用 AI 分析數據與試算表：不會寫程式也能做樞紐、找洞察、產報表

老闆丟給你一個 Excel，五千列訂單資料，說「你看一下這個月哪裡有問題」。你打開檔案，密密麻麻的欄位，不會樞紐分析、不記得 SUMIF 怎麼寫，滑鼠滾了三分鐘還是不知道從哪看起。最後你只能手動篩選、複製貼上，做了兩小時，結論還是「好像還好」。

問題不在你不夠厲害，而在你把「分析」和「操作工具」綁在一起了。數據分析真正難的是「該問什麼問題、怎麼解讀數字」，而不是「函數怎麼打」。後者正好是 AI 最能幫你接手的部分。

這篇要解決的問題：教你用 ChatGPT、Claude 或 Gemini，在完全不會寫程式、不熟樞紐表的情況下，把一張雜亂的試算表變成可以拿去開會的洞察與報表。 適合誰讀：每天要看數據卻不是工程或財會背景的行銷、營運、業務、PM、小店老闆，以及想加快分析速度的數據新手。 讀完你會得到：一套「洗資料 → 問對問題 → 做樞紐 → 找洞察 → 產報表」的五步流程、可直接複製的 Prompt、一張 Workflow 流程圖，以及一個台灣電商把月報製作時間從一天砍到一小時的實作案例。

為什麼大多數人用 AI 分析數據都失敗？

不是 AI 不會分析，而是大家用錯了方式。最常見的三種錯：

第一種：直接貼一張大表，丟一句「幫我分析」。 AI 收到沒有方向的指令，只能回給你一堆「平均值是多少、最大值是多少」的敘述性統計，看起來有做事，實際上對決策毫無幫助。沒有商業問題，就沒有有用的分析。

第二種：要求 AI 自己把幾千列數字加總。 語言模型本質上是在「預測文字」，不是計算機，當你要它對五千列逐筆加總或算佔比，它很可能算錯卻講得很有自信。把「算數字」這件事交給語言模型，是最危險的用法。

第三種：拿到結果照單全收。 AI 說「A 通路表現最好」，你沒抽查就寫進報告，結果是它把退貨數當成銷售數。AI 是助手不是稽核，數字一定要驗。

理解這三個坑，就能反推出正確心法：AI 負責想問題與解讀，試算表負責算數字，你負責驗證與決策。 接下來整套流程都圍繞這個分工設計。

核心概念：把 AI 當「會說人話的數據分析師」

想像你旁邊坐了一位資深數據分析師，但他有個怪癖——心算很爛，可是邏輯超強、解讀超快。你會怎麼跟他合作？你會說：「這份資料我想知道哪個產品最賺錢」，他告訴你「那你要把營收減成本，再按產品分組加總」，然後你拿這個邏輯去 Excel 跑，他幫你看結果說「欸你看，第三名其實毛利率最高，值得多進貨」。

這就是用 AI 分析數據的正確姿勢。下表是傳統做法和 AI 協作做法的分工差異：

關鍵的一句話：讓 AI 給「怎麼算」，不要讓 AI 直接給「算完的數字」。 把這句話貼在螢幕邊，你就不會踩到那個最大的坑。如果你想更深入了解怎麼把模糊需求變成精準指令，可以搭配 ChatGPT Prompt 教學 一起看；而真正要在試算表落地計算時，AI 寫試算表公式教學 會教你怎麼讓 AI 直接幫你產出 SUMIFS、QUERY、樞紐公式，不必死背函數。

實際教學：五步把雜亂試算表變成洞察

Step 1：先讓 AI 理解你的資料長什麼樣

不要急著問分析，先讓 AI「認識」你的資料。把欄位名稱、每欄的資料型態（文字／數字／日期）、總列數，以及前 10～20 列的樣本貼給它。如果是 Google 試算表或小檔案，也可以直接上傳。

這一步的目的是建立共識：AI 知道「金額」是數字、「下單日期」是日期、「通路」有哪幾種值，後面才不會誤解欄位。檔案太大時只貼樣本，可以省下大量 token，也避免把全部敏感資料上傳。

一個常被忽略的小技巧：請 AI 在認識資料後，先用一兩句話複述它理解的資料結構給你聽（例如「這是一張每列代表一筆訂單的銷售明細，含通路、商品、金額與退貨狀態」）。如果它的理解有偏差，這時就會現形，比分析做到一半才發現誤會省事得多。

Step 2：清洗與標準化，先把髒資料整理乾淨

真實世界的試算表幾乎都很髒：同一個通路寫成「蝦皮」「Shopee」「蝦皮購物」、日期格式混用、有空白列、金額欄混進文字。不洗乾淨就分析，結論一定錯。

請 AI 幫你「健檢」：找出缺值、重複列、格式不一致、明顯離群的數字，並產出一份清洗規則清單。它會告訴你「通路欄請統一成蝦皮／momo／官網三類」「第 142 列金額是負數，疑似退款，建議獨立標記」。你照著規則在試算表上用「尋找取代」「移除重複項」處理，資料就乾淨了。這一步最常被略過，卻是分析品質的地基。

如果清洗動作本身需要公式（例如用 TRIM 去掉多餘空白、用 IFERROR 包住會出錯的計算、用 SUBSTITUTE 統一文字），不必自己想，直接把需求描述給 AI，讓它把規則翻成可貼上的公式——這正是 AI 寫試算表公式 最實用的場景之一。

Step 3：把模糊需求換成具體商業問題

「幫我看一下」是分析的天敵。你要先想清楚：這份資料，老闆／你自己到底想做什麼決策？把它寫成具體問題，例如：

• 哪個通路的退貨率最高，高到需要檢討？
• 客單價在這三個月是上升還是下降？
• 哪些商品貢獻了八成營收（80/20）？
• 哪個時段的訂單量最集中，要不要調整人力？

如果你連該問什麼都想不出來，這正是 AI 的強項——把資料結構貼給它，請它「以營運主管的角度，列出這份資料最值得分析的 8 個問題」，它會給你一份問題清單，你勾選要的即可。這招對不知從何下手的人特別有效。

進一步說，如果你想問的問題已經超出這張表本身（例如「我這個退貨率在同業裡算高還低？」「這個品類今年市場是成長還是衰退？」），那就不是試算表能回答的，而要結合外部資訊。這時可以搭配 AI 市場研究教學，讓 AI 幫你把「內部數據」放進「外部市場脈絡」裡解讀，洞察才有比較基準。

Step 4：做樞紐與交叉分析

有了問題，請 AI 把問題翻成樞紐表設定或公式。例如你問「各通路退貨率」，它會告訴你：

列：通路；值：退貨數加總、訂單數加總；計算欄位：退貨率＝退貨數／訂單數。並附上對應的 Excel 樞紐操作步驟，或 =SUMIFS() 的寫法。

你照著在試算表建樞紐表或貼公式，由試算表算出正確數字。需要更細時就做交叉分析：通路 × 月份、商品 × 客群，看不同維度的交叉表現。記住分工——AI 給設定，試算表出數字。

如果你看不懂 AI 給的公式、或想把它拆成「點哪裡、拖哪個欄位」的步驟，可以直接追問；要更系統地讓 AI 幫你寫各種試算表公式（VLOOKUP、QUERY、ARRAYFORMULA 等），AI 寫試算表公式教學 有完整的指令範本。

Step 5：找洞察、產出報表

數字出來了，但數字本身不是洞察。把樞紐結果貼回給 AI，請它「解讀這張表，點出 3 個最值得注意的發現、可能的原因，以及具體行動建議」。AI 會幫你把「官網退貨率 2%、蝦皮 11%」變成「蝦皮退貨率異常偏高，可能與商品說明不清或客群預期落差有關，建議檢視蝦皮的商品頁文案」。

接著做兩件事讓成果更能用。第一，請 AI 建議這些洞察適合用什麼圖呈現（趨勢用折線、通路佔比用長條、相關性用散布圖），再依 AI 資料視覺化教學 把關鍵數字畫成一眼看懂的圖。第二，把所有發現彙整成一頁式報表結構：摘要、關鍵數據、洞察、建議行動——如果要把它寫成主管或客戶看得懂的正式文件，AI 寫報告教學 會教你怎麼把零散洞察組織成有結構、有說服力的報告。想把整個流程做成可重複的自動化管線，則可以參考 Prompt 鏈接 把每一步串成節點。

進階：更深入的一層

把上面五步跑熟之後，你會發現多數分析停在「描述發生了什麼」。真正讓主管眼睛一亮、讓決策有依據的，是再往上爬兩階。借用資料分析界常講的四個層次，AI 在每一層的角色都不一樣：

絕大多數新手只做到第一層。要往診斷性走，最有效的一句追問是：「把這個指標往下拆，告訴我是哪個子群拉高／拉低了整體。」 例如整體退貨率 7% 看不出名堂，一拆才發現是「蝦皮 × 某個爆款商品」這個組合貢獻了大半退貨——這就是可以直接動手改的著力點。

要往預測與處方走，重點是把單純的「歷史數字」放進「會變化的脈絡」裡。這裡有兩個進階手法值得學：

• 多輪拆解而非一次問完：複雜分析硬要一個 Prompt 問到底，回答一定淺。正確做法是設計一條 Prompt 鏈接——第一輪洗資料、第二輪算指標、第三輪拆異常、第四輪寫建議，每一輪都把上一輪的結果當輸入，深度才會出來。這也是讓月報、週報變成「換資料就能重跑」模板的關鍵。
• 內部數據 × 外部脈絡：你的客單價下滑，是自家問題還是整個品類都在跌？把內部結論交給 AI 市場研究 去對照產業趨勢、競品動態，洞察才有座標，建議才站得住腳。

一個台灣的實際情境：某家手搖飲連鎖的營運分析師，原本月報只寫「本月營業額較上月下滑 8%」。改用診斷性追問後，AI 引導她把這 8% 拆成「門市別 × 時段 × 品項」三層，發現下滑幾乎全來自「兩家騎樓施工的門市的下午時段」，其餘門市其實微幅成長。同一份資料，從「全店在衰退」變成「兩家門市受施工短期影響、不需全面降價促銷」——結論完全相反，省下的是一筆原本要全通路打折的預算。這就是多爬一層的價值。

範例：可複製的 Prompt 與 Workflow 流程圖

下面這個 Prompt 把上述心法全部包進去，你只要換掉資料就能用：

你是一位資深數據分析師，擅長把雜亂試算表變成可決策的洞察。
請嚴格遵守一個原則：你負責提供分析邏輯、樞紐設定、公式與解讀，
但「不要自己逐列加總大量數字」，計算交給試算表，你只負責設計與解釋。

【我的資料】
- 欄位：訂單編號、下單日期、通路、商品名稱、數量、金額、是否退貨
- 列數：約 5000 列
- 樣本（前 10 列）：
（貼上樣本）

【我想知道】
1. 哪個通路的退貨率最高？
2. 哪些商品貢獻了八成營收？
3. 客單價這三個月的趨勢？

請依序輸出：
1. 資料健檢：缺值、重複、格式不一致、離群值，給清洗規則。
2. 針對每個問題，給「樞紐表設定」或 Excel 公式（含操作步驟）。
3. 我把樞紐結果貼回給你後，再請你解讀並寫成一頁式報告。
若有任何數字需要我提供，請明確列出，不要自行假設。

如果你要做的是「診斷為什麼某指標異常」，把最後一段換成下面這個進階追問，分析會深一個層次：

我把樞紐結果貼回給你了（如下）。請依序：
1. 點出 3 個最值得注意的發現，並各給一個可能原因（標明是事實還是推測）。
2. 針對最異常的那一項，建議我「再往下拆哪一個維度」才能找到真正的源頭。
3. 為每個發現給一條具體、可在兩週內執行的行動建議，並標上優先序。
（貼上樞紐結果）

對應的 Workflow 流程，用文字版流程圖呈現如下：

原始試算表
   ↓
① 貼欄位結構＋樣本 → AI 理解資料（請它複述一次確認沒誤解）
   ↓
② AI 產出清洗規則 → 你在試算表洗資料
   ↓
③ 設定商業問題（自己想 or 請 AI 列清單）
   ↓
④ AI 給樞紐設定／公式 → 試算表算出數字
   ↓   （數字錯？回到 ② 檢查資料）
⑤ 樞紐結果貼回 AI → 解讀洞察＋建議圖表
   ↓
⑥ 往下拆異常（診斷層）→ 寫成一頁式報告
   ↓
人工抽查關鍵數字 → 定案 → 開會用

這條流程的精神是「AI 想、試算表算、人驗證」三段循環。把每個節點固定下來，就能變成你每月、每週重複套用的分析模板。若不想每次自己手敲指令，也可以用 Prompt 產生器 填空生成這套分析 Prompt；想找更多現成的數據與報表類任務範本，任務食譜書 裡有可直接套用的流程。

常見錯誤

• 讓 AI 自己加總幾千列數字：最致命的錯。永遠把計算交給試算表，AI 只給公式與設定。
• 資料沒洗就分析：通路名稱不統一、日期格式亂，樞紐表會把同一個通路拆成好幾個，結論全錯。
• 問題太模糊：「幫我分析」只會換來一堆無用的平均值。先寫出具體商業問題。
• 結果照單全收：AI 可能誤解欄位含意，把退貨數當銷售數。關鍵數字一定人工抽查。
• 一次塞太多問題：十個問題一起問，回答會很淺。一次聚焦 2～3 個，逐輪深入（用 Prompt 鏈接 串）。
• 只做到描述、不往下拆：停在「下滑 8%」不算分析，要追問是哪個子群造成的，才找得到著力點。
• 忽略資料去識別化：直接上傳含姓名、電話的客戶名單，有個資外洩風險。先換成代號。
• 不要求行動建議：只拿到數字不算分析。一定要請 AI 給「所以我們該做什麼」。

最佳實務

• 先給範圍，再要結論：每次都先貼欄位結構與樣本，讓 AI 在正確的資料認知上分析，並請它複述一次確認沒誤解。
• 把計算與解讀分開：用試算表算數字、用 AI 解讀，兩者各司其職，準確度最高。
• 善用「請列出該問的問題」：不知從何下手時，讓 AI 先當你的提問者。
• 要求附操作步驟：請 AI 不只給公式，還要給「點哪裡、拖哪個欄位」的樞紐操作步驟，新手也能跟。
• 建立可重複的模板：把固定的分析（如月報）做成標準 Prompt 或 Prompt 鏈接，每月換資料即可。
• 數字務必抽查：至少手動驗證 2～3 個關鍵指標，確認 AI 沒誤解欄位。
• 洞察一定配圖：關鍵發現用 資料視覺化 畫成圖，比一堆數字更能說服人。
• 保留去識別化習慣：分析前先移除個資，是長久且安全的好習慣。

實際案例：台灣電商月報從一天到一小時

情境：台中一家做居家用品的中小型電商，每月初要做「上月營運月報」給老闆看，內容包含各通路銷售、退貨、熱銷商品、客單價趨勢。資料分散在蝦皮、momo、官網三份匯出的 Excel，欄位名稱與格式都不一樣。

導入前：負責的營運專員小婷不是數據背景，每月要花將近一整天：先手動把三份表的欄位對齊、統一通路名稱，再一個一個用篩選和複製貼上算數字，最後拼成投影片。常常算錯被退回重做，月報品質還很不穩定。

導入後，她改用這套五步流程搭配 ChatGPT：

1. 把三份 Excel 的欄位結構與樣本貼給 AI，請它產出「統一欄位對照表與清洗規則」，半小時內把三份資料併成一張乾淨的主表。
2. 用 AI 列出的問題清單，鎖定「各通路退貨率、Top 20 熱銷商品、客單價月趨勢」三個重點。
3. AI 給出每個問題的樞紐表設定與公式，她在 Google 試算表上跑出正確數字（公式都是請 AI 用 試算表公式教學 裡的方式產出的）。
4. 把樞紐結果貼回 AI，產出一頁式洞察報告，AI 還主動點出「蝦皮退貨率比官網高五倍，值得查商品頁文案」這個她以前沒注意到的問題。
5. 最後請 AI 建議把客單價月趨勢畫成折線、通路佔比畫成長條，再把整份內容整理成 正式月報 交出去。

成果數據（此為單一企業實作經驗，數字會因資料量與熟練度而異，僅供參考）：

• 月報製作時間從約 8 小時降到約 1 小時，省下約 87% 時間。
• 因清洗規則固定、計算交給試算表，月報數字錯誤被退回的次數從每月 2～3 次降到幾乎為零。
• 多出來的時間讓小婷能進一步做「退貨原因」深入分析，幫公司把整體退貨率從 9% 降到 6%。

第二個情境（不同產業）：台北一家連鎖補習班的行政組長，原本完全靠人工統計各分校的招生來源與轉換率。她把報名表匯出後，用同一套流程請 AI 拆解「廣告來源 × 分校 × 課程」三維交叉，發現某個一直被加碼預算的 FB 廣告，實際到班轉換率其實墊底，反而是「朋友介紹」這條免費來源轉換最高。把預算從低效廣告挪去推「舊生介紹獎勵」後，單月有效報名數提升、獲客成本下降。這個案例同樣不靠數據專家，靠的是把問題拆對、把計算交給工具。

這兩個案例的重點不是某個工具多神，而是分工方式改變了：把「想問題、解讀、寫報告」交給 AI，把「算數字」交給試算表，把「驗證與決策」留給人。不是數據專家，一樣能做出有價值的分析。

結論

用 AI 分析數據，不是要你變成工程師，而是讓你把精力放在真正重要的事——問對問題、看懂數字、做對決策。記住三件事就能上手：第一，先讓 AI 理解資料結構並洗乾淨；第二，把計算交給試算表、解讀交給 AI、驗證交給自己；第三，不要只停在「發生了什麼」，要往下拆到「為什麼」與「所以該做什麼」的行動建議。

從今天的一張試算表開始，套用本文的五步流程與 Prompt，你會發現「不會寫程式、不會樞紐」從來都不是做數據分析的障礙。下一步，建議你先用 AI 寫試算表公式教學 把計算這一段練熟，再用 AI 資料視覺化 讓你的洞察一眼就被看懂，最後用 AI 寫報告教學 把成果包裝成主管會買單的文件。三步走完，你就有了一條從原始資料到決策報告的完整生產線。

免責聲明：本文涉及之營運與財務數據分析方法僅供參考，不構成投資、財務或法律建議。實際決策請以經會計、稽核或專業顧問確認後的數據為準，並遵守貴公司資安規範與《個人資料保護法》相關規定。

❓ 常見問題 FAQ

🔗 延伸閱讀

• ChatGPT Prompt 教學：高效指令公式
• AI 寫試算表公式：不背函數也能算
• AI 資料視覺化：把數字變成會說話的圖
• AI 寫報告：把洞察變成主管看得懂的文件
• Prompt 鏈接：把複雜任務拆成步驟