自行擴充其他分群，除非你先說明理由。

【先不要行動】
這一輪只做分析。
不要寄 Email、發 Slack、修改 Dashboard Source、建立 Campaign 或執行任何外部 Action。

請先告訴我：
- 使用了哪些資料來源
- 使用的指標定義
- 最主要的變化集中在哪裡
- 哪些是已確認事實
- 哪些只是可能原因
- 下一步最值得驗證什麼

這就是：

四格分析卡。

為什麼不是直接問：「為什麼留存下降？」

因為：

「為什麼」是一個很大的問題。

AI 可能需要自己決定：

Metric。

Period。

Comparison。

Segment。

Source。

如果五個地方：

每個都自己猜一次。

最後即使分析很漂亮：

你也很難知道：

錯誤到底從哪裡開始。

先定義四格，其實是在降低 Investigation Space

Data agent 很強的一點是：

可以：

一路 Drill Down。

問 Follow-up。

比較群體。

查看 Evidence。

但：

能查很多。

不代表：

第一輪應該什麼都查。

越少的：

明確假設。

越容易：

驗證。

這和一般 AI Agent 一樣。

不是：

能力越強。

Prompt 就越模糊。

反而更需要：

清楚目標。

第一次結果出來後，再往下追

例如 AI 回報：

Retention 下降：

主要集中在：

Existing Customer。

東區。

某一個 Product Line。

這時：

才開始第二輪。

問：

這群客戶最近：

Support Ticket 有沒有增加？

Price 有沒有改？

Delivery Time 有沒有拉長？

Product Version 有沒有改？

每一步：

都從上一個 Evidence：

往下走。

這就叫：

Investigation。

不是：

一次要求 AI：

「幫我找到真正原因。」

Data agent 可以在同一段 Conversation 裡持續追

這個設計非常適合這種工作。

第一輪：

找到：

哪裡變了。

第二輪：

拆 Segment。

第三輪：

查可能 Driver。

第四輪：

比較 Evidence。

最後：

才形成：

比較可信的 Finding。

不需要：

每問一次。

重新做一份 Report。

但每一輪都要留意 Definition 有沒有偷偷改掉

例如：

第一輪：

你看的是：

Net Revenue。

第二輪 AI 為了補充資料：

突然引用：

Gross Sales。

如果沒有注意：

兩個 Chart：

看起來可以放在一起。

其實：

不是同一個東西。

所以 OpenAI 自己的使用指南也特別提醒：

使用者要確認：

Source。

Time Period。

Filter。

Metric Definition。

這四項：

和今天這張分析卡：

其實非常接近。

如果 AI 的結果和公司原本 Dashboard 不一樣，先不要問誰對

先比：

Definition。

例如：

Data agent：

Retention 82%。

正式 Dashboard：

78%。

不要立刻說：

AI 算錯。

也不要立刻說：

舊 Dashboard 錯。

先問：

兩邊使用：

同一個 Metric Definition 嗎？

同一個 Period 嗎？

同一個 Filter 嗎？

同一個 Customer Population 嗎？

很多「數字不一致」：

最後只是：

條件不一樣。

這也是為什麼 Source 很重要

Data agent 能連：

Data Warehouse。

Drive。

SharePoint。

BI。

資料很多。

但：

資料多：

不等於：

每一份都同樣正式。

可能有：

草稿 Spreadsheet。

正式 Finance Report。

舊 Dashboard。

新版 Dashboard。

測試資料。

所以企業如果有：

Source of Truth：

最好明確告訴 AI：

優先使用哪個。

小公司也可以用同一個方法

不一定要有：

Snowflake。

BigQuery。

Data Team。

才可以理解這個技巧。

假設你只有：

Google Sheets。

也一樣。

不要問：

「最近 Facebook 表現怎樣？」

可以改成：

指標：

Website Click。

期間：

最近七天 vs 前七天。

分群：

貼文類型＋是否真人出鏡。

先不要行動：

不要直接改廣告或排程。

先：

整理事實。

再：

提出可能原因。

一樣成立。

這和 8 月我們做 Meta AI 教學的差別在哪？

當時教的是：

看到 AI 分析後：

把結果分成：

事實。

推測。

下一個測試。

那是在：

分析完成之後

避免把相關性：

誤認成因果。

今天教的則是在：

分析開始之前

先固定：

指標。

期間。

分群。

行動邊界。

兩個方法：

剛好可以接在一起。

完整流程其實只有六步

第一：

寫四格分析卡。

第二：

讓 Data agent 找資料。

第三：

確認 Definition、Period、Filter、Source。

第四：

找出變化最大的 Segment。

第五：

把結果分：

Fact／Hypothesis。

第六：

決定下一個驗證。

這時才考慮：

要不要：

通知人。

做 Dashboard。

改 Campaign。

調整 Workflow。

不要讓 Dashboard 的精緻程度騙到你

Data agent 可以：

快速建立：

漂亮。

可互動。

可分享。

的 Dashboard。

但圖表越漂亮：

人越容易：

相信它。

這其實也是風險。

Chart：

只是：

一種呈現方式。

真正應該先確認：

數字：

怎麼算？

資料：

從哪裡來？

比較：

公平嗎？

Sample：

夠嗎？

原因：

真的有證據嗎？

Dashboard：

最後才是包裝。

如果只是做內部探索，可以快一點

例如：

想找：

哪個 Product 最近值得注意。

先讓 AI：

快速探索。

沒關係。

但如果結果要：

進：

董事會。

正式財報。

人事決策。

價格調整。

客戶承諾。

就要：

提高 Verification Level。

同一個 Data agent：

可以用在：

不同風險層級。

不能全部用：

同一套 Review。

「先不要行動」不是要把 Agent 變笨

有些人會想：

既然 Data agent 可以：

Analysis → Action。

為什麼還要故意停？

因為：

第一次找原因：

最有價值的不是：

快。

而是：

確定方向沒有錯。

等某個分析：

已經跑了十次。

Definition 穩定。

Dashboard 穩定。

Action 也有明確規則。

再考慮：

把低風險下一步：

接起來。

這才是：

Workflow Automation。

例如每週營運報告可以逐步自動化

第一週：

AI 分析。

人全部 Review。

第二階段：

固定四格。

固定 Dashboard。

人看 Exception。

第三階段：

如果某個指標：

超過已定 Threshold。

才準備：

Slack Draft。

但不送。

再成熟：

才考慮：

經批准後自動通知。

這比：

第一天就說：

「每週幫我分析完自動通知所有人。」

安全很多。

這也是 AI 工作流程診斷真正值得看的地方

很多人以為：

工作流程診斷就是：

找：

「哪一個工作可以全部自動化？」

其實更實際的是：

先找：

哪一步：

重複。

規則清楚。

資料來源明確。

做錯可以驗證。

然後：

只把那一段：

先交給 AI。

Data Analysis：

也是一樣。

先自動：

取數。

比較。

分群。

整理 Evidence。

再把：

原因判斷。

商業決策。

真正 Action。

留給人。

如果公司每週都在重複做同一份分析，就更值得拆

例如：

每週一：

行政匯出資料。

Analyst 清理。

業務主管問原因。

Analyst 再切 Segment。

重新畫圖。

再寄給團隊。

如果每週流程：

幾乎相同。

真正可以先交給 AI 的：

可能不是：

「替主管做決策。」

而是：

前面：

找資料。

跑固定比較。

找異常 Segment。

更新 Dashboard。

整理待確認問題。

人只處理：

這次哪一個變化真的值得行動。

所以今天不要先學十個 Data agent 指令

只記住四格：

指標

這個數字到底怎麼算？

期間

到底和哪一段時間比？

分群

要拆哪幾個真正有意義的群體？

先不要行動

第一輪只分析。

不要直接把可能原因：

變成真正商業動作。

把這四格寫清楚：

你其實已經先完成：

一半的分析品質控制。

因為最危險的不是：

AI 不會算。

而是：

它把一個模糊問題，算得非常精確。

如果你也想知道自己的工作裡，哪一步最適合先交給 AI，留言「流程」，我可以先幫你看看從哪一步開始。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。