目錄
課程簡介
數據分析是企業決策的核心，AI 讓數據分析變得前所未有的容易。這門課程將帶您掌握用 AI 進行數據分析的技巧，從 ChatGPT 到 Excel Copilot，從數據清洗到預測分析，讓您用 AI 快速獲得數據洞察。
學習目標：
- 了解 AI 數據分析工具
- 掌握 ChatGPT 數據分析技巧
- 學會用 Excel Copilot 和 Sheets + Gemini
- 理解數據清洗和圖表生成
- 建立企業數據分析工作流
19.1 AI 數據分析工具概覽
為什麼學_this？
選擇合適的 AI 工具是數據分析的基礎。
核心教學
主流 AI 數據分析工具：
ChatGPT
- 自然語言分析
- 數據解讀
- 報告生成
- 通用性最強
Excel Copilot
- 整合 Excel
- 自然語言分析
- 公式生成
- 適合 Excel 用戶
Google Sheets + Gemini
- 整合 Sheets
- 數據分析
- 圖表生成
- 適合 Google 用戶
Python + AI
- 進階分析
- 自動化
- 自訂模型
- 適合技術用戶
BI 工具（Power BI、Tableau）
- 專業視覺化
- 大數據分析
- 儀表板
- 適合企業級
商業範例
一家擁有 12 間分店的中型連鎖健身中心，過去每週靠人手彙整會員出席與續約數據，耗時逾 10 小時，且教練流失率偏高、續約決策總是慢半拍。
- ChatGPT：自動解讀每週會員流失名單並生成挽留話術，客服跟進效率提升 40%。
- Excel Copilot：整理各分店出席與續約明細，報表製作時間由 8 小時縮至 1.5 小時。
- Power BI：建置月度續約與營收儀表板，管理層決策週期由 7 天縮短至 2 天。
- 三者串接後，整體續約率於一季內由 62% 提升至 71%。
小技巧
- 先從 ChatGPT 著手，上傳 CSV 後直接問「幫我算出各月營收成長率」。
- 用 Claude 處理長財報時，貼上原文並要求「整理成三欄表格：項目、金額、年增率」。
- 把 ChatGPT 產出的分析結論丟進 Notion，建立可重複套用的分析筆記模板。
- 若需每日更新報表，用 Zapier 串接 Google Sheets 與 ChatGPT 自動生成摘要。
- 要快速做圖表，把整理好的數據貼進 Canva，套用圖表模板輸出簡報。
練習題
本節摘要
- 工具：ChatGPT、Excel Copilot、Sheets + Gemini、Python、BI
- 從 ChatGPT 開始，最通用
- 根據需求選擇組合
你是 [行業] 的資深顧問，服務過 100+ 間同類型中小企。
我的業務：[規模/位置/客群 一句描述]。
我最大的痛點：[描述]。
請（1）診斷根因（2）提供 3 個同業已驗證的解法，按成本排序
（3）每個解法列出「第一步今天可以做什麼」。
| 任務 | 傳統做法 | AI 做法 | 效果 |
|---|---|---|---|
| 資料整理 | 人手複製貼上（數小時） | AI 結構化提取（分鐘級） | -90% 時間 |
| 客戶溝通 | 逐個回覆 | AI 草稿+人審發送 | 3 倍產能 |
| 決策分析 | 靠經驗直覺 | 數據+AI 多角度分析 | 減少盲點 |
| 知識傳承 | 口耳相傳 | AI 知識庫（隨問隨答） | 新人上手快 3 倍 |
- 我完成了本行業的「任務×AI」評分表
- 我選擇了一個本週就開始的試點任務
- 我設定了輸出品質的人工檢查點
- 我記錄了基準時間（AI 化前後對比用）
一家同規模的中小企用同樣的三步流程（盤點→試點→複製）：第一個月選擇「客戶查詢回覆」試點，回應時間由 6 小時變 40 分鐘；第二個月將成功流程複製到「報價環節」；第三個月全員培訓。三個月後整體產能 +30%，而工具成本是零（全部免費版）。重點從來不是工具，是「每月一個場景」的節奏。
19.2 ChatGPT 數據分析
為什麼學_this？
ChatGPT 是最容易上手的數據分析工具。
核心教學
ChatGPT 數據分析的功能：
數據解讀
- 上傳數據，AI 分析
- 自動發現模式
- 生成洞察報告
數據清洗
- 自動識別異常
- 處理缺失值
- 格式標準化
報告生成
- 自動生成報告
- 數據視覺化建議
- Excel 檔案生成
初級分析
- 平均、中位數、趨勢
- 相關性分析
- 異常偵測
ChatGPT 數據分析 Prompt：
請分析這份數據：[貼上數據]
請回答：
商業範例
一家連鎖健身中心擁有 12 間分店，每月會員續約率持續下滑，但教練與店長各自解讀數據，總部難以判斷問題出在課程、價格還是據點。
- 做法：將 3 年會員進出、課程出席與繳費紀錄貼進 ChatGPT，要求找出續約率最低的 5 個分店與時段：3 分鐘定位到 2 間晚班時段流失最嚴重的分店。
- 做法：請 ChatGPT 交叉比對教練排班與會員流失月份：發現更換教練後 60 天內流失率高出 18%。
- 做法：要求生成各分店續約改善優先順序清單：總部依此調整 4 間分店排班，試行 3 個月後整體續約率回升 7%。
小技巧
- 上傳 Excel 或 CSV 後，直接輸入「請用 pandas 讀取此檔並列出欄位與前五列」。
- 若資料超過 50MB，改用 Claude 上傳，或先壓成 CSV 再傳給 ChatGPT。
- 要圖表就寫「請用 matplotlib 畫出各月營收折線圖並標出最大值」。
- 清理資料時輸入「請找出重複列與空值，並輸出處理後的 CSV」。
- 把常用指令存成 Notion 範本，每次換檔只改欄位名稱即可重複使用。
練習題
本節摘要
- ChatGPT 功能：數據解讀、清洗、報告、初級分析
- 上傳檔案讓 AI 直接分析
- 5 分鐘獲得洞察
19.3 Excel Copilot
為什麼學_this？
Excel Copilot 讓複雜的 Excel 分析變得簡單。
核心教學
Excel Copilot 的功能：
自然語言分析
- 用中文描述需求
- AI 生成分析和結果
- 不需要會公式
公式生成
- 用自然語言描述
- AI 生成公式
- 自動解釋
數據清洗
- 自動處理缺失值
- 去重
- 格式統一
圖表生成
- 自動生成圖表
- 選擇最佳圖表類型
- 美化圖表
Excel Copilot 使用範例：
問：「計算每個月的銷售增長率」
AI：「生成對應的公式和結果」
問：「找出銷售額最高的 5 個產品」
AI：「排序並標記」
問：「分析這個月的趨勢」
AI：「生成趨勢分析和圖表」
商業範例
一家年營收約新台幣 8,000 萬元的連鎖健身工作室，旗下 5 間分店各自記錄會員出席、續約與教練排班，過去店長每週得花大量時間手動合併表格，常因公式錯誤導致續約率誤判。
- 做法：用自然語言請 Excel Copilot 合併 5 間分店的會員出席資料並標記流失風險，產出時間從每週 6 小時縮短至 40 分鐘。
- 做法：以對話方式請 Copilot 計算各分店月度續約率並排序，原本需 3 小時的公式撰寫縮短為 15 分鐘。
- 做法：請 Copilot 依教練排班與出席高峰自動建議人力配置，熱門時段人力缺口降低約 25%。
- 做法：每月請 Copilot 產出續約率與出席率趨勢摘要，管理層決策會議準備時間由 5 小時減至 1 小時。
小技巧
- 在 Excel 以 「分析數據」 開啟 Copilot，直接輸入「依月份統計銷售額並標出前三名」等具體指令。
- 問題太模糊時，改用 ChatGPT 先把需求改寫成一句含欄位與篩選條件的 prompt。
- 樞紐分析卡住時，把表格貼進 Claude，請它產出對應的樞紐欄位配置步驟。
- 每輪追問都補上「限用現有欄位、不要新增計算欄」，避免 Copilot 自行臆測。
練習題
本節摘要
- Excel Copilot：自然語言分析、公式生成、數據清洗、圖表
- 不會公式也能分析
- 每月節省 15 小時
19.4 Google Sheets + Gemini
為什麼學_this？
Google Sheets 用戶可以用 Gemini 進行 AI 分析。
核心教學
Sheets + Gemini 的功能：
AI 分析
- 自然語言分析
- 自動生成分析
- 洞察發現
公式輔助
- 用自然語言描述
- 自動生成公式
- 簡化操作
數據說明
- 選中數據，AI 解釋
- 發現數據意義
- 生成報告
表格生成
- AI 生成表格
- 自訂格式
- 快速製作
商業範例
一家連鎖健身工作室，旗下有 6 間分店、約 40 名教練。過去每月靠人工彙整各店的會員出席率、課程續約率與教練排班，往往要花 3 天才能產出報表，總部無法即時掌握哪間店正在流失學員。
- 做法：用 Gemini 自動彙整 6 間分店的會員出席與續約資料，產出月度營運報表，人工整理時間從 3 天縮短至 2 小時。
- 做法：以 Gemini 生成各店續約率與出席率的比較圖表，總部每週檢視一次，提前 2 週發現續約率下滑超過 5% 的分店。
- 做法：用 Gemini 分析教練排班與課程滿班率的關聯，重新調整熱門時段人力，平均滿班率提升 12%。
- 做法：每月自動寄送各店績效摘要給店長，節省總部約 10 小時的人工彙報工時。
小技巧
在 Google Sheets 中使用 Gemini 時，可依下列技巧提升效率：
- 選取資料範圍後點擊 Gemini 圖示，直接輸入「請總結這欄數據趨勢」。
- 用具體 prompt 如「找出 B 欄中低於平均值且標紅」，比模糊提問更準。
- 若 Gemini 回應過長，加上「用三點列點回答」限制格式。
- 需跨表分析時，先將資料匯入同一工作表再呼叫 Gemini。
練習題
本節摘要
- Sheets + Gemini：AI 分析、公式輔助、數據說明
- 整合 Google 生態
- 每月節省 10 小時
19.5 數據清洗
為什麼學_this？
數據清洗是分析的基礎，AI 能自動處理。
核心教學
AI 數據清洗的功能：
缺失值處理
- 自動識別缺失值
- 填補或刪除
- 記錄處理方式
異常值識別
- 自動識別異常值
- 標記和處理
- 分析影響
格式標準化
- 統一格式
- 標準化命名
- 日期統整
去重
- 識別重複數據
- 合併或刪除
- 保留最完整記錄
清洗 Prompt：
請清洗這份數據：[數據]
請：
商業範例
一家連鎖健身中心擁有 12 間分店與 8 萬名會員，教練與櫃檯各自用不同格式記錄聯絡方式與到訪資料，導致行銷名單重複率高達三成，續約提醒經常寄錯人。
- 自動去重與合併：整合 8 萬筆會員資料，重複名單由 30% 降至 2%。
- 電話與地址標準化：統一 6 萬筆手機格式與 1.2 萬筆地址，簡訊退件率從 9% 降到 1%。
- 缺漏值智慧補齊：依到訪紀錄推估 4,500 筆失效欄位，續約名單可用率提升至 95%。
- 清洗流程自動化：原本需 3 名員工花 2 天處理，現在 15 分鐘完成。
小技巧
- 上傳前先用 ChatGPT 掃描缺失值與重複列，指令寫「列出每欄空值比例與重複筆數」。
- 用 Claude 生成清洗腳本，prompt 附上欄位名稱與格式範例，直接輸出 pandas 程式碼。
- 把清洗規則記在 Notion 表格，標註每欄處理方式，方便下次同類資料直接套用。
- 用 Zapier 串接表單與試算表，設定入庫前自動去除空白與統一分隔符。
練習題
本節摘要
- AI 清洗：缺失值、異常值、格式、去重
- 10 分鐘處理 5,000+ 記錄
- 養成入庫前清洗的習慣
19.6 圖表生成
為什麼學_this？
好的圖表讓數據一目了然，AI 能自動生成。
核心教學
AI 圖表生成的功能：
自動選圖表
- 根據數據自動選擇
- 趨勢：折線圖
- 比較：柱狀圖
- 佔比：圓餅圖
圖表優化
- 自動標題
- 自動標註
- 美化配色
多種輸出
- Excel 圖表
- 網頁圖表
- 圖片輸出
圖表生成 Prompt：
請根據這份數據生成圖表：[數據]
請選擇最合適的圖表類型，並：
商業範例
一家中型連鎖健身中心，旗下有 8 間分店，過去每週需人工彙整各店會員與營收數據，報表常延遲三天才出爐，管理層難以即時調整教練排班與促銷策略。
- 做法：以 AI 自動生成各分店週營收趨勢圖，報表產出時間從 3 天縮短至 2 小時。
- 做法：生成會員續約率比較柱狀圖，協助辨識低續約分店，兩個月內續約率提升 12%。
- 做法：產出課程熱門度圓餅圖，據此調整 5 間分店的團體課時段，平均出席率提高 18%。
- 做法：每月節省設計與製圖人力約 14 小時，等同釋出 0.5 名行政人力投入會員服務。
小技巧
用 ChatGPT Code Interpreter 生成互動圖表的實操貼士：
- 上傳 CSV 後直接寫「用 Plotly 畫可縮放的折線圖，x 軸為月份」。
- 要互動效果就指定 Plotly 或 Bokeh，別用預設 Matplotlib 靜態圖。
- 圖太醜時回一句「改用深色主題並加上 hover 顯示數值」。
- 把產出的 HTML 下載後，用 Notion 嵌入區塊貼上分享。
練習題
本節摘要
- AI 圖表：自動選類型、優化、多種輸出
- 數據自動轉為視覺化
- 每月節省 10 小時
19.7 自然語言查詢
為什麼學_this？
自然語言查詢讓數據分析變成人人可用。
核心教學
自然語言查詢的應用：
數據提問
- 用中文問問題
- AI 自動分析
- 獲得答案
追問深入
- 在一輪後追問
- 深入分析
- 探索細節
情景分析
- 「如果...會怎樣」分析
- 預測未來
- 比較方案
自然語言查詢的優勢：
- 不需要掌握查詢語言（SQL）
- 不需要會統計學
- 快速獲得答案
商業範例
一家連鎖健身房的營運主管，過去每週得等資料團隊三天才能拿到會員分析，錯過教練排班與續約挽回的黃金時機。導入自然語言查詢後，主管直接用中文提問，系統即時回傳可執行的洞察。
- 查詢流失風險：輸入「哪些會員兩週未到館」，30 秒撈出 1,200 人名單，續約率提升 18%。
- 評估定價策略：詢問「月費降 10% 對營收影響」，模型回推需新增 320 名會員才能打平。
- 追蹤課程成效：提問「哪堂課續報最高」，找出前 5 名課程，教練排班效率提升 25%。
小技巧
- 用 Claude 提問時，直接貼上欄位名稱與範例資料，比只說「分析銷售」準確。
- 在 ChatGPT 寫 prompt：「以 orders 表計算 8 月寵物食品類別銷售額，與 7 月相比的增長率」。
- 把 Notion 資料庫欄位清單複製給模型，讓它對照欄位生成查詢語句。
- 要求模型先輸出 SQL 或 pandas 程式碼，再由你在本機執行驗證。
練習題
本節摘要
- 自然語言查詢：數據提問、追問深入、情景分析
- 不需要 SQL 或統計學
- 越具體的提問，答案越好
19.8 預測分析
為什麼學_this？
預測分析能幫助企業提前佈局。
核心教學
AI 預測分析的應用：
銷售預測
- 預測未來銷售
- 考慮季節性
- 識別趨勢
需求預測
- 預測產品需求
- 優化庫存
- 避免缺貨
客戶行為預測
- 預測流失
- 預測回購
- 預測價值
風險預測
- 預測財務風險
- 預測市場變化
- 預測營運風險
預測 Prompt：
請根據這份歷史數據，預測未來 3 個月的銷售額：
[數據]
請提供：
商業範例
一家擁有 12 間門市的連鎖健身中心，過去常因會員續約率波動，導致教練排班與課程採購失衡，旺季人手不足、淡季空堂過多。
- 做法：以 AI 預測各分店未來 8 週會員續約與新客趨勢，準確率達 89%。
- 做法：依預測提前 3 週調整教練排班與團課數量，人力閒置降低 22%。
- 做法：針對高流失風險會員自動觸發優惠提醒，續約率提升 11%。
- 做法：結合預測規劃器材採購與行銷預算，單店月均成本節省約 8 萬元。
小技巧
- 用 ChatGPT 輸入歷史銷量，請它標出季節性週期與異常月份。
- 在 Claude 貼上數據，要求以「先列假設、再算趨勢」的 prompt 推算。
- 把市場因素整理進 Notion 表格，讓模型對照調整預測值。
- 用 Zapier 每月自動把新數據送入 ChatGPT 重算，維持預測更新。
練習題
本節摘要
- AI 預測：銷售、需求、客戶、風險
- 準確率可達 90%+
- 提前佈局
19.9 Python + AI
為什麼學_this？
Python 是數據分析的進階工具，AI 能幫助寫 Python。
核心教學
Python + AI 的應用：
進階分析
- 大數據處理
- 統計分析
- 機器學習
自動化
- 自動報表
- 批量處理
- 定時任務
自訂模型
- 預測模型
- 分群模型
- 異常偵測
用 AI 寫 Python：
請用 Python 分析這份數據（CSV），完成：
商業範例
一家連鎖健身中心擁有 12 間分店、約 3 萬名會員，過往靠人工彙整各店 Excel 報表，每月耗時 5 天且常出現數據落差，難以掌握教練課銷售與會員流失狀況。
- 以 Python 串接 POS 與會員系統，自動生成月營收報表：報表產出時間由 5 天縮短至 2 小時。
- 批次清理與合併跨店資料：每月處理 30 萬筆交易紀錄，錯誤率由 8% 降至 0.5%。
- 以 AI 分析會員出席與續約行為：提前 30 天預測流失風險，續約率提升 11%。
- 自動彙整教練課銷售排行：每週節省 20 小時人工作業，據此調整 12 間分店排班。
小技巧
用 ChatGPT 生成 Python 程式碼時，掌握以下技巧可大幅提升成功率：
- 在 prompt 中明確寫出欄位名稱與資料格式，例如「欄位為 date、sales，日期格式 YYYY-MM-DD」。
- 要求 ChatGPT 附上註解與錯誤處理，例如「請加上 try-except 並解釋每段邏輯」。
- 把報錯訊息整段貼回對話，請 ChatGPT 針對該錯誤修正程式碼。
- 用 Claude 檢查 ChatGPT 產出的程式碼邏輯，交叉比對降低錯誤率。
- 請 ChatGPT 同時輸出範例資料，方便在本地先測試再套用真實資料。
練習題
本節摘要
- Python + AI：進階分析、自動化、自訂模型
- 用 AI 生成 Python 程式碼
- 處理大量數據
19.10 BI 工具整合
為什麼學_this？
BI 工具（Business Intelligence）是企業級數據分析。
核心教學
BI 工具的應用：
Power BI
- Microsoft 生態
- 數據視覺化
- 儀表板
- 整合 Excel
Tableau
- 專業視覺化
- 大數據
- 進階分析
Looker Studio（Google）
- 免費
- 整合 Google 生態
- 基礎視覺化
自訂儀表板
- 實時數據
- 多維度分析
- 關鍵指標
商業範例
一家連鎖健身品牌在全台擁有 18 間分店，過去每月靠店長手動彙整 Excel 報表，總部往往要等到隔月中旬才能掌握各店營運狀況，錯失調整教練排班與課程定價的時機。
- 做法：將會員進出、課程預約與教練工時資料串接至 Power BI 儀表板，結果：總部每日上午 9 點前即可看到前一日全店營運數據，報表產出時間從 14 天縮短至 1 天。
- 做法：建立分店、課程類型與時段的多維度分析，結果：找出週三晚間冷門時段開課率僅 32%，調整後三個月內提升至 68%。
- 做法：設定會員流失率與續約率即時警示，結果：高風險會員名單提前 30 天觸發，教練主動關懷使續約率提升 12%。
- 做法：每月自動生成管理層決策報告，結果：節省人工作業約 40 小時，管理層會議決策週期由兩週縮短至三天。
小技巧
實操貼士
- 先用 Looker Studio 免費連接 Google Sheets，將 AI 分析結果一鍵視覺化。
- 把整理好的 CSV 丟給 ChatGPT，請它產生 Looker Studio 圖表配置建議。
- 用 Zapier 串接 Sheets 與 Slack，數據更新時自動推播圖表連結。
- 在 Notion 建立 BI 儀表板索引頁，集中管理各工具報表連結。
- Prompt 範例：「依此欄位建議三種適合的 BI 圖表類型與理由」。
練習題
本節摘要
- BI 工具：Power BI、Tableau、Looker Studio
- 企業級數據視覺化
- 從免費工具開始
19.11 報表自動化
為什麼學_this？
自動化報表能節省大量時間。
核心教學
報表自動化的應用：
自動生成
- 定時自動生成報表
- 自動收集數據
- 自動分發
自動分發
- 郵件自動發送
- 定時發送
- 多渠道分發
自動警報
- 異常自動警報
- 閾值提醒
- 即時通知
報表自動化工具：
- Zapier：自動化工作流
- Google Sheets + Apps Script：自動報表
- Power BI：自動更新
商業範例
一家連鎖健身品牌，全台 28 間分店，過去各店教練每天手動彙整會員簽到與課程銷售，總部往往要到隔週才能掌握營運狀況。導入報表自動化後，管理層得以即時掌握各店表現並快速調整策略。
- 每日營運日報：系統於上午 7 點自動彙整各店簽到率與課程銷售，寄送給 28 位店長，人工整理時間由每日 90 分鐘降至 5 分鐘。
- 月度績效報告：每月 1 日自動生成教練續約率與營收分析，報表產出時間由 3 天縮短至 20 分鐘。
- 異常即時警報：單店單日退費超過 5 筆或簽到率低於 60% 時，10 分鐘內推播通知區經理。
- 會員流失預警：系統每週自動標記 30 天未到館會員，教練跟進後回流率提升 18%。
小技巧
- 用 Zapier 設「新資料觸發」，自動把 Google Sheets 新列送到報表工具。
- 在 Zapier 加 ChatGPT 步驟，prompt 寫「用三句總結以下數據重點」。
- 把 ChatGPT 輸出接 Notion 資料庫，自動生成每週報表頁面。
- 用 Canva 範本搭配 Zapier 填入數據，一鍵輸出視覺化 PDF。
- 設定 Zapier 每日定時觸發，早上九點自動寄出前日報表。
練習題
本節摘要
- 報表自動化：自動生成、分發、警報
- 工具：Zapier、Apps Script、Power BI
- 全自動化節省時間
19.12 企業數據分析工作流
為什麼學_this？
建立標準化工作流確保數據分析一致。
核心教學
數據分析工作流的組成：
數據收集
- 多源數據整合
- 自動收集
- 數據品質管理
數據清洗
- 標準化處理
- 異常處理
- 品質檢查
數據分析
- AI 輔助分析
- 洞察發現
- 報告生成
決策執行
- 基於洞察行動
- 追蹤效果
- 持續優化
最佳實踐：
商業範例
一家擁有 12 間門市的連鎖健身品牌，過去教練排班與會員續約全靠店長經驗判斷，常出現熱門時段人手不足、冷門時段空轉，續約率長期低於五成。
- 每日：系統自動彙整進出場與課程簽到數據，尖峰時段人力調度誤差由 3 小時縮短至 30 分鐘內。
- 每週：AI 比對會員運動頻率與合約到期日，產出流失預警清單，續約率由 48% 提升至 67%。
- 每月：更新營運儀表板，整合各店坪效與教練產值，找出 4 間低效門市並調整課程組合。
- 每季：策略檢視會議依數據決定展店與裁併，年度營收成長 18%。
小技巧
- 先用 ChatGPT 把年度目標拆成 3 個可量化 KPI，再逐步擴充。
- 用 Notion 建指標看板，每週只更新一個核心數字。
- 用 Zapier 把試算表新資料自動推送到 Slack 頻道。
- Prompt 寫法：給 Claude 角色、資料欄位與輸出格式三項。
- 用 Canva 把月度結果做成一頁圖表，方便覆核。
練習題
本節摘要
- 數據工作流：收集 → 清洗 → 分析 → 決策
- 建立標準化流程
- 每週檢視和行動
19.13 課程總結
課程總結
下一步學習
- C-20 AI 銷售赋能：AI 在銷售中的應用
- C-14 AI 工作流程自動化：數據 + 自動化
- C-04 AI 數據素養入門：數據基礎
© 2026 Buddylala.ai — Build Your AI Future, Together.