以 ChatGPT 協助資料分析時，品牌面臨的 3 項優勢與限制

🔹 數據分析的第一步：數據整合

🔹 數據整合與如何協助行銷人員掌握顧客

🔹 行銷人員與數據分析師溝通的 2 大困難點

🔹 沒有數據分析師，行銷人員可以怎麼做？

🔹 AI 工具的 3 大優勢與限制

數據分析的第一步：數據整合

隨著消費者日趨習慣消費場景於線上與線下轉換，品牌需要透過多種渠道與行銷工具與消費者互動，也由於接觸節點不斷增加，產生大量的顧客數據，在這種情況下，行銷人員面臨儘管擁有大量的顧客數據，數據卻四散在不同的資料庫和渠道中，不易整合運用的挑戰。
 

需要進行數據整合的可能情境有下列 3 種： 

1. 欲進行數位轉型的零售業，例如欲整合實體門市的紙本客卡與線上會員卡的美妝保養品牌，顧客消費結帳時，門市人員可依照線上會員膚質註記進行產品推薦，打造無斷點的顧客體驗服務。 

2. 擁有線上與線下販售通路的保健食品品牌，需要整合跨渠道顧客消費數據整合，藉以了解實際購買商品的消費者喜好。

3. 擁有多元實體通路品牌，如何收攏四散在各個實體通路的消費數據。 

數據整合與如何協助行銷人員掌握顧客 

當廣告費用持續攀升，轉換率難以提高時，行銷人員最需要解決的關鍵課題是，如何更有效地全面識別潛在顧客，並逐步將他們轉為實際顧客，為了達到此目標，深入了解潛在顧客的偏好與特性後將其分群，再針對這些不同的群體設計個性化行銷活動，是行銷人員提升轉換率的關鍵之一。 

行銷人員與數據分析師溝通的 2 大困難點

當行銷人員想進行數據分析，需要數據分析師的數據支援時，通常會遇到 2 大困難點：

1. 如何提出精確的數據需求：行銷人員需要準確地表達他們所需要的數據，以便數據分析師能夠提供相應的資料，這需要行銷人員具備一定的數據分析知識，並清楚地描述需求，讓數據分析師能夠快速理解並提供有效資料。

2. 等待資料與雙方溝通時間冗長：資料清理需要一定的等待時間，且雙方在溝通需求的時間冗長，可能無法即時性提供行銷人員所需數據，進而影響行銷策略的執行與優化效率。

為了解決以上問題，行銷人員可以嘗試使用一些自助式數據處理工具，例如 ChatGPT。ChatGPT 可以幫助行銷人員快速進行數據處理，提供基本的分析功能，滿足行銷人員的立即需求。

沒有數據分析師，行銷人員可以怎麼做？

今年非常火紅的 Chat GPT 橫空出世，改變了許多工作流程並優化了效率，在數據分析流程中，也有非常突破性的發展，ChatGPT 推出了 Code Interpreter 的應用功能，這個功能可以讓使用者上傳資料（excel, csv 等）到 ChatGPT，進行一整套的分析流程，從數據清整、數據分析、數據視覺化，甚至是下一步的關鍵行動都可以提供建議，一切都不需要行銷人或資料分析師寫任何一串程式碼，都能透過 Code Interpreter 功能，讓 ChatGPT 幫你進行資料分析，下列是我們使用Code Interpreter 功能的實際畫面。（備註：Code Interpreter 為 ChatGPT 付費版功能。）

圖一｜資料上傳，於GPT-4 中開啟 Advanced Data Analysis 功能後，可以點選「＋」進行資料上傳。

圖二｜說明資料分析需求，行銷人員可以透過 Code Interpreter 功能，讓 ChatGPT 協助資料分析。

圖三｜等待ChatGPT分析資料，由於在數據分析流程當中有 80% 都在進行數據清整，可透過 ChatGPT 大幅降低等待時間。

圖四｜等待ChatGPT分析資料，請 ChatGPT 幫助你進行分群，若有明確的分群輪廓規則，也可以請它幫你按照規則分類。
 

從上述截圖中，我們可以看到ChatGPT確實能協助行銷人員，將顧客消費數據透過表格的方式呈現，行銷人員只要清楚的說明自己的需求與目的，剩下的交給ChatGPT 來協助即可，這樣強大的工具究竟有什麼樣的優勢與限制？

AI 工具的 3 大優勢與限制

透過上傳分析資料給 ChatGPT，Code Interpreter 能夠協助行銷人員進行數據分析，無需等待數據分析師提供清整後的數據，能有效提升資料分析效率，原本可能需要花半天進行的資料分析工作，透過 Code Interpreter 可以在幾分鐘內完成一份數據分析報告初版，透過簡單的示範我們能理解AI 工具有 3 大優勢：

1. 節省溝通成本

2. 加速資料整理效率

3. 行銷人員主導數據

然而，實際上 AI 工具也存在一些限制，例如上傳給 ChatGPT 的檔案大小不能超過 100 MB，且分析所得的洞察結果還需要進行會員行銷溝通和儀表板監測等後續工作，而企業很注重的數據資安問題也需要考量，更重要的是，數據分析與優化，並不是一次性就結束的工作，行銷策略的優化需要持續不斷的透過數據洞察後調整，總而來說，使用 AI 工具進行數據分析時，有以下 3 項主要限制需要考慮：

1. 上傳檔案的大小限制

2. 數據需儀表板協助判讀

3. 企業數據資安問題

AI 崛起，是否還需要數據工程師和資料分析師

儘管 AI 工具在短期數據分析方面確實提高了效率，但其應用效能極限取決於企業數據的完整性、整合性以及架構的完整性，AI 工具尚不能完全取代資料工程師和資料分析師的工作，因為在真實協助客戶進行數據分析的情境中，企業的數據分析並非只是一張資料表或幾百筆資料就可以解決的事情，且企業須透過數據洞察持續的優化調整行銷策略，因應變化快速的市場與消費者。

因此，我們仍然非常需要數據團隊協助企業整合多方來源的數據，將整合後的數據做更完善應用，請數據團隊設計更易於行銷使用的數據中心，例如：數據儀表板、會員標籤庫和自動化溝通線名單等，惟有建立完善的數據基礎建設，AI 工具才能發揮最大的輔助應用價值，關於資料整合分析如何在實際案例應用，我們將在下篇文章詳細說明。

圖五｜顧客數據平台 Thinker 提供數據儀表板，行銷成效一目暸然。

想知道 Migo 如何協助品牌打造數據中心與整合多方數據，藉由數據洞察掌握顧客輪廓並提升顧客價值嗎？歡迎至聯絡我們填寫資料，由專業顧問聆聽需求，獲取達成銷售目標最佳的解決方案！

延伸閱讀：LINE 會員管理如何開始，2 個案例分享數據應用方向