雲端數據平台與 AI 資料查詢

分析需求一多，每張新報表都要等 3–5 天開發。我們分兩階段建立 AWS 雲端資料底座、整合 6 類資料，重建買主預測模型，並導入 Amazon Quick Chat Agent，讓同仁用自然語言提問、數十秒內取得有根據的答案與圖表。

項目	內容
產業	財團法人
服務	AI 智能助理、預測與分群模型、數據中台與資料工程
技術	AWS、Amazon Redshift、Amazon S3、Amazon Quick（Space／Chat Agent）
成果	兩階段皆已完成；查詢從 3–5 天縮短到 10–30 秒

背景與挑戰

• 買主聲量與價值預測模型需要重建，並遷移到新的雲端帳號。
• 資料分散在既有資料庫、Google Sheet、廣告投放與第三方貿易資料，格式與更新頻率各不相同。
• 既有 RFM 模型無法區分大型企業買主；每個新的分析需求都要重新開發報表，約需 3–5 天。

我們的做法

依 Datas 的四步方法：先把數據打底，再交付應用，最後持續維運。

1. 數據盤點：盤點 6 類資料：產品搜尋量、買主分類與商機品質、線上展、進出口貿易、廣告投放、視訊洽談，確認格式、更新頻率與敏感欄位。
2. 建置中台：建立新雲端帳號，重建 Amazon Redshift 與既有資料庫；結構化資料直接入庫、表單型資料整理後接入，並建立 AI 查詢專用的 Dataset／View，欄位中文別名對齊業務語言。
3. AI 應用：重建買主聲量與價值預測模型，在 RFM 加入「大型企業標記」與互動頻率；啟用 Amazon Quick Chat Agent，讓同仁用自然語言查詢資料，取得摘要與簡易圖表。
4. 維運優化：依角色規劃使用者權限，遮罩或排除個資與敏感欄位；以雙方確認的代表性問答驗收，並交付資料表清單、欄位說明與資料流程文件，讓每個答案都可佐證。

成果

• 兩階段皆已完成：雲端資料底座、預測模型重建、6 類資料整合與 AI 查詢全數上線。
• 新的查詢需求不必再等報表開發，同仁直接用自然語言提問，數十秒內取得答案與簡易圖表。
• RFM 模型能辨識大型企業買主，資源可以優先投在最有價值的對象。
• 每個答案都能追溯到資料表與欄位定義，結果可佐證。

效益	導入前	導入後
新查詢需求交付	3–5 天	10–30 秒
使用門檻	需懂報表操作與指標位置	自然語言提問
答案依據	各自整理的報表	可追溯的資料表與欄位定義

相關服務與延伸應用

• AI 智能助理：本案的 Chat Agent，以自然語言查詢企業資料，答案可追溯來源。
• 預測與分群模型：重建買主價值模型，以 RFM 加上大型企業標記與互動頻率。
• 數據中台與資料工程：Redshift 雲端資料底座與 AI 查詢專用的資料集。