WiDS Taipei 2026 | 從數據到決策: GenBI時代，洞察速度決定一切 — 姜乃文 Naiwen Chiang

2026 TWiDS Teams

📍講者介紹-姜乃文 Naiwen Chiang

現任天下雜誌集團主任分析師，為深耕資料領域近十年的資深數據專家，
負責把數據變成能真正被理解與採用的產品與策略。
在此之前，於不同產業間歷練了大大小小的資料專案與SaaS產品。
累積了用資料建立連結、找到盲點、打開新的視角的實戰經驗。

📍講者介紹影片:https://www.instagram.com/reel/DXyvJEaRF0M/?igsh=MW5lb2dlcmt1ZDV6Mg==

前言：數據不再是問題，速度才是關鍵

在現代商業環境中，企業並不缺乏數據，但決策速度往往跟不上市場變化。

傳統商業智慧常面臨洞察延遲的問題：當報表產出時，時機已過；且數據往往只有「結果」而無「原因」，導致最終決策仍依賴直覺。

演講主題：

一、從建置到治理，我們遇到了甚麼問題?

二、GenBI帶來了甚麼改變?

三、AI無法取代Insight

四、現在有哪些GenBI real cases?

五、Lessons I learned…

六、對GenBI未來的想像

Take Away:GenBI是工具，Insight才是目的

一、從建置到治理，我們遇到了甚麼問題?

• 報表多於洞察：企業經歷了從數據中台、數據倉庫到數據湖的建置，現在已進入數據治理階段，但產出的報表數量遠多於能真正驅動行動的「洞察」（Insight）
• 數據不再是問題，速度才是：現代企業不缺數據，但面臨「洞察延遲」的痛點。當分析師完成報表、會議討論結束時，市場時機往往已經錯過，導致最終決策仍依賴直覺而非數據
• 溝通成本高昂：不同單位對同一份數據的視角不同，導致在數據對齊上耗費大量時間，無法形成共識

圖片來源：乃文簡報

二、GenBI帶來了甚麼改變?

• 流程翻轉（80/20 法則）：傳統 BI 有 80% 的時間耗費在資料產生與視覺化，僅剩 20% 做解讀。GenBI 將資料處理交給 AI，使人類能將 80% 的時間回歸到高品質的判斷、洞察提煉與行動
• 從Dashboard 到Decision Engine: GenBI 不僅是「AI 加上 Dashboard」，而是 AI 介入洞察生成的流程。
• 人與數據的互動發生三大轉變：

1. 從 Pull 到 Push：洞察主動找人，而非人主動找報表
2. 從 Dashboard 到 Agent：從單純看圖表轉向與數據對話
3. 從 Static 到 Continuous：從每週產報表轉向即時發現異常、生成觀點

圖片來源：乃文簡報

三、AI無法取代Insight

• 數據摘要不等於洞察：AI 擅長處理「事實」（Fact），能快速生成摘要，但快速不代表正確，且摘要本身並不等於具備商業價值的洞察
• 洞察的煉金術公式：真正的 Insight 需要以下三個元素疊加：

1. 事實 (Fact)：由 GenBI 提供精確、無偏誤的客觀現狀
2. 經驗 (Experience)：人類基於市場體感、業務理解所建立的專業知識
3. 願景 (Vision)：公司的策略目標，決定了數據挖掘的方向與行動價值

• 人類的把關角色：分析師必須賦予數據商業脈絡，否則 AI 產出的只是「表面合理」的數字堆疊

圖片來源：乃文簡報

四、現在有哪些GenBI real cases?

• Case 1-對話式GenBI (降低探索成本)：使用者透過自然語言查詢，系統即時產出事實、建議與行動方案。例如：查詢庫存周轉率，系統直接生成卡片與未來交銷趨勢預測

圖片來源：乃文簡報

圖片來源：乃文簡報

• Case 2- Skill in Agent (把分析能力技能化)：將專家的「經驗流程」模組化（如：異常偵測、客群分析）。原本需耗時 5 小時的人工分析，透過 Skill 化可縮短至 10 分鐘產出第一版洞察

圖片來源：乃文簡報

Case 3-自動化報告：針對 60%~80% 重複性高的例行報告，由 AI 自動抓取指標趨勢並生成摘要與下一步行動建議，將人類從繁瑣的機動工作中解放

圖片來源：乃文簡報

五、Lessons I learned…

推動 GenBI 專案的過程中，最難的三件事如下：

• 語義層 (Semantic Layer) 的建構： 指如何將 Domain Knowledge（領域知識）「結構化」與「向量化」。這不只是技術問題，還包含梳理業務術語與邏輯關聯，並編寫 AI Config（AI 說明書），引導 AI 在向量結構中正確找到答案。
• 優化流程的優先順序抉擇： 在眾多商業流程中，選擇「哪一個流程優先優化」是非常頭痛的決定。建議應基於「最常被使用」、「痛點最強（耗時成本高）」以及「能快速見到成效 」這三個標準來進行篩選。
• Skill（技能）的流程化： 將專家的經驗拆解成 AI 可執行的步驟（Skill 化）非常辛苦。因為在實務工作現場有許多突發狀況與例外，要找到跨部門之間的「最大公約數」並將其標準化，需要極大的溝通與梳理成本。

驗證環節不可省：在 Agent 流程中必須建立檢核機制（Check step），確保 AI 回答回扣到原始問題，以降低幻覺並管理 Log 效能。

圖片來源：乃文簡報

六、對GenBI未來的想像

• 分析師從被動轉主動：分析師不會消失，而是透過觀察哪些 Skill 被頻繁調用來主動偵測業務訊號，從「接收需求」轉向「主動提供建議」
• Dashboard 角色的演變：它將不再是分析的終點，而是作為流程中的「中繼站」，與 Agent 協作，讓人類更快速理解數據重量
• 多代理協作系統 (Multi-Agent Orchestration)：未來的常態將是虛擬分析團隊（DA、DE、DS Agent）與人類共同作業，極大化降低無效浪費並加速決策

圖片來源：乃文簡報

Take Away: 『GenBI是工具，Insight才是目的』

總結：分析師的新定位

乃文在 QA 的最後強調，GenBI 的出現並不會讓分析師消失，而是讓其從被動（等需求）轉為主動（給建議）。透過觀察哪些 Skill 被頻繁調用，分析師能提前偵測到相關業務訊號，主動發起研究。

「GenBI 是工具，不是目的。」 雖然 AI 提供了速度，但洞察的深度與判斷始終掌握在人類手中。

【問答環節-線上與會者發問】

Q1:

AI = insights 這點想討論： 乃文老師提到「AI產出的動察可能不是團隊要看的方向」。這代表AI是沒有足夠的business context和domain knowledge 。 若有一個方法去訓練AI更能和團隊所想要的動察對齊： 妳認爲AI=快但更精準的動察，這個流程有沒有搞頭？如果是妳會怎麼做呢？

A1:

關鍵挑戰 — AI 產出的洞察有時並非團隊真正關心的重點，或缺乏對產業術語的理解；解決建議：

• 利害關係人（Stakeholder）的深度參與：不要只在需求收集和最終交付時見面。在定義 AI 技能（Skill）的「十個處理步驟」過程中，就應邀請利害關係人共同檢視，確保 AI 的思維路徑符合業務邏輯。
• 善用溝通紀錄 (暴力解)：曾試過將對話逐字稿直接餵給 AI，讓 AI 從中分析使用者尚未察覺的潛在需求。
• 本質是管理問題：這不只是技術訓練，更考驗分析師的專案管理能力與人際溝通。

Q2:

有關GenBI的分享，請教是使用哪一個平台/工具？ 預期前期準備期應該很長，會需要餵很多文件（資料定義、資料來源等），請問開發時程多久呢？是否有搭配外部廠商的服務加速上線？謝謝。

A2:

關鍵痛點：如果日常沒有良好的知識管理習慣，在導入 GenBI 專案時會遇到巨大麻煩。專案三個月的時間，可能有兩個月都在整理資料。

實務心得：日常的文件定義與梳理非常耗功，但這是 AI 能否正確理解生意的基石。

【問答環節-現場與會者發問】

Q3:

在 Agent 流程中，如何處理大量的驗證 Log（日誌）以避免效能瓶頸？

A3:

問題背景：為了降低 AI 幻覺，會在流程中加入查核步驟（Check Step），但隨著提問增加，產生的 Log 會爆炸並拖慢系統。

優化方案：定期降維與清理 Log 雖然不能省，但需定期清理，避免其變成流程中的「大蟲（Bug）」。

反饋機制：將 Log 處理完後「餵回」數據語義層或知識庫（流程中的步驟三、四），讓系統能根據過去經驗快速學習，從而降低未來驗證的負擔。頻率建議從「每月」縮短至「每天」處理。

Q4:

任何資料都能直接對接到 GenBI 嗎？關於 Text-to-SQL 的預處理難題？

A4:

核心觀點：「絕對無法直接對接。」 不同服務的資料格式各異，必須經過人工與系統的預處理。

四層數據架構優化：為了讓資料與 LLM 高速相容，建議將架構由兩層擴充至四層：

1. 外部來源層 (Source)：原始資料接入口。
2. 初階處理層：初步清洗與規格化。
3. 特徵選取層：篩選出特定且關鍵的數據欄位。
4. LLM 相容層：處理成讓 AI 模型能極速讀取與運算的格式

【會後筆記】

WiDS Taipei 2026：從速度到深度，聽完乃文分享 GenBI 的實務啟發。

這次身為在 WiDS Taipei 負責接待乃文的志工，在現場聽完她分享「GenBI 時代，速度決定一切」的主題後深受啟發。乃文不僅具備深厚的技術背景，更是企業數位轉型的實踐者，她精闢地解析了數據如何轉化為真正的決策引擎，並對應提供實際案例作補充。

而乃文在演講最後提到：「GenBI 是工具，不是答案。」

作為在現場見證這場精彩分享的志工，能深刻感受到 GenBI 不會讓分析師消失，而是讓分析師從被動等需求轉為主動給建議。

在 GenBI 時代，速度是我們的引擎，而我們如何將數據轉化為具備商業價值的行動，才是企業真正的競爭優勢。

希望這份筆記能幫助錯過現場或想複習的大家，重新感受數據的重量！

💖如果喜歡這篇文章，找左側或左下角 “拍手符號👏”，支持我們繼續努力！(長按可以連拍50下哦!)

若您對於講者有興趣，這邊也附上各個公開之平台傳送門給大家:

• Linked in
• Instagram (資料九問 | 商業+數據分析｜乃文)

(記得私訊講者要有禮貌哦! 💖)