PPT_補充
B01 資流:從資料、資訊到 AI 行動
核心重點
核心面向 |
教材重點 |
學生應掌握的能力 |
資料生命週期 |
建立、編輯、轉換、發布與交換文字、圖像、音訊、影音及程式資料。 |
能選擇適合的格式、工具及保存方式。 |
分析與決策 |
由資料清理、統計分析、視覺化進入預測、推薦、最佳化與分類。 |
能把商務問題轉換成分析任務,而非只蒐集資料。 |
系統連接 |
比較 API 與 MCP,理解 AI Agent 如何使用企業工具與資料。 |
能辨識系統整合、權限與資料治理需求。 |
軟體與網站框架 |
掌握 LAMP、Office、A/E/I/O/U 及使用者體驗五層。 |
能理解前端、後端、資料庫、商務文件與介面的關係。 |
AI 工作流程 |
以 GOAL-S 將目標、輸出、分析、限制與來源轉成可執行工作。 |
能設計可驗證、可追蹤的 AI 輔助流程。 |
一、資流不是檔案堆積,而是可用資訊的移動
資流涵蓋資料如何被建立、編輯、轉換、發布、交換、分析與回饋。國際商務中的產品規格、詢價、報價、訂單、付款、物流、單據與售後紀錄,都屬於資流。資流品質決定商流、金流與物流能否被正確啟動及追蹤。
二、GOAL-S:把需求轉成 AI 可執行任務
模組 |
核心概念 |
主要能力 |
國際商務應用 |
G — Generation |
生成內容 |
Prompt、寫作、研究、翻譯、多模態生成 |
開發信、產品資料、市場研究、跨文化溝通 |
O — Office + AI |
辦公協作 |
文件、試算表、簡報、郵件、會議、知識管理 |
報表分析、合約閱讀、簡報、交易資料整理 |
A — Agent |
代理執行 |
目標拆解、工具使用、工作流、觸發、記憶、人工審核 |
B2B 開發、客戶研究、追蹤、流程自動化 |
L — Leverage |
商業槓桿 |
個人、流程、決策、商業模式槓桿 |
效率提升、資源配置、決策支援、服務重設計 |
GOAL-S 不是單純的提示詞格式,而是一個工作設計框架。它要求使用者先定義目的與驗收標準,再決定 AI、Office、自動化或 Agent 應執行哪些步驟。
三、數位內容與資料的五種操作
功能 |
Text 文字 |
Image 圖像 |
Audio 音訊 |
Video 影音 |
Data / Program 數據/程式 |
Create 建立 |
Word、Google Docs、Notion、ChatGPT |
Photoshop、Illustrator、Canva、Midjourney、DALL·E |
Audacity、GarageBand、Ableton Live、Logic Pro、Suno |
Premiere Pro、Final Cut Pro、CapCut、Runway、Canva |
Excel、Google Sheets、CSV、JSON、XML、Access、SQL Database、Airtable、Python、R、VS Code、Cursor、GitHub Copilot、Replit、ChatGPT |
Edit 編輯 |
校對、改寫、翻譯、摘要、排版、註解、版本修訂 |
裁切、去背、調色、修圖、合成、向量化、尺寸調整 |
剪輯、降噪、混音、音量調整、轉調、分軌、字幕對齊 |
剪輯、調色、加字幕、轉場、特效、去背、畫面穩定 |
資料清理、欄位整理、格式標準化、公式修正、查詢修改、程式除錯、版本控制 |
Convert 轉換 |
TXT、DOCX、PDF、RTF、ODT、Markdown、HTML、EPUB |
JPG、PNG、GIF、SVG、WEBP、TIFF、PSD、AI、PDF |
MP3、WAV、AAC、FLAC、M4A、OGG、MIDI |
MP4、MOV、AVI、MKV、WEBM、WMV、GIF、SRT |
XLSX、CSV、JSON、XML、SQL、MDB / ACCDB、SQLite、Parquet、HTML Table、API、Python Script、Executable |
Publish 發布 |
PDF、電子書、網頁文章、部落格、電子報、教學講義 |
社群貼文、作品集、網站圖片、印刷品、海報、簡報素材 |
Podcast、串流音樂、音訊教材、語音檔、廣播內容 |
YouTube、TikTok、Reels、Vimeo、線上課程、影音教材 |
Dashboard、Dataset、Database、API、GitHub Repository、Web App、App、Automation Workflow |
表格把工作分為 Create(建立)、Edit(編輯)、Convert(轉換)與 Publish/Exchange(發布/交換),並橫跨文字、圖像、音訊、影音及資料/程式。教材重點不是記住所有軟體,而是理解「內容類型 × 操作目的 × 輸出格式」三者必須一致。
四、常用資料分析工具
工具 |
主要定位 |
優點 |
限制 |
適合使用情境 |
Excel + AI |
入門與日常商務分析工具 |
容易上手、適合整理資料、公式、樞紐分析、快速產生圖表與報告 |
處理大量資料與複雜模型能力有限 |
銷售分析、成本分析、報價比較、庫存整理、基本統計 |
SPSS |
統計分析工具 |
操作介面清楚,適合問卷、迴歸、ANOVA(多組差異)、描述統計 |
彈性較低,進階自動化能力有限 |
問卷分析、市場調查、研究論文、社會科學統計 |
BI / Power BI |
企業報表與儀表板工具 |
可連接多種資料來源,適合動態報表與管理決策 |
需要資料模型觀念,初學者需時間熟悉 |
企業績效追蹤、銷售儀表板、管理報表 |
Tableau |
資料視覺化工具 |
視覺化效果佳,互動式圖表強,適合簡報展示 |
統計建模與自動化能力不如 Python |
商業簡報、互動式圖表、市場趨勢視覺化 |
Python |
程式化資料分析工具 |
彈性最高,可處理大量資料、自動化、機器學習、AI 分析 |
需要程式基礎,學習門檻較高 |
大量資料清理、自動化分析、預測模型、AI 應用 |
Excel + AI 適合商務人員快速整理、計算與探索;SPSS = Statistical Package for the Social Sciences(社會科學統計套裝軟體)適合標準化統計;BI = Business Intelligence(商業智慧)適合企業儀表板;Tableau 強於互動視覺化;Python 適合大量資料、自動化與模型。工具選擇應由問題、資料量、重複頻率與治理要求決定,而不是依「能力百分比」簡化判斷。
五、預測、迴歸與變異數分析
項目 |
Forecast 預測/預測分析 |
迴歸分析 |
ANOVA 變異數分析 |
主要目的 |
根據過去資料推估未來結果或趨勢 |
分析變數之間的影響關係 |
比較不同組別的平均數差異 |
核心問題 |
未來會發生什麼?數值可能是多少? |
X 是否影響 Y?影響多少? |
A、B、C 三組的平均數是否不同? |
常見資料型態 |
時間序列資料、歷史銷售資料、需求資料、價格資料 |
連續變數對連續變數 |
類別組別對連續結果 |
常見例子 |
根據過去 12 個月銷售額預測下月銷售額 |
廣告費是否影響銷售額 |
三種廣告方式的平均銷售額是否不同 |
適合情境 |
銷售預測、需求預測、庫存預測、匯率趨勢預測 |
預測、影響因素分析 |
組別比較、實驗結果比較 |
Forecast(預測)回答未來可能發生什麼;Regression Analysis(迴歸分析)回答變數之間是否存在關係及影響程度;ANOVA = Analysis of Variance(變異數分析)比較多組平均數是否存在顯著差異。三者可能使用相同資料,但研究問題與模型假設不同。
六、API 與 MCP:從系統連接到 AI 使用工具
比較項目 |
API |
MCP |
中文名稱 |
應用程式介面 |
模型上下文協議 |
基本概念 |
讓系統與系統交換資料或功能 |
讓 AI Agent 用一致方式連接工具、資料與流程 |
主要角色 |
企業系統的「服務窗口」 |
AI Agent 的「標準插頭」 |
主要使用者 |
工程師、IT、系統整合人員 |
AI 開發者、企業 AI 架構人員、Agent 建置者 |
連接對象 |
ERP、CRM、訂單系統、物流系統、資料庫 |
MCP Server、知識庫、文件、資料庫、企業工具 |
工作方式 |
開發者指定 API、參數與回傳結果 |
Agent 透過 MCP Client 使用 MCP Server 提供的 Tools、Resources、Prompts |
是否專為 AI 設計 |
否,是一般軟體整合方式 |
是,主要為 AI Agent 連接外部工具而設計 |
執行範例 |
ERP查詢庫存、建立採購單、CRM查詢客戶資料、更新銷售階段 |
ERP詢問「A產品目前還有多少庫存?」、依缺貨狀況建議補貨並草擬採購單、CRM彙整某客戶過去交易與聯絡紀錄、將某案件標記為報價中或成交 |
標準化程度 |
各系統 API 規格不同,常需客製串接 |
用統一方式讓 AI 發現與使用工具 |
在 Copilot Studio 中 |
可透過 Connector、Power Automate、自訂連接器呼叫 |
可連接 MCP Server,讓 Agent 使用外部工具與資料 |
安全重點 |
API Key、OAuth、Token、權限、存取紀錄 |
身分驗證、工具授權、Prompt Injection 防護、工具審核、審計紀錄 |
主要風險 |
未授權存取、資料外洩、錯誤寫入、API 濫用 |
惡意 MCP Server、工具中毒、權限提升、Prompt Injection |
適合場景 |
明確、固定、可程式化的系統整合 |
多工具、多資料來源、多 Agent 的 AI 整合 |
教學比喻 |
企業系統的「服務櫃台窗口」 |
AI Agent 的「USB-C 標準插頭」 |
API = Application Programming Interface(應用程式介面),讓不同系統交換資料與功能;MCP = Model Context Protocol(模型上下文協議),讓 AI Agent 以較一致的方式發現與使用工具、資源及提示。企業可以把既有 ERP = Enterprise Resource Planning(企業資源規劃)或 CRM = Customer Relationship Management(顧客關係管理)的 API 包裝為 MCP Server,但仍須處理認證、授權、日誌、資料最小化與人工覆核。
七、AI 引導的四種商務模型
Prediction預測 |
Recommendation推薦 |
Optimization最佳化 |
Classification分類 |
What will happen? |
What should we choose? |
What is the best way? |
What type is it? |
預測未來「未來會怎樣」 |
推薦選項「應該選什麼」 |
最佳方式「怎樣安排最好」 |
分門別類「屬於哪一類」 |
根據過去資料推估未來結果 |
根據條件、偏好或歷史行為提出建議 |
在限制條件下找出最佳方案 |
將資料依規則或特徵歸入不同類別 |
銷售預測、市場需求預測、匯率變動預測、庫存需求預測 |
產品推薦、客戶開發建議、市場進入建議、供應商選擇建議 |
報價組合、物流路線、庫存配置、廣告預算、採購排程 |
客戶分級、風險分級、商品分類、文件分類、詢盤分類 |
例:預測下季某產品在越南市場的銷售量 |
例:根據客戶需求推薦最適合的出口產品 |
例:在成本、交期與風險條件下選出最佳物流方案 |
例:把海外詢盤分成高潛力、普通、低潛力客戶 |
輸出結果通常是數值或趨勢 |
輸出結果通常是建議清單或排序 |
輸出結果通常是最佳方案或配置 |
輸出結果通常是類別、標籤或等級 |
Prediction(預測)估計未來;Recommendation(推薦)提出選項;Optimization(最佳化)在限制條件下尋找最好配置;Classification(分類)判斷資料屬於哪一類。四者的輸出不同,不能把所有 AI 任務都稱為預測。
八、軟體能力框架:A/E/I/O/U
項目 |
A:Adobe / Autodesk |
E:eBook / 電子書 |
I:Internet / Website / Server |
O:Office |
U:UI / UX |
定位 |
視覺、影音與設計製作能力 |
數位出版能力 |
網站與跨境電商能力 |
商務文件與資料處理能力 |
使用者體驗與介面規劃能力 |
對應範圍 |
Adobe、Autodesk |
eBook、ePub、PDF |
Domain、Server、HTML、CSS、JS、WordPress、WooCommerce、MySQL、PHP、Form |
Word、Excel、PowerPoint、Outlook、Forms |
UI、UX、Wireframe、Prototype、User Flow |
主要用途 |
圖像、排版、影音、3D、建模、設計製作 |
電子書製作、轉檔、閱讀、出版、數位教材整理 |
網域、主機、前端、後端、資料庫、網站與電商應用系統 |
文件、表格、簡報、資料整理、報告與行政自動化 |
介面設計、原型設計、使用者流程、網站與 App 版面規劃 |
成果 |
商品圖、電子型錄、簡報視覺、短影片、3D 展示圖 |
eBook、EPUB、PDF 教材、電子書封面、數位商品 |
Domain、Hosting、網站架構、WordPress、WooCommerce 商品頁 |
Word 報告、Excel 表格、PowerPoint 簡報、表單與報表 |
網站 wireframe、App 原型、顧客流程圖、服務頁面設計 |
常用工具 |
Photoshop、Illustrator、InDesign、Premiere Pro、After Effects、Audition、Acrobat、Adobe Express、Lightroom、AutoCAD、Revit、Maya、3ds Max、Fusion 360 |
Calibre、Sigil、Kindle Create、Apple Pages、Microsoft Word、Google Docs、Adobe InDesign、Canva、Pressbooks、EPUB Validator、Kindle Direct Publishing |
GoDaddy、Namecheap、Cloudflare、cPanel、FileZilla、VS Code、HTML、CSS、JavaScript、Bootstrap、WordPress、WooCommerce、Elementor、MySQL、phpMyAdmin、PHP、Google Forms、Typeform、Jotform |
Microsoft Word、Excel、PowerPoint、Outlook、OneNote、Access、Google Docs、Sheets、Slides、Forms、Notion、Airtable、LibreOffice、WPS Office、Power BI |
Figma、Adobe XD、Sketch、Framer、Canva、Miro、FigJam、Whimsical、Balsamiq、Axure RP、InVision、Maze、Hotjar、Google Analytics |
A 代表 Adobe/Autodesk 的視覺與設計能力;E 代表 eBook(電子書)與數位出版;I 代表 Internet(網際網路)、網站與伺服器;O 代表 Office 商務文件與資料處理;U 代表 UI/UX。UI = User Interface(使用者介面);UX = User Experience(使用者體驗)。這五類能力共同支撐內容、系統、流程及使用者操作。
九、LAMP 與網站系統
層次 |
英文原文 |
主要功能 |
商務應用 |
L |
Linux |
伺服器作業系統與執行環境 |
網站主機、權限、排程與服務管理 |
A |
Apache HTTP Server |
接收瀏覽器請求並提供網頁 |
企業網站、入口與網址路由 |
M |
MySQL |
儲存、查詢與管理結構化資料 |
產品、客戶、訂單與內容資料庫 |
P |
PHP |
後端程式邏輯與資料庫互動 |
表單處理、登入、報價與電商功能 |
前端 |
HTML/CSS/JavaScript |
呈現內容、版面與互動 |
產品頁、詢價表、狀態顯示 |
LAMP = Linux, Apache, MySQL and PHP,是常見的網站軟體組合。LAMP 不等於整個 Internet,也不應把 Apache 直接稱為前端;Apache 是 Web Server(網頁伺服器),HTML、CSS 與 JavaScript 才是瀏覽器端的主要呈現技術。
十、Jesse James Garrett 的使用者體驗五層
分析面向 |
戰略層 Strategy |
範圍層 Scope |
結構層 Structure |
框架層 Skeleton |
表現層 Surface |
核心任務 |
定義市場、買家、信任與成交目標。 |
決定本期要做的商務模組與資料。 |
串接產品、詢價、報價、金流、物流、單據、服務。 |
安排頁面、表單、導航、狀態與提示。 |
建立清楚、專業、可信的最終呈現。 |
實際作業 |
設定 KPI:有效詢價率、報價時間、付款完成率、客服量。 |
盤點功能與內容:產品、RFQ、Quote、Payment、Shipping、Documents、Service。 |
畫出七條流程:產品資料流、詢價流、報價流、金流、物流、單據流、服務流。 |
做線框圖:產品頁、詢價表、報價頁、付款頁、物流頁、文件中心、客服中心。 |
制定視覺規則:表格、狀態色、文件模板、多語言排版。 |
商務案例 |
讓海外買家願意詢價、付款並再次合作。 |
產品頁需有規格、MOQ、Lead Time、幣別、付款、物流、文件。 |
產品 → 詢價 → 報價 → 訂單 → 付款 → 出貨 → 單據 → 售後。 |
CTA 放在可見處;表單分段;狀態清楚;錯誤可修正。 |
報價單、文件、頁面與 Email 視覺一致,降低風險感。 |
交付成果 |
UX 策略簡報、Persona、商務旅程圖、KPI 表。 |
功能清單、內容清單、資料欄位表、版本範圍表。 |
商務流程總圖、狀態圖、資料模型、服務藍圖。 |
Wireframe、表單規格、導航規格、錯誤訊息規格。 |
Style Guide、UI Mockup、狀態元件、文件模板。 |
檢核重點 |
是否有清楚成交目標與信任策略? |
是否缺少交易必要資料?是否範圍過大? |
是否完整串接七大商務流程? |
用戶是否看得到、填得完、改得了? |
是否清楚、可讀、一致、可信? |
五層由抽象到具體依序是 Strategy(戰略)、Scope(範圍)、Structure(結構)、Skeleton(框架)與 Surface(表現)。設計國際商務平台時,應先定義買家與成交目標,再決定功能、流程、頁面配置及視覺,不能從顏色與版面直接開始。
十一、手機、伺服器、雲端與 AI 的資料路徑
節點 |
角色 |
主要風險 |
手機/瀏覽器 |
使用者入口,蒐集輸入並呈現結果 |
裝置遺失、惡意 App、身分冒用 |
API Gateway/Server |
驗證請求、執行業務邏輯與串接服務 |
未授權存取、流量攻擊、錯誤權限 |
Database/NAS |
保存交易、文件與歷史資料 |
外洩、備份不足、版本衝突 |
Cloud Infrastructure |
提供可擴張運算、儲存及網路 |
供應商依賴、區域中斷、成本失控 |
AI/Analytics |
把資料轉為預測、分類、建議與行動 |
偏誤、幻覺、不可解釋與自動化誤用 |
典型路徑可表示為:手機或網站 → API → Cloud Server → Database → AI/Analytics → 回傳結果。NAS = Network Attached Storage(網路附加儲存);Cloud(雲端)是可按需配置的運算基礎設施;AI 模型則是分析與決策元件。三者功能不同。
教材小結
資流管理的重點,是讓正確資料在正確時間,以正確格式與權限,到達正確的人或系統。AI 能提高建立、分析與自動化速度,但企業仍須先定義目標、資料來源、邏輯、限制與驗收標準,並保留人工覆核與治理機制。