認識 ChatGPT Work 裡的 Data Agent

🧑‍🏫 這支影片示範 ChatGPT 裡的 Data Agent 怎麼處理一個真實的商業問題：從主管丟來一句「新產品上線得怎樣」開始，到分析原因、排好分工、做出共享的進度總覽。它也說明了一件很多公司都頭痛的事：不同部門算出來的數字常常對不起來，要怎麼讓大家看的是同一套。

• 00:02 公司已投資在資料上。ChatGPT Data Agent 把可信的資料和團隊專業帶進日常決策
  ↳ 很多公司早就花錢整理資料，但通常只有分析師會用。Data Agent 是 ChatGPT 裡專門分析資料的助手，目的是讓一般人做決定時，也能直接用上這些可信的資料和團隊經驗。
• 00:02 本片示範流程：從一個商業問題走到給團隊的行動計畫
  ↳ 影片不是只展示單一功能，而是走完整條路：從一個問題開始，一路做到能交給團隊執行的行動計畫。
• 00:02 情境：上班途中，管理層問新產品上線狀況。講者用手機送出問題，Data Agent 就開始工作
  ↳ 情境很日常：主管在通勤時丟來問題，講者不用等進辦公室，直接用手機把問題交給 Data Agent，它就自己開始跑分析。
• 00:02 Data Agent 使用公司可信的資料，以及既有 site 的 context 來做分析
  ↳ 它不是隨便上網找資料，而是用公司認可的資料，加上 context（事先整理好的背景說明，像是名詞代表什麼、數字怎麼算）來分析，所以答案會貼近公司的實際狀況。
• 00:32 講者到辦公桌坐下時，分析已經完成
  ↳ 省下的是等待時間：通勤路上分析就在進行，人一到座位就能直接看結果，不用從頭自己撈資料。
• 00:32 分析發現：回訪的 authors 帶動成長，但從 funnel 看，有權限的使用者只有約 16% 開始建立內容
  ↳ authors 指在產品裡建立內容的人。回訪的 authors 是成長主力。funnel 是看使用者在哪一關流失的比例圖，它顯示拿到權限的人只有約 16% 真的開始建立內容。
• 00:32 結論：需要幫助更多客戶跨出第一步
  ↳ 問題卡在「開始」這一步：大部分人有權限卻沒動手。所以該想辦法推他們做出第一個作品，不能只顧已經在用的人。
• 00:32 透過 data plugin，可以查看報告背後的證據、metric definitions、底層資料和 SQL queries
  ↳ data plugin 是接在 ChatGPT 上的資料工具，能打開報告背後的東西：依據、metric definitions（每個指標怎麼定義）、原始資料，還有 SQL queries（向資料庫撈資料的指令）。
• 00:32 分析師團隊可以驗證回應是怎麼得出的，並確認它回答的是正確的商業問題
  ↳ AI 算出來的結果不能照單全收。分析師可以逐步檢查它是怎麼算的，也確認它回答的真的是主管想問的，不是一個看起來很像的別的問題。
• 00:32 接著查看 Slack 討論和 Google Drive 裡既有的報告，找出客戶不建立 site 的原因
  ↳ 數字只說明「發生了什麼」，沒說「為什麼」。所以接著去翻 Slack（公司常用的聊天工具）裡的討論和 Google Drive（雲端硬碟）上的舊報告，找出客戶不建立 site（網站）的原因。
• 01:02 回饋顯示，客戶不確定該從哪裡開始
  ↳ 客戶不是不想用。他們打開產品後不知道第一步該做什麼，就卡在起點了。
• 01:02 得出具體建議：在 app 內給使用者提示，說明如何發布 site
  ↳ 建議很具體：在 app（產品本身的介面）裡直接跳出提示，教使用者怎麼把網站發布出去，讓他們在卡住的當下就知道下一步。
• 01:02 依照這些建議，請 ChatGPT 協助分配責任和下一步
  ↳ 有了方向還得有人去做。講者請 ChatGPT 幫忙排出誰負責什麼、接下來做哪些事，把建議變成一份待辦清單。
• 01:02 講者審核計畫後分享到 Slack，讓對的人有明確分工，也有共同衡量進度的方式
  ↳ 計畫由 AI 起草，但講者自己看過才發出去。分享到 Slack 之後，每個人都知道自己負責哪一塊，也有同一套數字可以看進度有沒有推進。
• 01:32 data plugin 把分析轉成 dashboard，讓產品主管、客戶成功團隊和分析師都從同一個可信來源工作
  ↳ dashboard 是把重要數字集中在同一頁、隨時可看的總覽。產品主管、客戶成功團隊（幫客戶把產品用好的人）和分析師都看同一份，就不會各說各話。
• 01:32 dashboard 讓大家有地方回答每週的問題：是否有更多客戶在用這個產品？authors 有沒有回訪？哪些客群需要更多幫助？
  ↳ 每週常被問的幾件事，像是用的客戶有沒有變多、authors 有沒有回來、哪類客戶需要幫忙，都能直接在這頁找答案，不用每次請人重新撈數字。
• 01:32 各團隊能自行探索這些問題，分析師則能專注在更深入的研究
  ↳ 各團隊能自己查基本問題，分析師就不會整天被「幫我拉一下這個數字」打斷，可以把時間花在更難、更有價值的研究上。
• 01:32 講者設定通知：每週 author 參與度比前一週下降時就提醒
  ↳ 不用天天盯著數字看。設好條件後，只要本週 author 參與度比上週低，系統就自動提醒，有狀況時才需要花心力處理。
• 02:02 請 ChatGPT 協助定義規則：下降多少才算重要、何時檢查、誰該被通知。規則細節要在規劃前先確認
  ↳ 「下降」要先講清楚：掉多少才算重要、多久檢查一次、該通知誰。這些規則要先確認好再往下規劃，不然提醒會亂響或該響的沒響。
• 02:02 透過 refresh 選項，整個上線期間都能讓共享的總覽保持最新
  ↳ refresh options 是讓資料定期更新的設定。開啟後，整個上線期間大家看到的總覽都是最新數字，不會拿過期的資料來討論。
• 02:02 價值在於有一致的方式來察覺變化、對齊焦點，並決定何時調整計畫
  ↳ 真正的好處不是多了一張圖表，而是大家有同一套做法：發現數字變了、對齊該先處理什麼、判斷要不要改計畫。
• 02:02 整個組織要怎麼有一致的資料？關鍵在 context。前面看到的分析和 dashboard 都使用既有 site 的 contextual layer
  ↳ 同一個詞，不同部門的算法可能不一樣，數字就兜不起來。關鍵在 context：前面的分析和 dashboard 都建立在同一層背景說明上，也就是 contextual layer。
• 02:32 接著看資料團隊怎麼建立這個基礎，讓日後的問題都使用同一套商業定義
  ↳ 影片接著轉到幕後，看資料團隊怎麼先把這層基礎打好，讓之後任何人提問，用的都是同一套商業定義。
• 02:32 資料團隊用 Data Agent，根據 repository、分析相關對話和文件，建立 data context layer
  ↳ 資料團隊讓 Data Agent 讀 repository（存放程式碼與資料設定的地方）、過去的分析討論和文件，整理出 data context layer，等於是公司看資料的共同說明書。
• 02:32 context layer 匯集團隊解讀資料所用的知識，並解釋商業術語的意思，例如瀏覽 site 的人和建立 site 的人是不同的
  ↳ 它把團隊判讀資料的經驗寫下來，也解釋術語。例如「看過網站的人」和「做網站的人」是兩群不同的人，混在一起算，數字就會錯。
• 02:32 context layer 也規定要計入哪些來源和活動、使用哪個報告期間，以及如何做一致的比較
  ↳ 它也寫清楚計算規則：哪些資料來源和使用行為要算進去、報告期間取哪一段、怎麼比較才一致，避免每次比較的基準都不一樣。
• 03:02 整個組織因此有一致的 metric definitions。任何人查詢資料，都用同一套商業脈絡，得到一致、可靠的結果
  ↳ 結果是全公司共用同一套 metric definitions。不管誰去查，背後用的都是同一套商業脈絡，算出來的數字一致，也比較可信。
• 03:02 data plugin 把完整的分析、共享 dashboard 和一致的商業脈絡整合進日常工作
  ↳ 總結來說，data plugin 把三件事放進日常工作：完整的分析、大家共用的 dashboard，以及一致的商業定義。
• 03:02 資料團隊的專業因此能支援任何需要做決策的人
  ↳ 資料團隊的專業不再只服務少數人。透過這套機制，任何需要做決定的人都能用上。

影片中的 funnel 分析顯示，有權限的使用者大約有多少比例開始建立內容？