我們觀察到很多品牌端在進行分析 Google Analytics 4 資料時，遇到定製報表無法回答多變的商業問題，而且深入分析也會消耗掉分析人與行銷人員許多時間。 本篇文章將示範如何使用自然語言對話方式，來進行網站分析。
文章目錄
WrenAI 數據分析 | 案例背景 – 用 AI 分析每月網站成效
在這個案例，我們要負責進行上個月的網站成效分析，並且希望能立刻產出一份報告。
問題清單如下
- 哪些文章／頁面最吸引人？
- 來源媒介表現的統計加權
- 上個月的去年同期比較
- 特定來源媒介深入分析
接著針對各個問題在聊天視窗內輸入，看看 AI 怎麼回答！
首先是：哪些文章 / 頁面最吸引人?
可以看到，AI 認為吸引人，可以被理解成「停留時間」比較長 以及「有互動工作階段」。
並且根據到達網頁分組，將互動工作階段數與停留時間做了匯總 。
頁面成效視覺化
接著，我們透過點擊「Chart」，讓 AI 自動產生適合的圖表。 長條圖可以幫助快速得知，互動工作階段數醉了排序，不過我們有點懶惰，而且希望報告馬上交出去，所以我決定讓 AI 透過氣泡圖幫我做視覺化。
因此我接著問：請製作一張氣泡圖，橫軸為參與工作階段數、縱軸為平均停留時間，顯示各頁面表現。
接著可以看到，
橫軸是「參與工作階段數」，代表有多少用戶主動互動；縱軸是「平均停留時間」，反映每位用戶在該頁面停留的長度。
頁面成效視覺化 – 氣泡圖
因此，每一個氣泡代表一個網頁／文章，越往右上角的氣泡，代表那個頁面「不但吸引人，還留得住人」，是內容表現最理想的區域。相對地，左下角的氣泡表示互動少、停留時間也短，可能是點擊後就離開的頁面，值得進一步優化。
而且很方便的是，滑鼠移動到泡泡上，還可以看到數據細節，這對分析討論真的很有幫助。
在短短五分鐘內，我們完成了第一個圖表，接著我們將這個圖表加到 Dashboard 裡面。
接著，我們想知道是否有特定的流量來源帶來了比較好的表現，而為了讓結果更精準，我們請 AI 使用加權平均做運算，並且視覺化！
WrenAI 對話式數據分析 | 流量成效 – 用統計 Z-Score 加權運算
因此我接著問：有沒有哪些來源媒介，在停留時間與互動工作階段，表現得特別顯著? 請按照加權比例做比算。
立即可以看出，按照加權排序，Google 搜尋流量進站的成效有整體最好表現！
不過，我們必須能夠對怎麼加權運算做解釋，所以必須了解怎麼做運算的。
因此我接著問：「請針對加權計算公式，做進一步的說明，這個分數有什麼意義」。
這個說明，只能給 60 分，對於權重說明的不夠仔細。
當我們進一步去看 SQL 運算式，可以看到其實是採用了統計學的 Z-score。
SAFE_DIVIDE (
(engaged_session_count - stats.avg_engaged_session_count),
stats.stddev_engaged_session_count
) AS z_engaged_session_count
透過使用 Z-score 標準化，可以將將「互動工作階段數」與「平均停留時間」轉為相同尺度，再進行加權平均，讓不同單位的指標可以公平比較每個來源的整體表現。
因此，有了這項指標，我們可以有信心的說，Google 搜尋來源的質量的確比較好。
WrenAI 對話式數據分析 | 總覽數據去年同期比較
在月報裡面，當然免不了的要跟去年同期比較一下，可以看到今年蠻抖的。
不過因為已經很抖了，圖就要畫的好理解一點，應該要調整一下配色。
(謎之聲：成效掉那麼多，圖表都藍色的是尛)
於是得重新問一次問題，然後指定色系。
下一步，我希望能知道流量下降是發生在自哪些來源。
(謎之聲：好吧，果然是敗也 Google 成也 Google)
不過我們的確迅速掌握了現況，搜尋流量已經相較去年下降很多。
最後，讓我們找出是哪些文章下降比較多！
而且滑鼠移動到圖表上，就可以看到細節數字。
WrenAI 對話式數據分析 | Dashboard
最後，讓我們看看剛剛做的圖表在加到 Dashboard 後的結果吧！
我們已經完成報表準備工作。
而且這些圖表到了下一個月，就可以點擊刷新，立刻拿到數據，不需要剪剪貼貼。
WrenAI 對話式數據分析 | 結語
以上一連串在做的 AI 運用，專有名詞是 Generative Business Intelligence 或者 Conversational Analytics，在不久的未來定會普及化，而在寫文章的當下 202507 Wren AI Cloud 是目前經過實戰導入驗證後，我們認為目前最符合的 GenBI 工具，Wren AI 在圖表、數據生成以及 AI 精準度調教都下了許多功夫，畢竟數據分析這事，失之毫釐差之千里。
在本範例的資料，使用的是 Google Analytics 4 在 Google Cloud 的 BigQuery 資料庫，其中 GA4 資料模型使用了 線性成長數位開發的 Google Analytics 4 數據分析模型，此模型在精準度與顆粒度做了調教，因此在效能與成本做了平衡。
白話來說，這樣的企業導入 GenBI 的成功案例，是資料治理得宜的結果，資料先準備好，選擇適合的工具，搭配高效的資料庫，讓原本要花 3 小時製作的分析報告，在 30 分鐘內就完成。
WrenAI 對話式數據分析 | 下一步：試試看 Wren AI Cloud 吧
Wren AI Cloud 是開箱即用的 GenBI 工具，註冊後可以免費試用 7 天，
其中還有更多可以幫助分析師、行銷人、決策者與管理者的功能，像是 Spreadsheet、Knowledge … 等，未來一一向大家介紹。
