營運自動化 | 數據分析
我是承育，擁有 7 年電商營運與後勤經驗。個性積極，喜歡探索新技術並應用於實務。
我不只執行流程，更致力於透過 Python 與 GAS 技術為營運流程降本增效。
🔵金融產品計價與流程自動化
負責 Swap 利率之精準計算與驗證，確保每日交易計價之 100% 準確性；自主開發數據處理腳本，將原需 10 分鐘之手動剪貼作業縮減至 8 秒內完成。
🔵跨市場數據分析與決策支援
針對 ETF、貴金屬、加密貨幣及大宗商品（油、黃金等）之全球市場定價進行結構性比較；建立「一鍵自動對比腳本」，實現 100+ 資訊之即時變動分析（Yesterday vs. Today），將原本依賴人工辨識的肉眼誤差降至零，確保數據變動偵測之即時性。
🔵庫存更新自動化
開發自動更新腳本，確保跨平台資料即時完整，並達成國外採購流程全自動化，整體降低人工錯誤並節省 90% 工時。
🔵財務對帳自動化
負責跨通路請款、發票與對帳作業，自主開發「自動對帳系統」（以匯款後五碼與金額自動比對並設定異常提醒），成功將對帳工時縮減 50%。
🔵建立採購預測模型
結合歷史銷售與季節性參數自動建議下單量，有效降低缺貨與庫存壓力，並將製作時間由 20 分鐘縮短至 3 分鐘。
🔵數據動態儀表板與視覺化
優化 Excel/Google Sheets 數據，實現資料自動清理與整合，將月報表製作從 4 小時縮減至 20 分鐘，其開發之動態儀表板獲得海外品牌經理高度肯定。
🔵商務流程效率提升
運用 Google 表單與自動化工具建立企業報價流程，實現填表即產出報價單，將報價流程由 5 分鐘優化至 30 秒；並開發 Python 腳本（包含文案爬蟲與 GoLABEL 批次產生器），支援業務單位快速應對市場需求。
【問題】解決決策滯後與經驗主義的行銷資源錯位
面對電商平台與實體通路破碎的資料格式，原需耗費大量人工手動整併，導致管理層無法獲得即時的市場反饋。此外，品牌長期依賴傳統經驗（如開學季為銷售高峰）配置行銷資源，缺乏長週期數據驗證，存在潛在的檔期配置風險。
【行動】建構全自動數據管線與互動式分析架構
運用 Excel 數據清洗技術與自動化邏輯，實現大規模異質資料的即時整合。構建多層次交叉篩選器（如本 Demo 所示），實現從通路、品牌、產品類別至時間軸的即時深度鑽取。同時設計趨勢監控與績效排行模組，讓使用者能透過一鍵操作快速識別市場異動。
【成效】
✅精準修正資源配置：透過長週期數據追蹤，發現特定產品之銷售巔峰實為「寒暑假」而非傳統認知的「開學季」。此洞察成功修正了品牌長期以來的行銷資源配置，確保資源集中於真正的高轉換時段。
✅決策效率極大化：將原本繁瑣的人工報表製作流程，優化為一鍵式即時更新與分析，大幅提升組織對市場變化的反應速度。
✅推動業務成長：成功識別弱勢平台與潛力產品，協助團隊訂定競爭策略，有效帶動該職務期間之業務成長。
【問題】解決非結構化影像積壓與高昂的人工輸入成本
面對超過 6,000 張 累積已久的實體名片，若採用傳統人工鍵檔方式，不僅需耗費數週的作業時間，且面臨特殊排版與多國語言難以精準辨識的技術瓶頸，導致企業人脈資產無法即時數位化利用。
【行動】建構基於 Gemini API 的 AI 自動化識別系統
串接 Gemini API 進行視覺辨識與語意分析，精準提取姓名、職稱、聯繫方式等關鍵資訊。開發自動化資料管道，實作批次處理邏輯以穩定應對大規模影像請求，並將提取之數據自動寫入雲端資料庫，徹底取代手動輸入流程。
BUSINESS CARD SAMPLE
等待掃描指令...
【成效 】
✅效率極大化：成功自動化處理 6,000+ 張 名片，將原本耗時數週的作業規模縮短，節省逾 95% 人力成本，並達成每日自動識別 500 張之高效率。
✅數據準確性：利用大語言模型 (LLM) 的語意理解能力，有效解決傳統 OCR 無法辨識的複雜排版問題，確保資料處理的高精確度與即時性。
✅商業價值體現：該自動化系統因其高度穩定性與實用價值，後續成功轉售予外部企業使用，證明了技術方案具備實質市場產值。
【問題】解決跨檔案巨量數據整併與高耗時的人工比價成本
面對超過 70 份破碎的 Excel 報表與逾 20 萬筆原始數據，傳統人工剪貼或 Excel 函數已難以負荷其計算量。高密度的手動對價流程不僅耗費數小時工時，且極易產生人為疏失，導致缺乏準確度。
【行動】建構 Python 自動化批次處理與數據清洗管線
運用 Python 開發批次處理腳本，實現自動化掃描指定資料夾內所有檔案。針對跨檔案數據進行深度清洗、精準排除重複值，並設計邏輯模型將破碎數據整併為結構化比價看板。
Processing Time
Accuracy
【成效】
✅極速效率轉化：成功將原本需耗費整天的繁瑣計算工程，壓縮至 3 分鐘內自動完成。而整體腳本開發與驗證僅花費約 1 至 2 小時 即完成上線。
✅技術突破與產值：透過 Python 成功解決了傳統 Excel 函數無法處理的複雜數據整合難題。在大幅提升資料準確性的同時，確保了成本試算與比價模型的即時性，支援團隊做出更精準的決策。
【問題】解決傳統採購預測偏差與庫存資訊滯後問題
面對人工估算導致的庫存壓力，長期存在「旺季缺貨、淡季庫壓」的營運風險。此外，由於國外廠商回傳數據缺乏即時同步機制，導致採購決策者無法準確掌握在途貨品數量，造成採購評估過程耗時且易生人為疏失。
【行動】建構整合 ERP 與動態參數的自動化採購決策模型
串接 ERP 與 Google Sheets API，導入季節性加權參數建立動態預測演算模型，實現每月自動產出最佳採購建議，並開發一鍵觸發功能自動發送供應商訂單。同時運用 Google Apps Script (GAS) 處理跨國供應商數據，自動回寫「在途清單」並即時併入採購預測系統，確保庫存資訊同步。
系統自動演示中：模擬 ERP 數據與預測模型之閉環邏輯
【成效】
✅決策效率極大化：透過自動化模型取代人工估算，成功縮短 90% 以上的採購評估時間，實現從預測到下單的敏捷營運。
✅庫存資訊透明化：建立在途數量即時追蹤機制，大幅提升供應鏈的可視性。每日自動化處理庫存資訊，完全消除人為失誤疑慮，達成精準的庫存水位管理。
✅低成本高效運作：利用 GAS 與雲端協作工具實現高效流程整合，確保企業在無需高額系統授權費的情況下，達成「旺季不缺貨、淡季無庫壓」之營運目標。