數據分析已成為當今最熱門的技能之一，不僅是數據分析師，行銷、產品經理、業務等各種職位，工作都無法與數據完全脫鉤。那麼，數據究竟是如何發揮作用的呢？在生成式 AI 崛起的背景下，未來的企業又會如何運用數據來創造價值？

作為一名數據分析師，我今天想分享一些企業在實際情境中常見的數據應用案例，並探討未來企業如何透過 SUPA 模式來提升數據的使用潛力。

數據的使用場景：數據分析師們都在做些什麼？

提到數據分析師，很多人會聯想到的是一堆表格、看似複雜的數據圖表、統計模型、演算法等等內容，但數據分析工作的核心概念，我在不少的公開演講中有提到，是「讓企業願意根據數據進行思考與決策，而非透過直覺。」

舉例來說，當老闆發現公司最近營運績效不佳、業績下滑時，往往希望找出問題的根本原因。此時我們可以將問題進行拆解，例如「最近營運績效不好」的「最近」是跟什麼時間相比？「營運績效」是指哪一個 KPI 呢？「不好」又是多不好？減少5%就算「不好」嗎？還是要減少至20%我們才稱之為「不好」呢？

透過將籠統的商業問題進行拆解，我們可以歸類出一個個細項，這些細項都可以找到相對應的數據來驗證。如此一來就可以幫助提出問題的人用數據進行思考，找到真正的問題對症下藥，而不是僅透過常理或直覺。

以下介紹幾種數據分析師常見的專案類型：

專案類型一：自動化數據儀表板

這類型的專案主要目的是建立數據追蹤系統，讓相關部門可以掌握關鍵指標，進而能根據數據做出商業決策。自動化數據儀表板能夠簡化日常報告製作流程，減少手動整理數據的時間，並確保數據的一致性與及時性。

數據分析師在設計儀表板時，除了 Looker Studio、Power BI 等工具的使用，因為這些儀表板通常會根據企業的 KPI 和需求來設計，例如銷售數據、網站流量到客戶行為分析等，數據分析師也必須花許多時間與各個需求部門進行開會溝通，確保儀表板在必要時候能提供即時洞察，輔助更快速的商業決策。

專案類型二：深度數據分析報告

這類專案通常以深入理解特定問題或現象為目標，並提供具體的策略建議。針對具體的商業問題，例如影響客戶流失率的因素、某些類型產品的銷售趨勢、特性消費檔期或節慶的策略，數據分析師會運用多種數據來源進行分析，並將結果整理成圖表與文字，讓讀者理解原因、趨勢和潛在影響。

例如我過去在媒體業工作時，經常會被問的問題是「父親節檔期快到了，該怎麼借助檔期熱度設定行銷預算？」、「雙11快到了，今年的熱度還能夠達到去年水準嗎？哪一些商品品類最有發展的潛力？」等等，因此每當這些檔期到來前，我們都會搜集各個來源相關數據，彙整成一份份的數據洞察報告，提供給有需要的業務單位做策略參考。

專案類型三：統計與機器學習模型

這類型專案也常被稱為「進階數據分析專案」，聚焦於運用統計方法與機器學習技術來預測或分析特定事件，找出隱藏在數據中、平時難以輕易察覺的洞察。例如某些企業會根據大量歷史數據，透過模型預測未來銷售額、客戶的流失風險，或是使用分類模型來辨別高潛力客戶。

我自己的經驗中，使用這類進階分析方法的頻率也不少。例如，以前客戶經常會詢問我們「該怎麼配置廣告預算呢？該投放 A 媒體多一點，還是 B 媒體多一點？」我們就曾經透過某一種特殊的統計模型方法，運用客戶過往的廣告投放數據，預測在哪一種預算配置下，能幫助客戶達到最好的廣告總收益。

數據分析的挑戰：數據有了，卻未必能驅動策略

然而，即便擁有了數據和分析方法，也不代每次都表能夠有效落地、協助做出正確的決策。以我上一段分享的幾個專案為例，就算做了很多儀表板和數據分析報告，也不見得大家會願意使用；就算設計了高級的統計模型和演算法，業務單位不見得能理解當中的原理，甚至有時還會被質疑模型是「黑盒子」進而不信任數據分析的結果。

我在上一篇文章「數據驅動不再只是空談：未來的企業這樣轉型！」中有提到，很多的企業喜歡打著 Data Driven 的名號，想要推行各式各樣的數據應用方法，可實際上卻只是空有數據，卻無法進行有效的運用。背後的原因很複雜，有可能是因為缺乏合適的技術與人才，也可能是公司本身的文化就跟數據驅動相背離。但除了這些之外，我認為還有一個更加關鍵、卻也更難被解決的原因，那就是「數據對很多企業來說，只是輔助的角色」。

但是！隨著生成式 AI 的問世，這樣的難題有可能被解決。我最近看了鼎新電腦的「數智驅動未來企業白皮書」並參加了「數智未來峰會」之後，獲得了一些啟發。當中最重要的，是談到了「SUPA」的未來數據使用方式。

未來的數據使用方式：什麼是SUPA？

我在上一篇文章「數據驅動不再只是空談：未來的企業這樣轉型！」中也有簡單提到，鼎新電腦推出了一款名叫 METIS 的 PaaS 服務，就運用了 SUPA（Sensing 感知、Understanding 理解、Planning 規劃、Acting 行動）的原理，嘗試了一種全新的數據使用模式，讓數據能夠主動為企業提供正確的行動方向。

這種數據使用模式，很可能為數據分析師的工作帶來巨大的變革，因此今天想具體跟大家分享一下，這種 SUPA 模式究竟是如何運行的：

Sensing 感知

Sensing 的核心概念在於「保持敏銳」。想像你在逛街時，會不斷注意四周的環境變化，例如看到特殊的商品陳列、促銷折扣訊息，甚至周圍的顧客反應。對企業來說， Sensing就是不斷收集內部與外部的數據，為後續分析打好基礎，比如銷售數據、客戶反饋，或是機器設備的運作情形、原物料的供應等等，以便掌握當前企業營運的動態。

Understanding 理解

Understanding 是將 Sensing 收集到的資訊進一步「轉化為意義」。想像自己今天拿到很多的數據，但它們如同一堆零散的拼圖碎片，Understanding 就是找出這些碎片之間的關聯，拼湊出完整畫面的過程。對於企業而言，是將不同部門、產線、客戶數據等連結起來，看清它們之間的關係與影響。例如，理解供應商的交貨時間表與生產時間的關聯，判斷哪些供應商交貨穩定、哪些原物料需要提早訂購，從而更準確地進行生產規劃和庫存管理。

Planning 規劃

Planning 是基於 Understanding 的成果制定解決方案。就像規劃一場登山活動，我們需要考慮路線的選擇、預備物資、安排行程，才能確保順利登頂。同樣地，企業根據數據中的洞察進行具體規劃，制訂達成目標的步驟和行動方案。這個階段包含資源分配、時間安排、與相關部門的協同計畫，讓所有人都清楚接下來該做什麼。

Acting 行動

Acting 是把計劃付諸實踐，並確保各單位在適當時機完成各自的任務。例如，採購部負責通知供應商按新計劃交貨，生產部門按照排程啟動製程。若在行動過程中系統偵測到供應鏈異常，系統自動通知負責人員進行調整，快速啟動備選供應商，以確保生產不中斷並達到最終的交貨目標。

SUPA與生成式AI：數據分析師的觀點

去年生成式 AI 剛問世的時候，我對於數據分析工作受到的影響其實沒有太具體的想像，但當我讀到 SUPA 這樣的概念之後，便開始體會到數據在生活中無處不在的影響力。

在我的工作經驗中，有時會感覺數據只是報表上的數字，不一定會落實成為現實中的決策，但SUPA 概念給我的啟發，是提醒了我數據真正的價值，也許在於「感測」身邊的細微變化，並在「理解」之後找到它們的連結。數據分析的目的，不僅是要我們「被動地接受」，而是能夠主動思考、判斷，進而行動。

SUPA 作為數智驅動的核心基礎，將數據的收集與生成式 AI 能力相結合，讓企業能自動化完成 S（感知）和 U（理解）的動態感知與智能洞察； P（規劃）和 A（行動）階段，企業則能夠基於這些洞察制定效率更高的行動計劃，確保不同部門和人員在適當時機執行相關任務。SUPA 的運行模式不僅提升了決策的速度和精確性，更幫助企業敏捷適應環境變化，使數據真正成為驅動業務成長的利器。

除了企業運行之外，SUPA的概念同樣適合提醒我們個人面對生活中的挑戰時的態度。例如要時刻保持敏銳的觀察力，理解變化的背後意涵，做好計劃，然後不猶豫地執行。或許，這正是我們在不確定的世界中，能找到穩定而有效前行的關鍵。

如果喜歡我的文章，歡迎「註冊就享知平台」，並「訂閱我」喔！