| 核心面向 | 教材重點 | 學生應掌握的能力 |
|---|---|---|
| 資料生命週期 | 建立、編輯、轉換、發布與交換文字、圖像、音訊、影音及程式資料。 | 能選擇適合的格式、工具及保存方式。 |
| 分析與決策 | 由資料清理、統計分析、視覺化進入預測、推薦、最佳化與分類。 | 能把商務問題轉換成分析任務，而非只蒐集資料。 |
| 系統連接 | 比較 API 與 MCP，理解 AI Agent 如何使用企業工具與資料。 | 能辨識系統整合、權限與資料治理需求。 |
| 軟體與網站框架 | 掌握 LAMP、Office、A／E／I／O／U 及使用者體驗五層。 | 能理解前端、後端、資料庫、商務文件與介面的關係。 |
| AI 工作流程 | 以 GOAL-S 將目標、輸出、分析、限制與來源轉成可執行工作。 | 能設計可驗證、可追蹤的 AI 輔助流程。 |
資流涵蓋資料如何被建立、編輯、轉換、發布、交換、分析與回饋。國際商務中的產品規格、詢價、報價、訂單、付款、物流、單據與售後紀錄，都屬於資流。資流品質決定商流、金流與物流能否被正確啟動及追蹤。
| 模組 | 核心概念 | 主要能力 | 國際商務應用 |
|---|---|---|---|
| G — Generation | 生成內容 | Prompt、寫作、研究、翻譯、多模態生成 | 開發信、產品資料、市場研究、跨文化溝通 |
| O — Office + AI | 辦公協作 | 文件、試算表、簡報、郵件、會議、知識管理 | 報表分析、合約閱讀、簡報、交易資料整理 |
| A — Agent | 代理執行 | 目標拆解、工具使用、工作流、觸發、記憶、人工審核 | B2B 開發、客戶研究、追蹤、流程自動化 |
| L — Leverage | 商業槓桿 | 個人、流程、決策、商業模式槓桿 | 效率提升、資源配置、決策支援、服務重設計 |
GOAL-S 不是單純的提示詞格式，而是一個工作設計框架。它要求使用者先定義目的與驗收標準，再決定 AI、Office、自動化或 Agent 應執行哪些步驟。
| 功能 | Text 文字 | Image 圖像 | Audio 音訊 | Video 影音 | Data / Program 數據／程式 |
|---|---|---|---|---|---|
| Create 建立 | Word、Google Docs、Notion、ChatGPT | Photoshop、Illustrator、Canva、Midjourney、DALL·E | Audacity、GarageBand、Ableton Live、Logic Pro、Suno | Premiere Pro、Final Cut Pro、CapCut、Runway、Canva | Excel、Google Sheets、CSV、JSON、XML、Access、SQL Database、Airtable、Python、R、VS Code、Cursor、GitHub Copilot、Replit、ChatGPT |
| Edit 編輯 | 校對、改寫、翻譯、摘要、排版、註解、版本修訂 | 裁切、去背、調色、修圖、合成、向量化、尺寸調整 | 剪輯、降噪、混音、音量調整、轉調、分軌、字幕對齊 | 剪輯、調色、加字幕、轉場、特效、去背、畫面穩定 | 資料清理、欄位整理、格式標準化、公式修正、查詢修改、程式除錯、版本控制 |
| Convert 轉換 | TXT、DOCX、PDF、RTF、ODT、Markdown、HTML、EPUB | JPG、PNG、GIF、SVG、WEBP、TIFF、PSD、AI、PDF | MP3、WAV、AAC、FLAC、M4A、OGG、MIDI | MP4、MOV、AVI、MKV、WEBM、WMV、GIF、SRT | XLSX、CSV、JSON、XML、SQL、MDB / ACCDB、SQLite、Parquet、HTML Table、API、Python Script、Executable |
| Publish 發布 | PDF、電子書、網頁文章、部落格、電子報、教學講義 | 社群貼文、作品集、網站圖片、印刷品、海報、簡報素材 | Podcast、串流音樂、音訊教材、語音檔、廣播內容 | YouTube、TikTok、Reels、Vimeo、線上課程、影音教材 | Dashboard、Dataset、Database、API、GitHub Repository、Web App、App、Automation Workflow |
表格把工作分為 Create（建立）、Edit（編輯）、Convert（轉換）與 Publish／Exchange（發布／交換），並橫跨文字、圖像、音訊、影音及資料／程式。教材重點不是記住所有軟體，而是理解「內容類型 × 操作目的 × 輸出格式」三者必須一致。
| 工具 | 主要定位 | 優點 | 限制 | 適合使用情境 |
|---|---|---|---|---|
| Excel + AI | 入門與日常商務分析工具 | 容易上手、適合整理資料、公式、樞紐分析、快速產生圖表與報告 | 處理大量資料與複雜模型能力有限 | 銷售分析、成本分析、報價比較、庫存整理、基本統計 |
| SPSS | 統計分析工具 | 操作介面清楚，適合問卷、迴歸、ANOVA(多組差異)、描述統計 | 彈性較低，進階自動化能力有限 | 問卷分析、市場調查、研究論文、社會科學統計 |
| BI / Power BI | 企業報表與儀表板工具 | 可連接多種資料來源，適合動態報表與管理決策 | 需要資料模型觀念，初學者需時間熟悉 | 企業績效追蹤、銷售儀表板、管理報表 |
| Tableau | 資料視覺化工具 | 視覺化效果佳，互動式圖表強，適合簡報展示 | 統計建模與自動化能力不如 Python | 商業簡報、互動式圖表、市場趨勢視覺化 |
| Python | 程式化資料分析工具 | 彈性最高，可處理大量資料、自動化、機器學習、AI 分析 | 需要程式基礎，學習門檻較高 | 大量資料清理、自動化分析、預測模型、AI 應用 |
Excel + AI 適合商務人員快速整理、計算與探索；SPSS = Statistical Package for the Social Sciences（社會科學統計套裝軟體）適合標準化統計；BI = Business Intelligence（商業智慧）適合企業儀表板；Tableau 強於互動視覺化；Python 適合大量資料、自動化與模型。工具選擇應由問題、資料量、重複頻率與治理要求決定，而不是依「能力百分比」簡化判斷。
| 項目 | Forecast 預測／預測分析 | 迴歸分析 | ANOVA 變異數分析 |
|---|---|---|---|
| 主要目的 | 根據過去資料推估未來結果或趨勢 | 分析變數之間的影響關係 | 比較不同組別的平均數差異 |
| 核心問題 | 未來會發生什麼？數值可能是多少？ | X 是否影響 Y？影響多少？ | A、B、C 三組的平均數是否不同？ |
| 常見資料型態 | 時間序列資料、歷史銷售資料、需求資料、價格資料 | 連續變數對連續變數 | 類別組別對連續結果 |
| 常見例子 | 根據過去 12 個月銷售額預測下月銷售額 | 廣告費是否影響銷售額 | 三種廣告方式的平均銷售額是否不同 |
| 適合情境 | 銷售預測、需求預測、庫存預測、匯率趨勢預測 | 預測、影響因素分析 | 組別比較、實驗結果比較 |
Forecast（預測）回答未來可能發生什麼；Regression Analysis（迴歸分析）回答變數之間是否存在關係及影響程度；ANOVA = Analysis of Variance（變異數分析）比較多組平均數是否存在顯著差異。三者可能使用相同資料，但研究問題與模型假設不同。
| 比較項目 | API | MCP |
|---|---|---|
| 中文名稱 | 應用程式介面 | 模型上下文協議 |
| 基本概念 | 讓系統與系統交換資料或功能 | 讓 AI Agent 用一致方式連接工具、資料與流程 |
| 主要角色 | 企業系統的「服務窗口」 | AI Agent 的「標準插頭」 |
| 主要使用者 | 工程師、IT、系統整合人員 | AI 開發者、企業 AI 架構人員、Agent 建置者 |
| 連接對象 | ERP、CRM、訂單系統、物流系統、資料庫 | MCP Server、知識庫、文件、資料庫、企業工具 |
| 工作方式 | 開發者指定 API、參數與回傳結果 | Agent 透過 MCP Client 使用 MCP Server 提供的 Tools、Resources、Prompts |
| 是否專為 AI 設計 | 否，是一般軟體整合方式 | 是，主要為 AI Agent 連接外部工具而設計 |
| 執行範例 | ERP查詢庫存、建立採購單、CRM查詢客戶資料、更新銷售階段 | ERP詢問「A產品目前還有多少庫存？」、依缺貨狀況建議補貨並草擬採購單、CRM彙整某客戶過去交易與聯絡紀錄、將某案件標記為報價中或成交 |
| 標準化程度 | 各系統 API 規格不同，常需客製串接 | 用統一方式讓 AI 發現與使用工具 |
| 在 Copilot Studio 中 | 可透過 Connector、Power Automate、自訂連接器呼叫 | 可連接 MCP Server，讓 Agent 使用外部工具與資料 |
| 安全重點 | API Key、OAuth、Token、權限、存取紀錄 | 身分驗證、工具授權、Prompt Injection 防護、工具審核、審計紀錄 |
| 主要風險 | 未授權存取、資料外洩、錯誤寫入、API 濫用 | 惡意 MCP Server、工具中毒、權限提升、Prompt Injection |
| 適合場景 | 明確、固定、可程式化的系統整合 | 多工具、多資料來源、多 Agent 的 AI 整合 |
| 教學比喻 | 企業系統的「服務櫃台窗口」 | AI Agent 的「USB-C 標準插頭」 |
API = Application Programming Interface（應用程式介面），讓不同系統交換資料與功能；MCP = Model Context Protocol（模型上下文協議），讓 AI Agent 以較一致的方式發現與使用工具、資源及提示。企業可以把既有 ERP = Enterprise Resource Planning（企業資源規劃）或 CRM = Customer Relationship Management（顧客關係管理）的 API 包裝為 MCP Server，但仍須處理認證、授權、日誌、資料最小化與人工覆核。