AI agent 數據分析工具盤點：agent 接得住哪些活，哪些判斷仍需人
AI agent 數據分析工具正把寫 SQL、拉報表、做儀表板，變成用自然語言問一句就有答案。本文盤點行銷數據分析者今天用得上的 AI agent 工具，依四個自動化層級拆解 agent 接得住哪些活、哪些判斷仍需人，並點出讓 agent 洞察可信的前提：第一方數據底座是否整合乾淨、能否把同一顧客的足跡歸戶。
一句問句就生出一張圖表，分析師的工作正在被重新切分
過去要回答「上週哪一群會員的回購率掉了、掉在哪個品類」，行銷團隊得走完一條長路：跟工程要資料權限、寫一段 SQL、把結果丟進試算表、拉樞紐分析、再畫成圖貼進週報。一條路走完，半天過去了。現在，同一個問題打進一個對話框，幾十秒後就有一張趨勢圖、一段文字解讀、甚至一個「要不要我幫你拆到品類層級」的追問。
這不是聊天機器人會的事，是 AI agent 會的事。差別在於：聊天機器人回你一段文字，AI agent 則會自主執行多步驟任務，自己寫程式、跑運算、產出檔案、看結果不對再改一次。Gartner 在 2025 年 8 月的預測指出，到 2026 年底將有 40% 的企業應用內建特定任務的 AI agent，相較 2025 年的不到 5%，等於一年內翻了八倍。數據分析正是這波最先被改寫的工作之一，因為它的步驟最規律、最可被程式化。
對行銷數據分析者來說，這件事既興奮又讓人坐立難安。興奮的是，重複的撈數、清洗、畫圖終於有人接手；坐立難安的是，當老闆發現「問一句就有答案」，那分析師的價值還剩什麼。這篇文章想把話講清楚：AI agent 數據分析工具今天能接到哪裡、哪裡接不住，以及一個更根本的前提，工具算得再快，背後的資料若是破碎的，它給的答案也會跟著破碎。
我們在團隊裡真實看到的場景
在 91APP 團隊跟品牌端開週會時，我們愈來愈常看到一種畫面：行銷負責人不再帶著一疊印好的報表進會議室，而是當場打開對話框，把上週的活動成效檔丟進去，直接問「幫我比較這次和上次檔期的客單價分布」。幾十秒後圖就出來了，會議的時間從「念報表」變成「吵這張圖代表什麼」。
我們也看到另一種畫面，同一個團隊問 agent「為什麼這群人回購掉了」，agent 給了一段看似合理的解釋，但沒有人能確定那段解釋是真的，因為沒人知道它背後抓的是哪份資料、樣本乾不乾淨。這兩種畫面，正好框出了本文要談的兩端：算得快，和算得對。
把「數據分析的 AI agent」拆成四個自動化層級
要判斷一個工具有沒有用，先看它落在哪個自動化層級。我們把行銷數據分析的 AI agent 工具，依「人要介入多少」分成四層，由淺到深：
- 問答層：你用自然語言問，工具回一段文字或一張圖。對話式數據工具與 BI copilot 多在這層，門檻最低，適合非分析背景的行銷人自助查數。
- 運算層：工具不只回答，還會實際寫程式、跑統計、做清洗與視覺化。ChatGPT 的資料分析、Claude 的程式執行屬於這層，能處理上傳的原始檔案。
- 管線層：工具把「定時撈資料、清洗、寫入、通知」這條重複流程自動串起來，不需要人每次手動觸發。n8n 這類自動化工具落在這層。
- 判斷層：從數字推到「所以我們該怎麼做」。這一層目前仍主要是人的工作，agent 能提供素材與初步假設，但業務決策與因果歸因的責任在人身上。
| 層級 | 人要做的事 |
|---|---|
| 問答層 | 問對問題、判斷答案合不合理 |
| 運算層 | 提供乾淨資料、檢查程式邏輯 |
| 管線層 | 設計流程、定義觸發與異常處理 |
| 判斷層 | 下因果結論、做業務取捨、負責任 |
這張表也說明一件事：agent 往上爬得愈高，人省下的力氣愈多，但人要把關的責任也愈重。問答層出錯只是一張圖看錯，判斷層出錯是整個行銷預算押錯方向。
行銷數據分析者該認識的 AI agent 工具盤點
以下盤點行銷數據分析者今天真的用得上的工具。每個工具給一句定義、最適用的情境、以及使用前該知道的注意點。先講結論：沒有一個工具能通吃四層，務實的做法是依任務組合使用。
ChatGPT 的資料分析（Code Interpreter / Advanced Data Analysis）
一句定義：ChatGPT 內建的資料分析功能，會在沙箱環境裡寫 Python、跑運算、產出圖表，是運算層最普及的入口。
根據 OpenAI 官方說明文件，你可以上傳檔案，ChatGPT 會先讀前幾列理解資料結構，再用 pandas 做資料處理、用 matplotlib 畫圖。OpenAI 開發者文件進一步說明，Code Interpreter 會在沙箱裡反覆寫程式、跑、出錯了再改，直到跑通為止，這正是 agent 與單純問答的分水嶺。
最適用例：把一份活動成效 CSV 丟進去，請它做敘述統計、畫分布圖、找離群值。對沒有寫程式底子的行銷人，這是最快的自助分析路徑。
注意點：OpenAI 自己也提醒，這個 Python 環境不能對外發出網路請求或呼叫 API，所有分析都得靠你上傳的資料。更關鍵的是，ChatGPT 不知道你的資料從哪來、用了什麼假設，它把分析步驟藏在背後，反而讓人更容易漏掉中間的錯。換句話說，它算得快，但口徑對不對要你自己顧。
Claude 的分析與程式執行
一句定義：Anthropic 的 Claude 提供程式執行能力，能跑分析、產出可下載的試算表與報告、處理多步驟工作流，強項在於解讀與推理。
Anthropic 在 2025 年 11 月的官方更新說明，原本的分析工具已擴充為更完整的程式執行能力，除了做相同的分析，還能產生可下載的試算表、CSV、報告與視覺化，並處理複雜的多步驟流程。實務上，許多團隊用 ChatGPT 做快速探索，用 Claude 做需要把數字「講成一段有邏輯的解讀」的工作。
最適用例：拿到一份分群結果後，請它解讀每一群的特徵、寫出可放進報告的文字，或把多個資料來源的初步發現整合成一份草稿。
注意點：解讀能力強，不代表結論一定對。agent 擅長把數字描述得通順，但「這個關聯是不是因果」「這個趨勢是季節性還是真有變化」，仍需要懂業務的人下判斷。把 agent 的解讀當初稿、不當定論，是安全的用法。
對話式數據 agent（Julius、Hex 的 AI 功能等）
一句定義：專門做資料分析的對話式工具，你用自然語言問，它連到你的資料集、自動跑分析、回圖表與解釋，主打「不會寫程式也能做分析」。
這類工具把運算層包裝成更友善的問答介面，通常能直接連接資料表或上傳的檔案，並把分析過程的程式碼一併攤開讓你檢查。對行銷團隊裡那位「最常被問數據、但不是專職分析師」的人，這類工具能把日常的查數需求自助化。
最適用例：行銷企劃想自己拉一份「不同來源管道的轉換率對比」，不必每次都排隊等分析師。
注意點：愈是把過程包得簡單，使用者愈容易把輸出當理所當然。這類工具的價值天花板，取決於它連到的資料本身乾不乾淨、口徑一不一致。資料若是破碎的，介面再漂亮也只是把錯誤包裝得更好看。
BI copilot（Tableau Pulse、Power BI Copilot）
一句定義：內建在商業智慧平台裡的 AI 助理，讓你用自然語言對既有的儀表板與資料模型發問，把「看儀表板」變成「問儀表板」。
Salesforce 的 Tableau Pulse 走的是「洞察主動找人」的路線，它會自動偵測指標的趨勢、貢獻因子與異常，並用自然語言寫成摘要推送給使用者，而不是等人去翻儀表板。微軟的 Power BI Copilot 則讓使用者用自然語言對報表發問、甚至直接生成報表頁面，當問題能在語意模型裡找到答案時，它用模型回答，找不到時才退回語言模型的一般知識。
最適用例：已經建好儀表板的團隊，讓非分析背景的同事能直接問「這個月哪個區域的業績低於預期」，不必看懂整張儀表板。
注意點：BI copilot 的答案品質高度綁定背後的語意模型與資料治理。Power BI Copilot 的官方文件明說，答案的好壞取決於語意模型的設計。模型沒建好、指標定義含糊，copilot 也問不出對的答案。它放大的是你既有資料治理的成果，好的更好，亂的照樣亂。
n8n（資料管線自動化）
一句定義：開源的工作流自動化工具，把「定時撈資料、清洗、寫入資料庫、發通知」這類重複流程串成可自動執行的管線，落在管線層。
對數據分析者來說，n8n 的價值不在分析本身，而在分析的「前置」與「後續」自動化。它能把每天從各來源拉資料、整理成固定格式、再餵給分析工具或寫進報表這條路自動跑，省下大量手動搬資料的時間。新一代的自動化工具也開始把 AI 節點嵌進管線，讓流程中可以呼叫模型做分類或摘要。
最適用例：每天早上自動把昨日的多管道數據彙整成一份固定格式的檔案，準時送到團隊的共用空間或聊天群。
注意點：管線自動化把「規律的事」做得很好，但它忠實地執行你設定的邏輯，包含錯的邏輯。來源資料的欄位一變、口徑一改，管線可能默默跑出錯的結果而不報錯。自動化省的是人力，不省的是設計與監控的責任。
為什麼工具都到位了，多數團隊還是分析得很痛苦
先給結論：問題很少出在工具不夠強，而出在資料底座不夠齊。
工具的進步是真的。但根據 McKinsey 的 2025 年 State of AI 調查，企業導入 AI 的比例已達 78%，真正把工作流程圍繞 AI 重新設計的卻只有約 21%，將近八成的組織只是把 AI 疊在舊流程上。McKinsey 同時點名，資料品質不佳、治理薄弱與隱私疑慮，是組織遲遲拿不到價值的核心結構性障礙。換句話說，大家買了會算的工具，卻沒整理好要給它算的東西。
這件事在行銷數據上特別痛。一個品牌的顧客資料，常常散在好幾個地方：官網一份、實體門市一份、LINE 一份、廣告平台又一份。同一個人在不同系統裡是不同的編號，分析師花最多時間的環節其實是把這些對不起來的資料想辦法兜在一起，真正的分析反而排在後面。當 agent 拿到的是一份「同一個人被算成三個人」的資料，它再聰明也只會給你一個錯得很有自信的答案。
Gartner 的另一份預測把這件事的代價講得更白：到 2027 年底，超過 40% 的 agentic AI 專案會被取消，原因包含成本失控、商業價值不明、以及風險控管不足。值得注意的是，這些失敗的根，很多不在 AI 本身，而在它腳下的資料與流程。Gartner 的數據顯示，雖然有超過 60% 的組織預計兩年內導入 AI agent，目前真正部署的只有 17%，這個落差正反映出「想用」和「資料準備好能用」之間的距離。
數據分析這門手藝，有一條老規矩叫 garbage in, garbage out，意思是餵進去的是垃圾，吐出來的也是垃圾。AI agent 沒有改變這條規矩，它只是讓垃圾被處理得更快、被包裝得更漂亮。過去資料有問題，分析師在手動清洗的過程裡多少還會察覺哪裡不對勁；現在 agent 把清洗到出圖一氣呵成做完，中間那些原本會讓人停下來懷疑的訊號，反而被流暢的輸出蓋過去了。真正決定 agent 洞察品質的，是它腳下那份資料完不完整、口徑一不一致、能不能把同一個顧客在不同通路的足跡認出來是同一個人。模型強弱反而是次要的變因。
讓 agent 算得準的前提，是一份能信任的顧客資料底座
先把話說在前面：要讓 AI agent 的數據分析真的可用，第一步是先讓資料變得乾淨、整合、可信，工具的選擇反而排在後面。這就是顧客數據平台（Customer Data Platform，常簡稱 CDP）要解的問題。
顧客數據平台做的事，用業務語言講很單純：把一個顧客散在官網、門市、LINE、廣告等各處的足跡，認回是同一個人，整合成一份完整的會員樣貌。當資料完成這種「會員歸戶」，分析師餵給 agent 的就不再是「同一個人被算成三筆」的破碎資料，而是一份口徑一致、可被信任的底座。agent 在這份底座上算出來的回購率、分群、預測，才站得住腳。
更進一步，這份整合好的底座還能往前一步做「會員標籤」與「高購買意圖名單」。所謂會員標籤，是把每個會員依行為與屬性貼上可被分析與行動的記號，例如近期活躍、特定品類偏好、價格敏感等；高購買意圖名單則是從這些訊號裡，把此刻最可能成交的一群人圈出來。這兩件事的價值在於，它把「分析的結果」直接變成「可以行動的對象」，讓 agent 的洞察不只停在一張圖，而能接到後續的行銷動作上。
91APP 的 CDMP（顧客數據暨行銷平台）正是把這套能力組起來的一種方法：它的角色不是再多一個會分析的工具，而是先把資料底座整理好，讓你手上任何一個會算的 agent 工具，都算在一份可信的資料上。回到那條老規矩，工具決定算得多快，底座決定算得對不對。先有可信的底座，agent 的數據分析才真正開始有意義。
這也是為什麼我們在跟品牌端討論導入 AI 分析工具時，常把順序倒過來講：別急著比較哪個 agent 工具最強，先盤點自己的會員資料能不能歸戶、口徑能不能對齊。資料底座這一關過了，後面選工具反而是相對簡單的事。
台灣品牌不必等大預算，先盤點資料再選工具
下面幾項，是台灣零售品牌不必等大預算、現在就能開始推進的方向。每一項都附上做法、預期效果與建議的推進節奏。
- 先做一次資料健康度盤點，再談工具。做法是把現有的會員資料來源列出來，逐一檢查「同一個顧客在不同系統能不能對得起來、關鍵欄位的填寫率高不高、口徑有沒有一致」。預期效果是讓團隊清楚知道，自己餵給 agent 的資料目前有多乾淨。建議在導入任何 AI 分析工具之前先做完，這是後面所有事的地基。
- 挑一個高頻、低風險的查數任務，讓 agent 先上手。做法是選一個每週都要做、做錯了也不會出大事的分析，例如活動成效彙整，交給 ChatGPT 或對話式數據工具試做。預期效果是讓團隊在低風險的情境裡，培養出「哪些答案可以信、哪些要再查」的判斷力。建議用一到兩個月的時間試行，再決定要不要擴大。
- 把人留在判斷層，別把因果結論外包給工具。做法是明確規定，agent 可以產出圖表與初步解讀，但「為什麼會這樣、所以我們要怎麼做」這類因果與業務判斷，一律由人簽核。預期效果是避免團隊把 agent 的順口解讀當成定論，押錯方向。這應該被當成一條長期維持的工作紀律來執行，會隨著工具與資料的變化持續調整。
- 若決定認真用 agent 做分析，先投資資料底座。做法是評估導入顧客數據平台這類整合方案，把散落各通路的會員資料先歸戶、整理成可信的底座，再讓分析工具在上面運作。預期效果是把 agent 的洞察品質從「看運氣」變成「可重複信任」。建議把這件事當成一個季度級的專案來規劃，給它對應的資源與時程。
- 建立資料口徑與來源的紀律。做法是要求每一份用來分析的資料都標清楚來源、樣本範圍與統計時間，並在團隊內統一關鍵指標的定義。預期效果是讓不同人用 agent 跑出來的數字能對得起來、能被覆核。建議從最常用的幾個指標開始，逐步擴大到全團隊共用的字典。
算得快的時代，會問問題和能負責任的人更稀缺
回到開頭那個會議室的畫面：行銷負責人當場把檔案丟進對話框，幾十秒後圖就出來了。圖出得快，不代表問題問得對，也不代表那張圖背後的資料可信。AI agent 把「把數字算出來、畫成圖」這段路縮短到幾乎不花時間，但它沒有縮短、也縮短不了的，是「該問什麼問題」和「這個結論誰來負責」這兩端。
對行銷數據分析者來說，這其實是一個位置的轉移，而不是價值的消失。重複的撈數、清洗、畫圖會愈來愈多地交給工具，省下來的時間，正好用來做工具做不到的事：把業務問題翻譯成對的分析問題、判斷一個關聯是不是真有因果、為一個會影響預算的結論負起責任。台灣品牌真正要培養的，不是更會操作工具的人，而是更會問問題、更能在數字前面做判斷的人。工具負責算得快，人負責算得對，這個分工，短期內不會改變。
常見問題
Q1：免費的 AI agent 數據分析工具有哪些？
ChatGPT 的免費方案可使用部分資料分析功能，Claude 也提供免費額度可做基本分析。多數對話式數據工具與 BI copilot 採訂閱制，部分有免費試用。BI copilot 通常綁定其商業智慧平台的付費方案，例如 Power BI Copilot 需要付費的 Fabric 容量才能啟用。實務建議是先用免費方案在低風險任務上試水溫，確認流程跑得通再評估付費。
Q2：AI agent 可以做哪些數據分析工作？
目前 agent 能穩定接手的，是規律、可程式化的工作：敘述統計、資料清洗、畫圖表、找離群值、把多個來源的初步發現整合成草稿、以及把重複的資料管線自動化。它比較接不住的，是需要業務脈絡的判斷，例如判定一個關聯是不是因果、一個趨勢是季節性還是真實變化、以及為會影響決策的結論負責。簡單說，agent 擅長「算與描述」，因果與業務判斷仍需人。
Q3：ChatGPT 算不算 AI agent？
要看用在什麼功能。當 ChatGPT 只是回你一段文字時，它比較接近聊天機器人；當它使用資料分析功能、自己寫 Python、跑運算、看結果不對再改一次時，它就展現了 agent 的特性，也就是會自主執行多步驟任務、而不只是回答。同一個產品，在不同功能下落在不同的自動化層級。
Q4：用 AI agent 做數據分析可靠嗎？會不會給錯答案？
工具的運算本身通常正確，但答案可不可靠，取決於兩件事：餵進去的資料乾不乾淨，以及問題問得對不對。agent 不知道你的資料從哪來、用了什麼假設，也可能把分析步驟藏在背後，讓人不易發現中間的錯。比較安全的用法，是把它的輸出當初稿、由懂業務的人覆核口徑與邏輯，再下結論。
Q5：行銷數據分析者該怎麼挑 AI agent 工具？
先依任務落在哪個層級來挑：要自助快速查數，選對話式數據工具或 BI copilot；要做需要寫程式的運算與視覺化，用 ChatGPT 或 Claude 的分析功能；要把重複的資料流程自動化，用 n8n 這類工具。但比挑工具更重要的，是先確認背後的資料能不能信任，工具再強，資料破碎也算不出對的答案。
Q6：為什麼很多公司導入 AI 分析工具卻沒看到效果？
根據 McKinsey 的調查，多數組織只是把 AI 疊在舊流程上，真正重新設計流程的不到三成，而資料品質不佳與治理薄弱是拿不到價值的核心障礙。常見的狀況是，會員資料散在各通路、同一個人被算成好幾筆，工具拿到破碎的資料，自然算不出可信的洞察。解法的順序是先整理資料底座，再談工具。