數創小聚：從傳統 BI 到 GenBI - 用生成式AI驅動數據分析新篇章
講者：Blake | TranX 創辦人暨執行長
活動：數創小聚 2025/10
題目：從傳統 BI 到 GenBI - 用生成式AI驅動數據分析新篇章
活動大綱
全球數據分析現況與工作痛點
- 全球企業在數據分析上的挑戰
- 數據分析工作中的痛點
數據分析工具演進
- GenBI 的核心概念與實際技術應用
- 對比傳統 BI 工具的差異、優缺點：GenBI 如何加速分析流程、降低使用門檻，以及如何幫助企業快速創造數據價值
GenBI 與 AI Agent 的比較與應用
- 探討 GenBI 與 AI Agent 在企業環境中的定位、互補性與使用場景
- 了解不同工具如何支援數據工作者提升效率與洞察力
TranX AI 平台與核心功能
- TranX AI 平台功能：數據串接整合、自然語言分析、自動化排程與報表生成
- 與Tableau Agent 及 Databricks Genie 的功能對比，幫助大家理解各工具的優勢與適用情境
AI 時代下的數據工作者
- 探討 AI 對數據工作者日常工作的影響、必備知識技能
- 實際使用者會遇到的挑戰與「辛酸血淚」
演講紀錄
在 2024 之後的數據世界裡，「分析」這件事已經不再是分析師的專屬技能，AI 正逐漸滲入我們看數據、講故事、甚至決策的每一個環節。這場由 TranX AI 帶來的演講，讓我重新思考了 Gen BI（Generative Business Intelligence）與 AI Agent 的真正價值與邊界。
一、從 Excel 到 Gen BI：數據分析三十年的演進
講者是一位擁有 20 年軟體工程背景的資深數據人，他用非常有意思的歷史視角回顧了三十年來 BI 的演進：
30 年前： Excel 是一切的起點。人們第一次能「自己動手」存資料、做分析。
20 年前： 商業智慧（BI）興起，讓分析更深入，但門檻也更高，開始需要專職分析師。
現在（2024+）： 生成式 AI 讓「數據對話」變得可能。每個人都能問數據問題，不再只是分析師的特權。
他特別提到台積電導入大數據後生產力提升 62% 的例子——數據的力量從來不在技術本身，而在於能否轉化為行動。
二、Gen BI 的現況：強在探索，弱在精緻
雖然「對話式 BI」聽起來令人振奮，但現實仍有差距。
Gen BI 的優勢：
可對話、即時、門檻低；
適合快速探索、驗證想法；
與 ChatGPT 類似，可以「問問題」得到分析結果。
不足之處：
圖表生成仍不如傳統 BI 精緻；
幻覺問題仍存在，結果需檢查；
主管在意精準與格式時，傳統 BI 仍是首選。
「主管龜毛的話，還是推薦傳統 BI。」
這句現場的幽默讓大家笑出聲，也反映了目前 Gen BI 的真實定位。
三、Gen BI 背後的技術與挑戰
講者對技術細節講得非常扎實，可以看出他實際有帶過產品：
架構：
數據輸入 → LLM + Text2SQL → 數據庫查詢 → LLM 分析 → 結果生成演進關鍵字：
Prompt Engineering（COT、PUA、Context Learning）
RAG（檢索增強生成）
Hybrid LLM（不同任務使用不同模型）
Tool Calling（AI 自動使用計算工具）
MCP（Multi-Capability Protocol，目前仍在開發）
Context Engineering（如何不讓上下文爆掉）
他指出：「Context Engineering 其實是 Prompt Engineering 的延伸，但更在意上下文的選材與控制。」
這句話很有深度，也說中了我這一年觀察到的重點。
四、Gen BI vs. AI Agent：定義混沌，但方向明確
目前兩者在業界的定義仍不統一。講者認為可用「自主性」來劃分：
Gen BI： 回答問題、生成圖表、提供洞察。
AI Agent： 能主動規劃分析流程、自動蒐集資料與提出建議。
也就是說，Gen BI 是助手，而 AI Agent 是分析夥伴。
後者正在逐漸具備「行動力」，不只是回覆問題，而是主動執行分析任務。
五、TranX 的 AI 方案與實例
TranX 自家的解法頗有意思，他們以「AI 數據中台」為核心，並打造了 AI Agent Alice：
整合 Email、Line、電話，能回答「上週業績怎樣」、「這個月生產良率」等問題；
內建排程功能，可自動寄出月報；
從 CRM 資料直接生成「Text2Insight」與「Text2Story」。
在 Demo 中，他們示範如何讓 AI 從同一份 CRM 資料庫講出一個「商業故事」：
先畫圖表，再轉成語意化報告。
這裡他特別強調了 Context Engineering 的功勞——能讓模型在處理大量資料時不爆掉。
傳統分析要花幾小時，Gen BI 只要幾分鐘。
六、使用 Gen BI 的企業實務建議
導入 Gen BI 並非 plug-and-play，企業要考量：
需求明確與資安考量：清楚問題與可開放的數據範圍。
結果驗證：建立測試機制，例如問 100 次同問題取穩定性。
權限分層：不同部門看不同資料表。
資料清潔度：髒數據仍是最大阻力。
「AI 不會幫你清資料，就像請顧問也不會幫你掃地。」
七、AI 對數據職位的衝擊與機會
壞的部分：
DA / DE 的需求會下降；
許多重複性報表工作被自動化。
好的部分：
沒有分析團隊的中小企業，終於能靠 AI 做決策；
MIS、商業分析師可直接使用 Gen BI；
留給人的工作會更聚焦在「A/B Test 設計」與「跨部門協作」。
也就是說，AI 不是取代人，而是取代不懂業務的分析師。
Vincent 的分享：AI 時代的 DA/ DS 還可以怎麼做好準備?
主辦人 Vincent 分享得非常實際：
「AI 取代的不是分析能力，而是缺乏場景理解的分析師。」
他用兩個電商實例說明「創意」的重要性：
疫情期間銷售分析
用迴圈逐一比對疫情曲線與 GMV，找出最相關商品；
健身器材暴增、旅遊商品下滑；
最後再分群出「值得補貼的好賣家」，讓大家具體知道關鍵不是模型，而是創意地使用資料。
會員續費預測（韓國團隊案例）
傳統分類模型 AUC=0.7，不夠好；
改用 Daily-Cohort RL 分析，解釋性高、R²>0.93；
可提早 3 天預測第 30 天結果，提前調整行銷策略。
他提醒大家：
「DA/DS 要學會各種工具，但更要懂哪一招在何時有用。」
九、我的觀察與反思
這場演講讓我有兩個強烈感觸：
Gen BI 正在 democratize 數據分析。
它讓沒有數據背景的人也能問出有價值的問題。
真正的競爭力，不再是 SQL 或模型，而是問出好問題的能力。AI Agent 是下一個臨界點。
當模型能理解上下文、執行指令、發送報告、甚至主動提醒異常，
我們正在見證「數據同事」的誕生。
未來數據人需要的不再只是技術，而是場景理解、跨域思維與講故事的能力。
而這，也正是 AI 暫時還無法完全取代的地方。
結語
數據分析的未來，不再只是 dashboards 與 charts，而是 insight 與 narrative，懂得與 AI 協作、懂得轉譯數據背後的故事，才是下一代數據人的核心競爭力。
作者：Chi