多年來，每家公司都致力於實現「資料導向」的願景，而您也為此投注資源，並成功收集了大量資訊，深信解決關鍵業務難題的答案就藏在其中。

不過問題在於，對組織內的多數成員來說，這類資料仍然難以取得。

為了得到一個簡單的答案，主管或團隊成員必須提交支援單，苦候忙碌的資料分析師製作報表，並祈禱最後收到結果時，這些資訊不會失去參考價值。但等到答案到手，恐怕早已錯失行動良機。

這並非「資料導向」，反而是被資料絆住手腳。

該改變現況了。

試想，如果從營運經理到行銷主管，公司中的所有人只要用簡單的日常用語提問，就能取得準確答案，結果會怎樣？

使用 AI 數據分析功能時，最重大的錯誤是過度依賴 AI，讓 AI 從零開始編寫資料查詢。

AI 模型雖然強大，會將複雜的自然語言問題轉譯為原始 SQL 程式碼，但偶爾會出錯。因此，您需要提供具體的業務脈絡，結果才會準確。

「收益」的標準化定義為何？怎樣才能真正算是「有效顧客」？

語意層會將這些定義標準化，確保每當有人提問時，得到的答案一律會依循相同的計算方式。

有了這個基礎，AI 的工作將截然不同。

AI 只要解讀使用者的問題，並對應至預先建構、經過認證的正確定義即可。

系統會執行合適的邏輯，確保計算結果一致且值得信賴，這樣能大幅降低自然語言查詢中的資料錯誤，減幅多達三分之二，是最適當的做法。

另外，使用者也能在不同的商業智慧工具中取得答案。透過原生 Workspace 整合功能，團隊成員能直接在 Google Chat 等工具提問。您也可以採用 Conversational Analytics API，讓團隊不必離開所用應用程式，就能取得值得信賴的答案。分析師可以透過這個 API，建立及管理連結資料的 AI 代理，運用 LookML 和 Knowledge Catalog (原稱 Dataplex) 等工具整合的業務脈絡，以簡單易懂的用語擷取資料、生成圖表及洞察。

只要消除技術障礙，讓員工能透過對話即時取得資料，就能在整個組織中帶動積極探索及採取行動的風氣，而不再只有少數分析師受惠。關鍵的業務對話將從檢討過往的問題 (例如「上一季的業績如何？」)，轉變為具有前瞻性的策略：

「我們可以怎麼做，讓下一季表現更出色？」