Data & Knowledge 基礎

讓行銷人理解「怎樣整理資料才讓 AI 好用」

為什麼行銷人需要懂資料？

你可能會想：「我是做行銷的，資料整理不是 IT 的事嗎？」

事實是，AI 工具的產出品質，有 80% 取決於你餵給它的資料品質。如果你希望 AI 幫你寫出精準的商品文案、分析顧客輪廓、或預測下一季的熱銷品，你必須先懂得怎麼「整理」你手上的資料。

這堂課會用你每天都在接觸的行銷情境，帶你搞懂資料的基本分類和品質觀念。

一、結構化 vs 非結構化資料

結構化資料：有固定欄位、可以排列的資料

想像你的 Excel 銷售報表：

日期	產品名稱	SKU	通路	銷售數量	營收
2026-03-01	玻尿酸精華液 30ml	SB-HA-030	官網	152	68,400
2026-03-01	膠原蛋白面膜 5入	SB-CL-005	momo	89	35,600

這就是結構化資料。每一筆資料都有固定的欄位，可以排序、篩選、計算。

行銷場景中常見的結構化資料：

銷售報表（日期、品項、數量、金額）
會員資料（姓名、年齡、消費金額、購買頻率）
廣告成效數據（曝光、點擊、轉換、ROAS）
庫存數據（SKU、數量、到期日）

非結構化資料：沒有固定格式的資料

再想像你的客戶在 IG 留言：

「這款精華液真的超好用！擦完隔天皮膚亮一個色號，回購第三罐了 ❤️」

「包裝很美但用起來有點黏，夏天可能不太適合…」

這就是非結構化資料。它是自由文字、沒有固定格式，但裡面藏著超有價值的資訊。

行銷場景中常見的非結構化資料：

客戶評論和留言
客服對話記錄
品牌社群貼文
產品說明書和 SOP 文件
會議記錄和內部溝通紀錄

為什麼這個分類很重要？

因為 AI 處理這兩種資料的方式完全不同：

	結構化資料	非結構化資料
AI 怎麼用	數據分析、預測、報表	文字理解、情感分析、摘要
整理重點	欄位一致、格式統一	分類標記、去除雜訊
常見問題	缺值、格式不一、欄位命名混亂	資訊散落各處、沒有系統化歸檔

二、Metadata 和標籤的重要性

什麼是 Metadata？

Metadata 就是「描述資料的資料」。聽起來很繞口，但其實你每天都在用。

舉例：你在電腦裡存了一張產品圖，檔案名稱叫 IMG_20260315.jpg。這個檔名只告訴你拍攝日期，但如果你改成 玻尿酸精華液_30ml_官網主圖_2026Q1.jpg，你馬上就知道這是什麼、用在哪裡、屬於哪個時期。

後面那串額外資訊，就是 Metadata。

行銷場景的 Metadata 實例

產品分類 Metadata：

產品名稱：玻尿酸精華液 30ml
品牌：[你的品牌名]
品類：精華液
功效標籤：保濕、亮白
適用膚質：乾性、混合性
價格帶：中高價（$400-$600）
上市季度：2026 Q1

Campaign 標籤：

活動名稱：春季煥膚祭
活動代碼：2026-SP-SKIN
期間：2026/03/01 - 2026/04/30
通路：全通路
目標客群：25-35 歲女性、保濕需求
KPI：新客佔比 30%

為什麼 AI 需要好的標籤？

想像你請 AI 分析「過去一年保濕類產品在 momo 的銷售趨勢」。如果你的產品資料裡沒有「功效分類」這個標籤，AI 根本不知道哪些產品屬於「保濕類」，只能瞎猜。

好的標籤系統可以讓 AI：

更精準地篩選和分析資料
自動分類新進資料
產出更有洞察的報告
跨部門整合資料時不會「雞同鴨講」

三、「垃圾進，垃圾出」：資料品質對 AI 的影響

這是資料科學界最經典的一句話：Garbage In, Garbage Out（垃圾進，垃圾出）。

實際案例：資料品質差會怎樣？

案例 1：格式不一致

你的銷售報表中，同一個產品在不同月份的名稱不同：

1 月：「玻尿酸精華液30ml」
2 月：「玻尿酸精華液 30ML」
3 月：「HA精華液(30ml)」

AI 會把這當成三個不同產品來分析，你的銷售趨勢圖就完全失真了。

案例 2：缺失值未處理

會員資料中有 40% 的年齡欄位是空白的。你請 AI 做顧客分群，結果它把這些人全部歸到「未知」群組，你的行銷策略就少了將近一半的客群洞察。

案例 3：過期資料未清理

你把去年已下架的產品 FAQ 也丟進 AI 知識庫，結果客服 AI 回答顧客時推薦了一個已經買不到的產品，顧客體驗直接扣分。

資料品質的四個維度

維度	說明	行銷場景
完整性	該有的欄位都有值	會員資料的電話、Email 是否齊全
一致性	同一件事的寫法統一	產品名稱、通路名稱是否每份報表都一樣
時效性	資料是最新的	產品價格、庫存、促銷資訊是否即時更新
正確性	資料內容是對的	產品成分、功效描述是否經過確認

四、實作：盤點你部門的資料資產

現在，花 15 分鐘做一件事：列出你部門現有的資料，並分類。

步驟

打開一份空白表格
回想你每天、每週、每月會接觸到哪些資料
把它們填入下面的分類表
標記每份資料的品質狀況

資料資產盤點表範例

資料名稱	類型	格式	更新頻率	存放位置	品質評估
月銷售報表	結構化	Excel	每月	Google Drive	格式一致 ✓
IG 留言紀錄	非結構化	截圖/文字	不定期	個人電腦	未歸檔 ✗
產品成分表	結構化	PDF	新品上市時	共用硬碟	格式不一 ✗
客服常見問題	非結構化	Word	很少更新	不確定	內容過期 ✗

AI 協作：學了這個，跟 AI 怎麼配合？

資料整理是讓 AI 發揮真正實力的前置作業 — 你決定了 AI 能吃什麼、吃得好不好。

你的人類優勢：

你最清楚自己部門有哪些資料、品質如何、哪些最有價值
你能判斷資料的「業務意義」，AI 只看到欄位和數字

可以這樣跟 AI 說：

我要盤點部門的資料資產。請幫我設計一份資料盤點表的模板，欄位包含：資料名稱、結構化/非結構化、格式、更新頻率、存放位置、品質評估（完整性/一致性/時效性/正確性）。然後根據以下部門業務範圍，幫我列出可能擁有的資料清單：[貼上你的部門職責描述]

練習

本堂重點回顧

結構化資料有固定欄位，適合數據分析；非結構化資料是自由格式，需要 AI 做理解和分類
Metadata 和標籤讓 AI 能更精準地找到和分析資料，就像圖書館的索引系統
資料品質直接決定 AI 產出品質，四個維度：完整性、一致性、時效性、正確性
第一步永遠是：盤點你手上有什麼資料，然後決定優先整理哪些

下堂課預告：知道怎麼整理資料之後，我們要來學怎麼把這些資料變成一個「部門知識大腦」— 企業專屬知識庫。