WiDS Taipei 2025 | 資料探勘的新利器！LLM怎麼幫行銷人解鎖數據洞察?— 傅士瑛 Cassandra Fu

講者介紹-傅士瑛（Cassandra Fu）

📍現任 Appier 產品管理總監，擁有多年 AI 應用與產品實作經驗，專注於打造數據驅動的行銷科技與生成式 AI 解決方案。她帶領團隊規劃並推動多項核心產品，包括潛在顧客預測模型、即時競價（RTB）引擎、個人化推薦系統，成功協助品牌、電商與遊戲開發商提升行銷效率與 ROI。

目前，她也正於政治大學資訊科學研究所進修，專注研究大型語言模型（LLM）在資料分析領域的應用，期望結合實務與技術背景，降低跨領域溝通門檻，推動 AI 更廣泛的產業落地，並促進 LLM 在資料分析上的普及與實用化。

在這場分享中，講者從一個生活化的場景展開：透過 UberEats 下單一杯手搖飲。這不僅是一項平凡的消費行為，更是一場與數位系統的深度互動體驗。從推薦排序、即時庫存調整、配送預測，到客服回饋的自動化處理，背後牽動著複雜的演算法與數據系統，展現出高度自動化的運作模式。

講者藉此指出，我們正處於一個「技術奇異點已悄然到來」的時代。在這樣的環境下，行銷領域也正面臨轉型：非工程背景的行銷人員，是否仍能積極參與這場資料驅動的革新？這正是講者希望透過 LLM（大型語言模型）工具實測與探索的核心動機。

行銷實務的挑戰：KDD 流程中的落差

從產品經理的角色出發，講者觀察到一個普遍困境──行銷人雖具備對市場與客群的敏銳洞察，卻經常在資料分析實作環節卡關。

以 KDD（Knowledge Discovery in Database）資料探勘流程為架構，將常見挑戰拆解如下：

• 目標資料選取（Selection）：資料散落在不同系統中，格式不一致，且須仰賴技術團隊協助擷取
• 資料預處理（Preprocessing）：即便取得資料，還需清理欄位、補缺值與修正錯字，這些工作往往需要程式能力
• 資料轉換（Transformation）：清理後的資料需經正規化、編碼與聚合等處理，並透過特徵工程衍生出更具分析價值的欄位，以利後續建
• 資料挖掘（Data Mining）：用統計與機器學習等合適的模型做預測，常需要較高技術門檻
• 解讀與評估（Interpretation）：將分析結果轉成實際的商業行動策略!

在這樣的情境下，講者開始思考：大型語言模型是否能成為行銷資料分析的「共創夥伴」？

PM 的 LLM 實驗室：兩大應用主題實測探索

為了驗證這個假設，講者進行一系列低門檻的 LLM 工具實測，聚焦於行銷資料分析流程中最常卡關的幾個環節，並實測以下幾種應用：

主題一：Vibe Coding with GitHub Copilot

以自然語言輔助資料處理與建模規劃

1️⃣ 資料清理：用自然語言指令產出程式碼

講者使用自然語言描述清理需求（如欄位命名統一、補缺值、修正錯字），由 LLM 自動生成正確的 Python 程式碼。這讓非工程人員也能完成基礎資料清理，大幅降低資料準備門檻。

2️⃣ 分析任務規劃：自動推薦模型與評估指標

講者嘗試讓 LLM 根據分析目標，推薦適合的模型（如隨機森林）與評估指標（如 AUC）。雖然類別變數處理仍需人工校正，但整體邏輯已具備輔助規劃的潛力，對初學者尤為有用。

主題二：LLM Plot Agent

讓圖表生成與監控報表更直覺、更即時

3️⃣ 視覺化生成：根據描述產出流程圖與圖表語法

講者測試讓 LLM 產出流程圖與繪圖語法，並根據使用者回饋調整格式。這種生成能力對需要頻繁簡報的行銷人員而言，極具實用性。

4️⃣ 自然語言查詢：即時生成資料監控報表

透過輸入「查詢上週產品回饋分數分佈」，LLM 不僅產出正確 SQL 查詢，還能即時視覺化數據結果。這代表即便不熟 SQL，PM 也能自主進行資料監控與分析。

觀察：LLM 為什麼改變行銷數據分析流程？

透過上述實驗，講者歸納出以下三點觀察：

1. 大幅降低技術門檻：LLM 讓過去需要撰寫程式才能完成的任務，得以用自然語言完成，大幅擴展了非工程人員的資料處理能力。
2. 加速產品開發流程：從需求定義到模型建立、視覺化輸出，原先需跨部門協作的任務，如今可由單一個體完成 MVP。
3. 提升監控靈活性與即時性：以往資料監控需仰賴 BI 工具與工程排程，如今透過 prompt 即時產出圖表、修改欄位設定，靈活度大幅提升。

這些轉變不僅改變了工具的使用方式，也改變了工作本身的樣貌。AI 正逐漸從輔助工具，升級為能共同分析與創造的夥伴。

向未來邁進：三項 AI 行銷應用趨勢

隨著技術演進持續加速，行銷領域的 AI 應用也將展現更大的能量。講者歸納出三個值得關注的未來趨勢：

1️⃣ 多模態技術普及，擴展應用場景

AI 處理能力從純文字擴展至圖像理解、語音辨識、影片生成與多模態輸出，行銷團隊將能在素材生成、受眾貼標、消費旅程設計等多個環節引入 AI 協作，打造全流程的自動化行銷作業。

2️⃣ LLM 平台化與多智能協作

未來的 LLM 將透過標準協定如 MCP（Model Context Protocol） 串接外部工具與資料，讓多個具專長的智能助手協作，接力完成資料處理與決策執行。

3️⃣ RAG 技術驅動企業專屬知識庫

Retrieval-Augmented Generation（RAG）技術可結合內部知識（如顧客資料、產品規格、FAQ 等），強化 AI 的回應準確度與企業脈絡理解。未來每個企業都可能擁有自己的「專屬語言模型」，成為內部營運智慧的重要基礎建設。

📍總結：AI 共創時代的行銷人才樣貌

AI 正從行銷工具，轉型為創意與數據決策的共創夥伴。未來的行銷專業人才，不僅需理解行銷策略，也需要具備與 AI 協作的能力，才能真正釋放資料與創意整合的潛能。

未來的競爭，不是人與 AI 的對抗，而是「懂得與 AI 合作的人」，將取代「無法善用 AI 的人」。

Q&A 精選問答

Q1. 大型科技公司禁止使用外部 AI 工具，該怎麼處理內部資料與 AI 使用的矛盾？

A: 沒錯，當公司不能使用外部 AI 工具（如 ChatGPT、Copilot）時，我們會傾向建立 企業內部專屬的 AI 環境，結合內部的 專屬資料庫（如 RAG 架構），確保在私有、安全的環境下使用 AI，避免洩露公司內部資料。這也是我在簡報中提到 RAG 架構的重要性。

Q2. 公司是否鼓勵非工程背景的人使用 AI 工具？

A: 在我們公司（Appier），非常鼓勵使用 AI 工具提升工作效率，不論是在撰寫 PRD、跟 UI/UX 溝通、或直接製作 demo 進行跨部門協作。這不只是 PM 的範疇，整個開發流程中都在導入 LLM 技術，目的是讓整個團隊更敏捷、更聰明地工作。

Q3. PM 開始會 Coding，是否會導致 PM 與工程師的角色模糊？

A: 其實不會。你可以把 PM 做的東西視為 Prototype，但要部署到大型分散式系統中，還是需要工程師來處理各種 穩定性、效能、架構等問題。 LLM 的加入反而讓 PM 可以更獨立處理商業邏輯問題，減少打擾工程師的頻率，讓工程師能更專注於 Code Quality 與大型系統設計，角色是互補、而非取代。

Q4. 非資料科學背景的行銷人員，怎麼確保 AI 工具的分析結果是可信的？

A: 這是非常好的問題。就像我在簡報中提到的，LLM 可以幫你快速建立初步分析，但一定需要有專業人員（不論是內部或合作顧問）來 Review 結果，確保準確性與可解釋性。這不是「交給 AI 就好」，而是建立 人機協作機制。

Q5. 各國資料保護規範越來越嚴格，Appier 怎麼應對？

A: 的確，像是 GDPR、Cookie 政策限制 讓我們不能再依賴第三方資料。 我們的解法是：聚焦在第一方資料（First-party data） 的管理與整合，協助企業更好地利用自己的會員、交易、互動資料，產生洞察與價值，這會是未來資料運用的趨勢與核心。