AI 可以快速做出儀表板,那人的角色與定位在哪?

一張不在需求單上的感染時空地圖,讓主任站起來說「這就是我要的」。從這個畫面往回推:做對了哪三件事、AI 能代替人問需求嗎,以及 AI 越能做,人要守住什麼。

分享
AI 可以快速做出儀表板,那人的角色與定位在哪?

「對,這就是我要的」謝謝這句話,讓我知道人的價值點

儀表板 demo 那天,感染科主任看到螢幕上的感染時空地圖,激動地站起來,放大音量說:「對,這就是我要的儀表板!未來要設計進系統中。」

這個畫面太深刻了。但這張地圖,一開始並不在需求單上。

我想從這個畫面往回推,記錄我們做對了什麼、哪裡可以更好。也想回答一個最近一直在想的問題:AI 都可以快速做出儀表板了,人的角色在哪?

一開始,只收到方向

某天被長官找去開會:有一個感染儀表板需要提供資料,上面長官要,很急。

會議前,我手上只有三樣東西:一份目前追蹤 COVID-19 的報表、目前透過報表可以回報畫面的數字,以及幾個想監控的醫囑碼。

一開始問需求,對方的回答很明確:根據這些醫囑碼,把這些畫面放上去就好。只要算出 COVID-19 與流感陽性率和員工陽性率,下個星期可以給我嗎?

左邊是需求單位說的一句話:COVID-19 與流感陽性率、員工陽性率,下週可以給我嗎,以及手上僅有的三樣東西;右邊是要先追問的六個問題,第一題問決策,其他五題問計算
需求單位給的是一句話和幾樣零散的東西;要變成儀表板,得先把六個問題問完。

做對的第一件事:一直問「然後呢?」

身為數據團隊主管,我知道一個儀表板不只是好看,重點是能不能讓人做出決策與行動。這有點像 PDCA(計畫、執行、檢查、行動的改善循環)裡的 Check(檢查):把數據收集、彙整、呈現出來,讓大家了解現況,才能做出更好的決定。

所以在對談中我問:還有哪些資訊想更了解?一開始他們都說沒有。

後來我換一個角度,用好奇業務流程的方式問:「如果有了這個儀表板,你們接下來會做哪些事?」

對方才娓娓道出:他們還會去查住院資料,看病人住在哪裡。

「那我們直接提供病人住在哪一個病床,你覺得如何?」這樣就能看到病人在哪個病房。

「看到病房之後,你們還會觀察什麼?」

「會看有沒有群聚。」

好,那提供病房就是有幫助的。每多問一次「然後呢」,就往這張儀表板最後的意圖挖深一層。

不同使用者的意圖,也要分開來看:長官在意的是護理人力的現況與安排,業務單位在意的是感染現況,以及有沒有群聚。意圖分清楚,設計才能對準。

為什麼儀表板的需求特別難問?

這跟系統開發的使用者故事不太一樣。系統偏向記錄流程,使用者比較容易想像接下來的步驟。儀表板要先彙整過去的資訊,而過去沒有儀表板,大家就會習慣配合以前的做法;再加上時間壓力,就容易「先有就好」。

產品開發常用 User Story 把需求背後的意圖說清楚:As a(誰)、I want(想做什麼)、so that(為了什麼)。套到儀表板上,我發現儀表板需求單只給了中間那一格:想看陽性率。誰要看、看完要做什麼決定,都是一直問「然後呢」才問出來的。

儀表板版的 User Story:As a、I want to see、so that 三格,需求單只填了中間的陽性率;追問之後,長官要看護理人力以安排人力,業務單位要看病房與群聚以判斷是否清潔隔離
誰要看、看完要做什麼決定,都要追問才出得來;問到最後,就接回下一圈。

重點是 so what 不能只問一次。要一直追問,問到感覺得出對方的行動會因此改變,第一階段的意圖釐清才算完成。

這一步,AI 能代替人問嗎?

AI 能不能也幫忙問需求?能,而且問得不差。卡內基美隆大學的研究讓大型語言模型根據訪談逐字稿產生追問題,結果不比人寫的差;給它一份常見訪談錯誤的清單當指引時,問得還更好1。

但這項研究裡的 AI,是讀著逐字稿往下追問,只能從對方說出口的話出發。這次真正挖出地圖需求的,卻是對方沒說出口的那一段:拿到陽性率之後,他們還會自己去查住院資料,看病人住在哪裡。

這段流程,對方不會主動講。研究使用者工作方式的 Karen Holtzblatt 與 Hugh Beyer 觀察到:人是自己工作的專家,卻說不清楚自己是怎麼工作的,因為這些知識都是內隱的2。對感染管制的人來說,查住院資料只是每天的例行動作,不覺得值得一提。

所以人能補上的,是兩種 AI 拿不到的脈絡:

  • 過往經驗:做過其他科別的報表,知道「看完數字之後,前線通常還會去查什麼」,才知道要往流程的下一步問。
  • 對談中聽到的流程:從對方描述「接下來會做的事」反推儀表板該放什麼,例如從「查住院資料」推到「直接提供病房位置」。

AI 能把問題問得更周全;但要問到流程的下一步,得先知道有這一步。

做對的第二件事:扛住時間壓力,先把檢驗碼拉清楚

時間再趕,我覺得最重要的還是先確認系統裡跟感染相關的檢驗碼,數據才會正確。

也是在這個過程中才發現:需求單給的醫囑碼只是粽子的頭。數據同仁細心查找系統現有的資料,加上會議中不斷提問,才把整串粽子提起來。

示意圖:需求單給的五個醫囑項目,查系統後各自展開成多個檢驗項目,有些納入、有些排除;醫囑碼不等於檢驗碼
套組要展開,細項要逐一確認哪些納入、哪些排除。

做對的第三件事:撈完資料,逐筆驗證

資料撈出來,才是驗證的開始。工程師把規則寫成程式,資料端拿 2–5 個真實案例,回資料庫逐筆核對;對不上,就回頭改規則。

工程師把規則寫成程式、資料端拿樣本逐筆核對,對不上就回頭改規則,兩邊都對上才進入雛形開發
兩邊都對上了,才進入雛形開發。

計算也集中在一處:Python 先把資料整理成標準化的感染統計,Power BI、AI 與感染地圖再各自拿去用。感染地圖的程式也是用 AI 協助寫出來的。

原始資料經 Python 處理層整理成標準化的感染統計,Power BI、AI 問答與感染地圖共用這一份指標資料
數字與規則集中在程式裡,不散在各個應用中。

感染時空地圖是怎麼來的?

群聚感染,就跟空間有關。剛好之前上 Power BI 課程時看過類似的空間設計,這次就用上了。

再加上我很喜歡的《真確》。作者漢斯·羅斯林有一場 TED 演講,用會隨年份移動的泡泡圖說明亞洲國家怎麼一步步追上來3,讓我知道時間維度的重要。加上時間的變化,更能掌握感染的路徑,於是地圖變成了感染時空地圖。

在 AI 還沒這麼強之前,這段要花很多人力:從樓層圖找出每個病房的位置,再和資料對上。有了 AI,拆圖、定位、對資料都容易多了。AI 讓我們做得更快,但要畫什麼、現場實際怎麼運作,還是要靠人。

數據飛輪:讓儀表板帶出下一個行動

前面一路問的「然後呢」,問到最後,其實是一個會自己轉起來的循環。

「飛輪」這個比喻,我借自吉姆·柯林斯的《從A到A+》4:一個沉重的輪子,每推一圈都建立在前一圈的基礎上。用在儀表板上,我指的是每一次行動的結果,都成為下一次判斷的依據。

這張時空地圖,我希望它這樣轉起來:

  1. 先計算出陽性率指標
  2. 配上地圖,看感染的空間分布,確認有沒有聚集現象
  3. 如果有聚集現象,就要判斷是否啟動清潔與隔離
  4. 加上時間軸,看感染隨著時間是擴大還是縮小
  5. 回頭判斷上一個行動有沒有效,再決定下一步

最後一步接回第一步,這就是我所說的數據飛輪。

數據飛輪五步:計算陽性率、地圖看聚集、決定行動、時間軸看變化、判斷行動成效,再接回第一步
每一圈都建立在前一圈上;第五步判斷行動成效,再接回第一步。

這其實不是新觀念。在公共衛生裡,監測資料本來就是為了行動而收集的5。

報表回答「現在怎麼樣」,飛輪回答「我們上一次做的事,有沒有用」。

這張地圖現在還在設計初期,飛輪有沒有真的轉起來,要等上線後由使用者回饋告訴我們。

留下來的方法:十個步驟

這次小成功之後,我想的是怎麼複製。所以我們做了一次覆盤,把這次的流程記錄下來。

資料專案標準流程十步驟,分成需求釐清、資料準備、驗證開發、上線應用四個階段
十個步驟、四個階段;前五步都在把一句需求,變成可以計算的定義。

其中最容易被跳過的,是第一階段的訪談。所以我們把靠經驗記得問的問題,整理成固定的十問。

需求訪談十問:管理目的、統計對象、統計單位、指標定義、日期定義、代碼範圍、真實案例、例外規則、未來擴充、確認紀錄
第 1 題問決策,2–8 題問計算,最後兩題確保之後還算得對。

AI 能做得很快,人要守住什麼?

回頭看這次專案,AI 能幫忙的地方越來越多:寫查詢、做雛形,都會越來越快。但有幾件事,我覺得還是要留在人身上:

  • 問出前線沒說出口的需求:有了 AI,做出 POC(概念驗證:先做一個能動的雛形,確認方向可行)很快,但 POC 不一定是最好的起點,可能讓人陷進 AI 給的範圍裡。如果一開始就照需求單叫 AI 做 POC,我們會得到一張漂亮的陽性率圖,不會有這張地圖。
  • 守住定義與驗證:哪些代碼算進來、分子分母是什麼、樣本對不對得上,這些由程式守住,由人確認。
  • 讓 AI 負責解讀,不負責算數字:數字與規則留在指標層,AI 拿整理好的資料來摘要和回答。

當所有人都能用 AI 快速開發產品,做得出來就不再是門檻,設計才是競爭關鍵。

這裡說的設計,不只是版面好不好看,而是決定這張儀表板要讓誰、在什麼時候、做出什麼決定。

雖然事後有人建議:感染 BI 能不能再進化,做成 3D 立體的空間地圖?

但我覺得,有了 AI,加圖層、做成立體都會變得越來越容易。當 AI 能做得越多,人必須要更有意識地思考,如何呈現足夠的訊息。回歸到這個儀表板的目的,是輔助決策,而不是放更多的訊息,因為人一次能處理的訊息有上限:認知心理學的研究估計,短期記憶平均只能同時容納約四個意義單位6。

我們如何能讓有效、重要的訊息,出現在人的面前?

數據團隊也不只是負責撈資料的資料 ATM。我們最大的優勢,是同時看得懂資料和業務流程。

大家挖掘需求有什麼小技巧嗎?歡迎留言一起討論與分享。


參考資料

  1. Yuchen Shen, Anmol Singhal, Travis Breaux, "Requirements Elicitation Follow-Up Question Generation", IEEE International Requirements Engineering Conference (RE) 2025, arXiv:2507.02858。摘要指出:大型語言模型產生的追問題,在清晰、相關與資訊量上不比人寫的差;以常見訪談錯誤類型引導時,表現優於人寫的問題。https://arxiv.org/abs/2507.02858 ↩
  2. Karen Holtzblatt & Hugh R. Beyer, "Contextual Design", The Encyclopedia of Human-Computer Interaction, 2nd Ed., Interaction Design Foundation, §8.1.2。原文:people are not consciously aware of their own work practice; all of their knowledge is tacit. https://ixdf.org/literature/book/the-encyclopedia-of-human-computer-interaction-2nd-ed/contextual-design ↩
  3. Hans Rosling, "Asia's rise — how and when", TEDIndia 2009. https://www.ted.com/talks/hans_rosling_asia_s_rise_how_and_when。羅斯林用的那種會隨年份移動的泡泡圖,可以在 Gapminder 的 World Health Chart 自己按播放,看各國的健康與財富兩百年來怎麼變化:https://www.gapminder.org/fw/world-health-chart/ ↩
  4. Jim Collins, Good to Great(中譯《從A到A+》), 2001。飛輪概念的作者說明:https://jimcollins.com/concepts/the-flywheel.html 。科技業也用 data flywheel 一詞,指使用資料讓 AI 模型與產品變好、再吸引更多使用者,與本文的意思不同。 ↩
  5. CDC, Updated Guidelines for Evaluating Public Health Surveillance Systems, MMWR 2001;50(RR-13)。文中把公共衛生監測定義為持續、有系統地收集、分析、解讀與傳播資料,用於採取公共衛生行動。https://www.cdc.gov/mmwr/preview/mmwrhtml/rr5013a1.htm ↩
  6. Nelson Cowan, "The magical number 4 in short-term memory: A reconsideration of mental storage capacity", Behavioral and Brain Sciences 24(1), 87–114, 2001。摘要指出,短期記憶有一個平均約四個意義單位(chunk)的容量上限。https://doi.org/10.1017/S0140525X01003922 ↩

延伸閱讀

如果你也走在自己的路上,歡迎訂閱《小穗步電子報》——我會把每一次的覺察與練習,寫成信寄給你。→ 訂閱小穗步電子報

Read more