第 9 章開場案例。以 Seagate 導入 KNIME 的歷程說明分析工具如何支援數位轉型、員工自主分析與製造流程改善。
理解工具選擇不只看演算法，也要考慮易學性、整合性、原型速度、部署能力與使用者培訓。
Seagate 希望從描述性分析往預測性分析發展，並需要可與 Excel、JMP、Minitab、Tableau、Matlab、Python、R 等既有工具配合的平台。2017 年選擇 KNIME，並建立公民資料科學家（Citizen Data Scientist, CDS）培訓計畫。
| 原書指標 | 數值／內容 |
|---|---|
| KNIME 導入年份 | 2017 |
| 一項研發問題的原先困擾期間 | 將近 1 年 |
| KNIME 示範方案微調 | 約 2 週 |
| 原型／示範開發 | 數天 |
| 製造步驟 | 超過 1,500 |
| 單一晶圓完成時間 | 超過 4 個月 |
| 問題回饋迴圈 | 6 個月 → 4 週 |
| 單一業務領域節省 | 超過 1,000,000 美元 |
| 另一工作流程減少報廢材料 | 300,000 美元 |
| 一般使用者 | 超過 100 人 |
| 進階使用者 | 接近 50 人 |
| KNIME Server 購置年份 | 2019 |
從「工具選擇 → 培訓 → 快速原型 → 生產流程整合 → 成效」拆解數位轉型。特別比較視覺化工作流程相對逐行程式設計對原型週期與跨部門使用的影響。
6 個月若以約 26 週估算，縮短為 4 週，回饋週期約減少 22 週、84.6%；這個百分比是依原書期間直接換算。原書直接報告逾 100 萬美元與 30 萬美元兩項金額節省，第三項則以每週節省監控時間描述，沒有提供美元金額。
案例顯示分析平台價值同時來自技術與組織採用：員工更快做原型、模型可以整合回製造控制系統、使用者培訓則讓分析能力擴散到更多非專職資料科學家。
根據 Seagate 原書數字，把效益分成時間縮短、直接金額節省、使用者採用與流程整合四類；不得把第三項時間節省換算成原書未提供的美元。
問題： 若模型仍能預測，但必須由少數程式設計師才能修改，案例中的哪一類效益會受影響？
參考解答： CDS 自主分析、原型速度與跨部門擴散會受限；原書特別強調視覺化流程與易學性。