昨天的訓練課程,是高度客製化的,挑戰很大。學員是一群顧問與分析師,他們要在短短三小時內,學會進階產業分析方法,並將學習成果無縫串接到下一堂的Power BI實作課程。
講義連結:進階產業分析策略研修:從公開數據到策略敘事的顧問技能
人生好難... 面對這種的挑戰,我的解法是將整個分析流程「AI化」。我們讓進階產業分析的知識論打包在生成式AI裡頭。我的目標不是產出傳統的厚重報告,而是反過來,讓人機協作,生成一份給Power BI用的「分析任務書」與參考資料集,甚至連後續操作指引都一併到位。由於時間有限,我聚焦在兩個最關鍵的應用場景:微觀的「競爭互動分析」與宏觀的「行業系統動態分析」。
微觀視角:用GASC框架,了解競爭互動
要分析競爭互動,我採用的是John Horn的方法論,並將其簡化為一個更易於應用的GASC框架。這個框架主張,要理解一個企業的行為,必須從這四個層面著手:目標(Goals)、假設(Assumptions)、能力(Capabilities)和策略(Strategy)。
理論觀念與分析步驟全都封裝在我設計的「我看穿你了」GPT,我直接在課程中展示這個方法的展開,我臨時選的分析目標是:美妝通路龍頭「寶雅」。
我請學員們將寶雅的年報,直接「餵」給我設計的「我看穿你了」GPT。AI迅速地爬梳出財報中「持續展店」、「擴大市佔」等關鍵詞。但真正的洞察,發生在我們將這些文字與現實世界的觀察結合的那一刻。對於熟悉零售通路業態的分析師,應該都知道寶雅厲害之處在於它為目標客群——特別是年輕女性——打造了一個難以抗拒的「夢幻世界」。在「我看穿你了」GPT的引導過程中,分析師與GPT互動時,可能就會建立對寶雅的經營「假設」:寶雅的美妝品類毛利率高達五成,但你卻很少看到它鋪天蓋地地打廣告。為什麼?因為他們花力氣在「選址」上,用最好的地點,換取最穩定的自然人流。
在「我看穿你了」GPT的引導與用戶自身產業知識的交互作用下,最終共同建構出這樣的分析結果:
- 能力 (C):強大的選品與供應鏈管理、無可挑剔的精準選址能力。
- 假設 (A):其核心「假設」是,在美妝零售這個領域,「通路為王」。只要佔據了最便利的交通節點,就能持續吸引目標客群,昂貴的廣告只是輔助。
- 目標 (G):基於這個假設,它的首要「目標」自然不會是短期利潤最大化,而是「市場佔有率的擴張」。因為在「通路為王」的遊戲規則裡,規模本身就是最強的護城河。
- 策略 (S):於是,我們看到的「策略」——持續在高人流區域展店,用高毛利的美妝產品帶動營收——就成為一個非常合乎邏輯的必然結果。
這個GPT會要求用戶代入自身角色(例如屈臣氏或康是美)來審視對手。如此一來,對於「寶雅下一步將在哪些商圈插旗」的預判,就能催生出更具體的應對策略。分析的最終,用戶可以選擇輸出一份競爭情境預估,或是直接生成一份Power BI分析所需的CSV資料表。
宏觀視野:用CLD,描繪整個行業的「勢」
分析完單一對手,我們將鏡頭拉遠。對分析師而言,理解整個行業的動態變化,往往更為關鍵。一個行業的「勢」,其實是由無數個「因果迴路」交織而成的複雜系統。
我們用超商咖啡的崛起這個經典案例來說明:
- 市場擴張的「增強迴路」(R):當統一超商和全家以親民價格、無所不在的店點提供咖啡時,極大地提升了「可及性」。這培養了數百萬人「每天來一杯」的習慣,整個咖啡市場的「餅」被迅速做大。這塊做大的餅,又為便利商店帶來更多關聯銷售,形成一個越滾越大的雪球。
- 競爭擠壓的「平衡迴路」(B):然而,這顆雪球也碾壓了路上的其他人。便利商店的價格優勢,對那些沒有特色、定位尷尬的中低價位獨立咖啡館,構成了巨大的「價格壓力」。競爭加劇侵蝕了利潤,最終導致一部分業者退出市場,這就是一條抑制無限成長的「平衡迴路」。
透過繪製這樣的因果迴路圖(CLD),我們能清晰地看到,單一策略是如何同時扮演「市場擴張者」與「市場破壞者」的雙重角色。這張「假說地圖」一旦成形,整個行業的演變脈絡便一目了然。
當然,真實世界的系統遠比這複雜。這時就相當考驗分析師的個人經驗了。
為此,我打造了另一支「產業批命流年」GPT。在課程中,我們以「瓦斯爐與排油煙機」產業為例,跑了一次完整的CLD建構流程。這就是人機協作最美妙的地方:AI負責廣泛地提出可能影響市場的因子(例如「廚房翻修率」),而分析師則運用經驗與判斷力進行深度的「篩選」與「驗證」。你的經驗可能會告訴你,一個家庭一生頂多經歷一次廚房大翻修,因此它並非主要的成長驅動力。 這種反覆的思辨,就是洞察力形成的真正過程。
最終,這個GPT不僅會生成假說,還會附上驗證所需的公開數據來源連結(如主計處),並產出一份包含五大要素的Power BI「分析任務書」:關鍵策略問題、核心假說、數據來源、計算建議(甚至包含DAX公式),以及視覺化圖表建議。
方法論的核心:將專家能力,轉化為AI工作流程
在生成式AI時代,我們的目標是將過去高度依賴個人經驗的專家能力,轉化為可規模化、可傳承的AI工作流程。我的做法分為兩步:
- 知識萃取與建構:打造AI的「外接大腦」 我將John Horn的理論、GASC框架,乃至波特五力、破壞式創新、組織生態學等十幾種經典觀點,加上我個人的顧問評估表,全部拆解、重構成為AI友善的結構化「知識庫」。我向學員展示,如何用NotebookLM這類工具,在幾分鐘內讓AI「吃」進幾十頁的方法論、理論,再「吐」出一個易於取用的外接大腦。 在AI時代,高品質、結構化的專有知識庫,就是企業最寶貴的智慧資產。
- 流程固化與封裝:將你的思維「程式化」 接著,我把我分析問題的慣用步驟、提問邏輯,透過Meta Prompting方法產生初版指令,再反覆試錯、逐步調校。這份指令稿與知識庫結合,就「餵」養出了我的「數位分身」。別小看這些指令,其中每一步的設計——何時該提問、何時允許用戶跳出、何時提供選項——都是人類分析思維的具象呈現。一旦專家的內隱知識可以這樣被提取與外顯化,它就成了需要被嚴密保護的核心資產。
你的三個行動方案
這次的課程是客製化內容,但背後的方法論,或許能給你一些啟發。如果你也是知識型工作者,不妨思考這三個行動方案:
- 盤點你的核心知識:你或團隊最獨特的分析視角是什麼?把它們結構化地整理出來,這就是你未來AI助手的「大腦」。
- 拆解你的工作流程:把你最重要的分析工作,從頭到尾的步驟畫出來。哪些是重複環節,哪些是創造性思考?思考如何讓AI來引導與執行重複的部分。
- 以「可追蹤的任務」為終點:下一次完成分析時,別只給出結論。給出一份「任務書」,告訴團隊,接下來該用哪些指標來驗證我們的判斷。
在這個時代,最昂貴的不是AI工具本身,而是我們腦中那些未被梳理、無法傳承的智慧。當我們學會將自己的思考過程,建構成一個個微小但強大的「AI策略羅盤」時,我們才真正擁有了駕馭複雜性、洞察未來的能力。