Prompt 唔係核心：點樣將企業資料變成可用嘅 AI 燃料

Prompt 可以抄，企業經驗抄不到

過去一段時間，很多人把學 AI 等同學 prompt。我明白原因：prompt 即時見到結果，容易示範，也容易令人覺得自己已經掌握工具。但從企業角度看，一條指令不是護城河。今天你寫到，明天競爭對手也可以寫到。

真正屬於公司的，是十年來客戶問過甚麼、甚麼情況最容易取消、哪種故障會重複、哪一類訂單經常延誤、甚麼承諾最後做不到。這些資料未必整齊，甚至散落在 WhatsApp、電郵、Excel、ERP、紙張和同事腦裏。正因為它不整齊，才更加有價值：當你把它整理成公司可以使用的證據，競爭對手很難在一夜之間複製。

你公司的資料可能藏在哪裏

我會叫管理層先不要問「我們有沒有大數據」，而是問「公司每天留下甚麼痕跡」。常見的資料包括：

客戶查詢、電話摘要、WhatsApp 和電郵；

報價、折扣、成交、失單原因和退款；

投訴、維修紀錄、產品照片和品質檢查；

庫存變動、缺貨、退貨、採購與供應商交期；

送貨路線、延誤原因、簽收異常和倉庫操作；

培訓查詢、出席、課後問題和工作應用；

同事處理例外時採取的步驟，以及最後結果。

最值得分析的資料，往往不是一張漂亮的管理報表，而是「事情出錯時留下的紀錄」。因為正常流程只告訴你公司希望怎樣運作；例外才告訴你公司實際靠甚麼撐住。

「資料燃料地圖」四步法

第一步：列來源。 以一個問題為中心，列出相關系統、文件和對話，不要一開始搬走所有資料。

第二步：評四項。 每一個來源按商業價值、可用性、風險和更新速度評估。高價值但高度敏感的資料可以稍後處理；中等價值但結構清楚的資料，可能更適合第一個測試。

第三步：定義欄位和證據。 「客戶不滿」太含糊；「投訴主題、產品、購買日期、首次回覆、處理結果」才可以分析。每個結論要保留回到原始紀錄的方法。

第四步：接入決策。 分析結果由誰看？會觸發甚麼行動？多久更新？如果沒有負責人和下一步，再漂亮的 dashboard 也只是一張牆紙。

我喜歡用一句問題測試一個資料專案：「如果明天這個結果改變了，邊個會做一件不同的事？」沒有人答到，就代表專案仍未接上企業運作。

假設情境：不是缺貨，而是補貨規則看錯了

以下是教學用的假設情境，不是 Smark Global 客戶個案。

一間香港分銷商經常出現熱門產品缺貨。管理層認為供應商交期不穩，準備提高整體安全庫存。團隊把銷售、缺貨、退貨、推廣活動和採購紀錄放在同一條時間線，AI 協助分類異常和重複組合。

結果出現另一個方向：某些缺貨不是由總需求上升造成，而是推廣開始後，訂單集中到兩個包裝規格；補貨規則仍然按產品大類計算，所以整體存量看似足夠，真正會售罄的規格卻沒有被提早標記。

這個發現未必需要一個龐大預測系統。第一步可以只是把推廣日曆、規格級銷售和供應商交期接在一起，讓採購每天收到例外清單。AI 的回報不是一個神奇百分比，而是公司能否減少急單、錯配和本來看不到的風險。

由一次分析變成公司記憶

很多 AI 專案做到一次好分析就停止。三個月後換了同事，分類方法、判斷標準和例外處理全部要重新解釋。這代表知識仍然屬於個人，不屬於公司。

要把資料變成公司資產，至少要留下四樣東西：資料字典、來源與更新時間、判斷規則與版本、人工覆核和例外紀錄。每一次修正，都應該令下一次處理更準確，而不是只修正眼前一個答案。這就是我所理解的「企業記憶」：不是儲存更多文件，而是公司知道自己為甚麼作出某個判斷。

私隱、偏差與資料品質

資料是燃料，不代表愈多愈好。過期、重複、缺少背景或只代表部分客戶的資料，會令 AI 很有信心地放大舊問題。涉及個人資料時，要先定義用途、保留期、存取權和刪除方法；能用匿名或彙總資料解決，就不要使用完整身份資料。

團隊亦要記錄「未知」。沒有填寫失單原因，不等於客戶沒有反對；前線只記錄成功個案，也不代表流程一直成功。AI 可以找出資料中的規律，但管理層要判斷資料本身代表了誰、漏了誰。