Looker Studio、Flourish.studio
(Data Visualization)

本教案旨在幫助學員理解如何利用 Looker Studio 設計一個 客服中心效能分析儀表板，以視覺化方式呈現客服數據，協助主管與客服人員提高回應效率、改善客戶體驗、並針對數據驅動決策。

一、客服中心的基本服務資料

在客服中心，常見的數據來源來自於日常服務流程中的關鍵記錄，包括：

1. 工單處理（Ticket Management）

• 記錄時機：當客戶提交服務請求、投訴或查詢時，系統會生成一張工單。

• 關鍵數據欄位：

  • 工單編號（Ticket ID）

  • 工單建立時間（Created Time）

  • 工單狀態（Status：新建、處理中、已解決、已關閉）

  • 服務類別（Category：技術支援、帳務問題、退款等）

  • 優先級（Priority：高、中、低）

  • 負責客服人員（Assigned Agent）

  • 最後更新時間（Last Updated Time）

  • 解決時間（Resolution Time）

2. 客服回應時間與處理效率（Response & Resolution Metrics）

• 記錄時機：當客服人員回應客戶或關閉工單時，系統自動計算回應與處理時間。

• 關鍵數據欄位：

  • 首次回應時間（First Response Time）

  • 平均回應時間（Average Response Time）

  • 平均解決時間（Average Resolution Time）

  • SLA 違規情況（SLA Breach：是否在時限內處理）

3. 客戶滿意度調查（Customer Satisfaction, CSAT）

• 記錄時機：當工單關閉後，系統會自動發送滿意度調查給客戶。

• 關鍵數據欄位：

  • 滿意度評分（CSAT Score：1~5）

  • 客戶留言（Customer Feedback）

  • 調查回應時間（Survey Response Time）

4. 客服人員績效（Agent Performance）

• 記錄時機：當客服處理工單並達到一定時間範圍內的目標時，績效數據會被記錄。

• 關鍵數據欄位：

  • 客服人員 ID（Agent ID）

  • 處理工單數（Tickets Handled）

  • 平均解決時間（Average Resolution Time）

  • 重新指派次數（Reassignments Count）

  • 客戶滿意度評分（CSAT Score by Agent）

5. 熱門客服問題分類（Common Issues）

• 記錄時機：客服中心對接收到的工單進行標籤分類，以分析最常見的客戶問題。

• 關鍵數據欄位：

  • 問題分類（Issue Category）

  • 每類工單數（Number of Tickets per Category）

  • 該類工單平均處理時間（Average Resolution Time per Category）

6. 未解決案件與警報（Unresolved Tickets & Alerts）

• 記錄時機：當工單長時間未解決，或超過 SLA 規定時間時，自動觸發警報。

• 關鍵數據欄位：

  • 未解決工單數（Unresolved Tickets）

  • 平均超時時間（Average Overdue Time）

  • 受影響的客戶數（Affected Customers）

這些數據通常存放於 Google Sheets、SQL 資料庫、CRM 系統 API，透過 Looker Studio 連接數據來源後，可以進行視覺化分析。

二、儀表板的關鍵圖表與視覺化設計

1. KPI 指標總覽區（上方）

📊 KPI 卡片（數值指標）

• 今日 / 本月總工單數

• 平均回應時間

• 平均解決時間

• 解決率（%）

• 客戶滿意度（1~5 星評分）

• 未解決工單數

2. 客服工作量與趨勢分析（中部）

📊 工單數趨勢（折線圖） 📊 工單處理效率（長條圖）

3. 客戶滿意度與回應時間分析（右側）

📊 客戶滿意度分析（堆疊長條圖） 📊 平均回應時間與解決率（圓餅圖）

三、過濾器與篩選的設定

1. 工單趨勢折線圖

• 新增控制項：日期範圍控制，允許使用者選擇特定時間區間。

• 設定維度：建立時間（Created Time）。

• 下鑽功能：允許點擊某日查看當日詳細工單列表。

2. 工單處理效率長條圖

• 新增控制項：篩選「客服人員」，讓使用者查看特定客服的績效。

• 設定維度：負責客服人員（Assigned Agent）。

• 下鑽功能：點擊某客服人員後顯示其處理的所有工單。

3. 工單分布狀況圓餅圖

• 新增控制項：篩選「工單狀態」，允許選擇「已解決」、「未解決」等狀態。

• 設定維度：工單狀態（Status）。

• 下鑽功能：點擊某狀態後顯示該狀態的工單列表。

這樣的過濾器與篩選設定，可以讓使用者更靈活地分析客服中心的數據，提高決策效率。

當前 Looker Studio 主要用於數據視覺化，但如果能整合 AI 技術，將能提升數據分析的智能化程度，使決策支援更具前瞻性。以下是幾個可行性高的整合情境，並說明其具體執行方式：

1. AI 驅動的情感分析與趨勢監測（客服回饋分析）

📌 情境：
客服中心希望分析客戶回饋，識別正面與負面情緒，並結合 Looker Studio 進行視覺化監測。

🔹 具體執行方式：

1. 數據收集：使用 Make (Integromat) + Gmail API / Zendesk API / Google Sheets，定期獲取客戶回饋內容。

2. AI 情感分析：

   • 選擇 Google Cloud Natural Language API 或 OpenAI GPT API 進行文本分析，分類情緒（正向、中立、負向）。

   • 使用 Make 觸發 AI 模型處理新回饋，將分析結果存入 Google Sheets。

3. Looker Studio 視覺化：

   • 建立 趨勢折線圖 監測正負面回饋變化。

   • 設置 圓餅圖 分析不同類別回饋的情感分佈。

   • 設定「客服人員」篩選器，查看個別客服的回饋評價。

4. 自動警報機制：

   • 設置 Google Apps Script (GAS) + Make Webhook，當負面情緒比例超過閾值時，發送警報到 Slack 或 LINE。

2. AI 預測客服需求高峰（工單預測）

📌 情境：
客服中心希望根據歷史數據預測未來的客服工單高峰期，提前安排人力資源。

🔹 具體執行方式：

1. 數據準備：

   • 使用 Google Sheets / BigQuery 存儲歷史客服工單數據，包括日期、時段、工單數量。

2. AI 預測模型：

   • 使用 Google Vertex AI AutoML 或 OpenAI GPT + 時間序列分析 預測未來一週的工單數。

   • 使用 Python + Google Colab 訓練 LSTM / Prophet 模型 來分析趨勢，並定期更新預測數據。

3. Looker Studio 視覺化：

   • 建立 時間序列折線圖 顯示歷史工單數與未來預測值。

   • 設置 熱力圖 呈現每日、每時段的客服需求變化。

   • 添加篩選器，讓管理層能根據地區、客服類別進行查詢。

4. 自動化通知：

   • 使用 Make + Gmail / Slack API 發送每週預測報告給主管。

3. AI 自動標籤分類與異常檢測（詐欺交易預警）

📌 情境：
金融機構希望利用 AI 自動標記可疑交易，並透過 Looker Studio 監控異常行為。

🔹 具體執行方式：

1. 數據流建立：

   • 收集 信用卡交易記錄（SQL / Google Sheets），包括交易時間、金額、地點、用戶行為特徵。

2. AI 異常偵測：

   • 使用 Google Cloud AI / OpenAI GPT / AWS Fraud Detector 訓練異常偵測模型，標記可疑交易。

   • 設置 閾值分類（正常 / 低風險 / 高風險）。

3. Looker Studio 視覺化：

   • 建立 地理熱圖 監測詐欺交易熱點。

   • 設置 長條圖 顯示高風險用戶群體。

   • 透過 數據篩選器 允許監控特定交易類別。

4. 自動告警與調查：

   • 當異常交易發生時，透過 Make + Twilio / Slack API 立即通知風控團隊。

4. AI 生成決策摘要與洞察（自動報告）

📌 情境：
高層管理者希望從 Looker Studio 儀表板中獲取 自動化決策摘要，而不是手動分析數據。

🔹 具體執行方式：

1. 數據準備：

   • 提取 KPI 數據（如銷售、客服工單、流量）。

2. AI 自動分析：

   • 使用 OpenAI GPT-4 + Google Sheets API 生成數據洞察摘要，例如：「本月客服滿意度下降 5%，主要原因來自於技術支援回應時間延遲。」

3. Looker Studio 內嵌報告：

   • 使用 Google Docs API 生成每週報告，嵌入 Looker Studio。

   • 在 Looker Studio 儀表板上新增「摘要區塊」，動態顯示 GPT 生成的決策洞察。

4. 語音轉換（可選）：

   • 整合 Google Text-to-Speech API，讓管理層以語音方式獲取報告。

除了客服中心效能分析，AI 與 Looker Studio 的整合還可以應用於更多決策支援場景，以下是幾個具體的主題設想，並說明如何執行：

5. 電商產品銷售分析與 AI 推薦（智慧選品）

📌 情境：
電商企業希望透過 AI 分析歷史銷售數據，預測熱銷商品，並提供個人化商品推薦。

🔹 具體執行方式：

1. 數據整合：

   • 連接 Google Sheets 或 BigQuery，獲取銷售數據（商品名稱、分類、庫存、銷售量、轉換率、使用者行為等）。

2. AI 預測熱門產品：

   • 使用 Google AutoML Tables / OpenAI GPT-4 / Prophet 時間序列模型 預測未來熱門商品。

3. Looker Studio 視覺化：

   • 折線圖：銷售趨勢變化。

   • 條形圖：比較不同商品類別的銷售表現。

   • 篩選器：按地區、季節、價格範圍篩選熱門商品。

4. AI 個人化推薦：

   • 根據客戶購買行為，透過 AI 協同過濾推薦模型 生成個人化商品建議，並以 Looker Studio 呈現「客戶可能感興趣的商品」。

6. 社群媒體品牌聲量與 AI 自動摘要

📌 情境：
企業品牌行銷團隊希望監控社群平台（Dcard、Twitter、Facebook）上的品牌聲量，並自動生成摘要報告。

🔹 具體執行方式：

1. 數據收集：

   • 使用 Apify / Octoparse / ParseHub 爬取 Dcard、PTT、Facebook 貼文與留言，存入 BigQuery 或 Google Sheets。

2. AI 情感分析：

   • 使用 Google NLP API / OpenAI GPT-4 進行語意分析，標記品牌提及的情緒（正面、中立、負面）。

3. Looker Studio 視覺化：

   • 折線圖：品牌正負面聲量趨勢變化。

   • 雲圖：顯示高頻關鍵詞（如產品名稱、負評關鍵詞）。

   • 圓餅圖：分析不同平台的品牌討論占比。

4. AI 自動摘要報告：

   • 利用 GPT-4 生成摘要，例如：「本月品牌提及增加 30%，主要來自 Dcard 討論；負評集中於配送問題。」

   • 內嵌 Looker Studio 報告，並透過 Make + Slack API 定期推送到行銷團隊群組。

7. AI 驅動的員工流動率與離職預測（人資分析）

📌 情境：
人資團隊希望透過 AI 預測哪些員工可能會離職，以便提前制定留才策略。

🔹 具體執行方式：

1. 數據收集：

   • 整合員工數據（工時、績效評分、工資變動、升遷、考勤、員工滿意度調查等）。

2. AI 離職預測：

   • 使用 Google AutoML Tables / TensorFlow 訓練離職預測模型，根據員工特徵（如工時過長、績效下降等）標記可能離職的員工。

3. Looker Studio 視覺化：

   • 條形圖：不同部門的離職率比較。

   • 熱力圖：標示可能離職的高風險員工群體。

   • KPI 指標卡：即時顯示總離職率、預測離職人數。

4. 自動化預警：

   • 當高風險員工比例超過 10% 時，透過 Make + Slack API 通知 HR 團隊，建議進行員工訪談或提升薪資福利。

8. 供應鏈庫存預測與 AI 自動調整

📌 情境：
企業供應鏈管理團隊希望根據歷史銷售數據與市場趨勢，預測未來的庫存需求，並自動調整採購計畫。

🔹 具體執行方式：

1. 數據收集：

   • 整合 ERP 系統數據（庫存水平、歷史銷售、季節性需求等）。

2. AI 預測庫存需求：

   • 使用 Prophet / LSTM 時間序列模型 預測未來 30 天的庫存需求。

3. Looker Studio 視覺化：

   • 折線圖：歷史銷售 vs. 預測需求變化。

   • 長條圖：庫存低於安全水平的商品列表。

   • 篩選器：按地區 / 品牌 / 倉庫篩選。

4. 自動補貨建議：

   • 當庫存低於安全線，透過 Make + Gmail API 自動發送採購建議給供應鏈團隊。

9. 醫療機構病患數據與 AI 疾病預測

📌 情境：
醫院希望分析患者診療數據，預測未來的疾病趨勢，以提升醫療資源配置。

🔹 具體執行方式：

1. 數據收集：

   • 整合電子病歷（EHR）、醫療檢測結果、門診數據。

2. AI 疾病趨勢預測：

   • 使用 TensorFlow / Google Cloud AutoML 預測未來可能的疾病趨勢（如流感疫情）。

3. Looker Studio 視覺化：

   • 折線圖：歷年疾病發生趨勢。

   • 地理熱圖：疫情高發地區分布。

   • 篩選器：按年齡、性別、疾病類別篩選病患數據。

4. 自動醫療資源調配：

   • 透過 Make + Google Calendar API，當特定疾病預測病例數超過閾值時，自動安排醫療人員排班增援。

Flourish.studio 和 Looker Studio 都是強大的資料視覺化工具，但它們的用途和適用場景有所不同。以下是它們的主要差異與適用情境分析：

🌟 主要差異比較

• 核心功能
  Looker Studio：企業級商業智慧 (BI) 分析與儀表板
  Flourish.studio：互動式資料視覺化與故事呈現

• 資料來源整合
  Looker Studio：支援多種資料庫（BigQuery、Google Sheets、SQL）
  Flourish.studio：主要上傳 CSV、Excel，或透過 API 連接

• 視覺化類型
  Looker Studio：KPI 指標、折線圖、條形圖、熱力圖、地圖等標準 BI 圖表
  Flourish.studio：3D 地圖、網絡圖、時間軸、故事式動畫等高度互動的視覺化

• 互動性
  Looker Studio：主要是篩選器和動態報表
  Flourish.studio：強調動態動畫與敘事視覺化

• 適合對象
  Looker Studio：企業分析師、商業決策者
  Flourish.studio：媒體、行銷、研究機構、教育機構

• 報表導出
  Looker Studio：內嵌儀表板，適合長期數據監控
  Flourish.studio：可嵌入網站，適合一次性專題報告或故事展示

• 是否適合即時分析
  Looker Studio：✅ 支援即時數據連接
  Flourish.studio：❌ 主要用於靜態數據展示

• 學習曲線
  Looker Studio：需學習數據處理與儀表板設計
  Flourish.studio：直覺式操作，模板豐富

🎯 適用情境與案例分析

✅ 適合使用 Looker Studio 的情境

1️⃣ 企業 KPI 監控與商業決策

• 案例：某電商企業想要監控每日銷售額、轉換率、庫存狀況，並讓管理層隨時查看儀表板。

• 為什麼用 Looker Studio？

  • 可以連接 Google Sheets、BigQuery、MySQL 等資料來源，自動更新數據。

  • 支援 篩選器與多維分析（如根據地區、品類查看銷售表現）。

  • 可 內嵌到內部系統，讓企業高層隨時查看。

2️⃣ 社群媒體數據監控（如 Dcard、Twitter 品牌聲量分析）

• 案例：品牌行銷團隊想要監測 Dcard 或 Twitter 上的品牌討論熱度，分析用戶情感。

• 為什麼用 Looker Studio？

  • 可結合 Apify + Google NLP API，進行情感分析（正向/負向/中立）。

  • 即時數據更新，每天自動抓取新評論並更新視覺化報告。

  • 適合長期追蹤，不僅是一次性的分析報告。

3️⃣ 供應鏈與庫存預測

• 案例：某零售商希望透過歷史銷售數據預測庫存需求，並在庫存不足時自動通知採購部門。

• 為什麼用 Looker Studio？

  • 可與 機器學習（AutoML / Prophet） 連結，預測未來需求。

  • 設置 警報觸發機制（如庫存 < 100 時，透過 Slack 通知採購）。

  • 適合日常營運監控，確保決策準確。

✅ 適合使用 Flourish.studio 的情境

1️⃣ 互動式數據新聞報導

• 案例：媒體機構想要製作一篇關於全球氣候變遷影響的報導，透過地圖與動畫呈現趨勢。

• 為什麼用 Flourish？

  • 3D 地圖與時間軸動畫，可以動態展示溫度變遷過程。

  • 敘事式呈現（Story Mode），讓讀者按步驟探索數據。

  • 可嵌入網站，適合新聞報導或科普文章。

2️⃣ 產品行銷 & 用戶體驗分析

• 案例：某新創公司希望展示其 App 用戶的成長趨勢，並用互動圖表吸引用戶。

• 為什麼用 Flourish？

  • 可用 流動地圖（Flow Map）展示用戶來自哪些地區。

  • 網絡圖（Network Graph）呈現用戶如何互相推薦應用程式。

  • 適合社群分享，比靜態圖表更吸引人。

3️⃣ 歷史事件與趨勢分析

• 案例：學術機構想要分析某國的 GDP 成長歷程，並用互動視覺化呈現關鍵轉折點。

• 為什麼用 Flourish？

  • 時間軸視覺化（Timeline）適合展示歷史數據變化。

  • 可加入解釋文字，讓讀者理解數據背後的故事。

  • 適合教育與學術報告，增加學習體驗。

🎯 總結：該選擇 Looker Studio 還是 Flourish.studio？

• 長期數據監控：Looker Studio 支援即時數據更新，適合 KPI 監控

• 商業決策與報表：Looker Studio 可連接資料庫，進行深入數據分析

• 短期專題報告：Flourish.studio 適合一次性視覺化展示，具互動性

• 互動式故事呈現：Flourish.studio 可製作動態地圖、網絡圖、時間軸等

• 即時數據驅動：Looker Studio 可與 BigQuery、Google Sheets 連結

• 媒體新聞報導：Flourish.studio 可製作動態視覺化，吸引讀者關注

📌 如果目標是「決策支援」，Looker Studio 更適合；如果目標是「互動式展示」，Flourish.studio 會更有優勢。 兩者也可以互補，例如：

• 用 Looker Studio 分析數據趨勢，然後用 Flourish.studio 製作故事式視覺化來對外呈現。

• 企業內部用 Looker Studio 監測 KPI，行銷團隊用 Flourish.studio 製作品牌報告。

這樣就能發揮兩者的優勢，達到最好的資料視覺化效果！ 🚀

🎯 實際案例：企業品牌聲量分析（Dcard & Twitter 社群數據）

假設一家手機品牌 「XPhone」 想要分析網路上的品牌討論度，並透過數據驅動市場決策，同時向投資人與消費者展示結果。我們將結合 Looker Studio 與 Flourish.studio，打造內部決策儀表板與對外互動式數據報告。

🔹 Step 1：資料蒐集（使用爬蟲與 NLP 分析）

🔹 數據來源：Dcard 手機板、Twitter #XPhone、Reddit 討論區
🔹 爬取內容：

• • 貼文/推文內容

  • 發文日期

  • 情感分析（Google NLP API：正向 / 負向 / 中立）

  • 品牌關鍵字（如「XPhone」、「相機畫質」、「電池續航」等）
    🔹 使用工具：

  • Apify / Octoparse：爬取 Dcard、Twitter、Reddit 貼文

  • Google NLP API：對文本進行情感分析

  • Google Sheets / BigQuery：儲存處理後的數據

🔹 Step 2：內部決策分析（Looker Studio）

🔹 目標：提供品牌行銷團隊即時監控品牌聲量趨勢，協助決策
🔹 Looker Studio 儀表板設計： 

1️⃣ 品牌聲量趨勢圖（折線圖）

• • X 軸：日期

  • Y 軸：品牌相關貼文數量

  • 過濾器：可選擇 Dcard / Twitter / Reddit 個別分析

2️⃣ 情感分析（堆疊長條圖）

• • X 軸：時間範圍

  • Y 軸：貼文數量

  • 顏色區分：正向（綠）/ 負向（紅）/ 中立（黃）

3️⃣ 關鍵話題分析（詞雲或長條圖）

• • 最常出現的品牌相關詞（如「相機畫質」、「續航力」、「價格」等）

  • 透過 篩選器 選擇特定平台的數據

4️⃣ 競品比較（條形圖）

• • 例如「XPhone vs iPhone vs Samsung Galaxy」的討論熱度對比

🎯 使用 Looker Studio 的原因：
✅ 適合即時監測（每日自動更新數據）
✅ 提供決策支援（可根據趨勢調整行銷策略）
✅ 數據可下鑽分析（例如點選「負向情感」查看具體負評內容）

🔹 Step 3：對外互動式數據報告（Flourish.studio）

🔹 目標：向投資人 & 消費者展示品牌在社群上的影響力，以視覺化方式講述數據故事
🔹 Flourish.studio 視覺化設計： 

1️⃣ 品牌聲量成長動畫（時間序列動態折線圖）

• • • 顯示 XPhone 討論熱度如何隨著時間變化

    • 可播放動畫，讓使用者直覺感受趨勢

2️⃣ 全球討論熱度地圖（Choropleth 地圖）

• • • 顯示 XPhone 在不同國家的討論度

    • 用顏色深淺表示討論量，滑鼠懸停可顯示具體數據

3️⃣ 關鍵討論話題互動網絡圖（Network Graph）

• • • 將熱門關鍵字（如「相機」、「電池續航」、「價格」）用網絡圖顯示關聯性

    • 使用者可點選節點，查看相關評論

4️⃣ 消費者情感分析條形圖（按類別分層）

• • • 顯示「相機畫質」、「價格」、「電池續航」等話題的情感分佈

    • 可互動篩選特定話題的情感傾向

🎯 使用 Flourish.studio 的原因：
✅ 適合故事式呈現（互動視覺化吸引投資人 & 消費者）
✅ 動畫效果強（例如品牌聲量趨勢動畫）
✅ 易於分享（可嵌入官網 / 部落格 / 社群媒體）

🔹 Step 4：整合 Looker Studio & Flourish.studio

• 數據蒐集：Apify 爬取 Dcard / Twitter 貼文，Google NLP API 分析情感。

• 數據儲存 & 清理：Google Sheets / BigQuery 存放 & 組織數據。

• 內部決策分析：Looker Studio 讓行銷團隊即時監控品牌聲量 & 負評。

• 對外展示：Flourish.studio 製作互動數據報告，向投資人 & 消費者呈現。

🎯 結論：Looker Studio + Flourish.studio 如何互補？

✅ Looker Studio：

• • 適合企業內部決策，強調數據即時更新 & 深度分析

  • 企業行銷團隊可根據數據調整策略（如加強某區域的廣告投放）

✅ Flourish.studio：

• • 適合向外部展示，強調視覺化 & 互動體驗

  • 可製作數據故事，提高品牌的社群影響力

🚀 結果： 企業可以透過 Looker Studio 內部監控品牌表現，並用 Flourish.studio 製作互動報告，讓數據變得更生動、更具說服力！