一句話說明

AI 可以幫你在幾分鐘內看出資料裡的趨勢和異常，但財務報表、法遵資料和即時儀表板這類需要精確與稽核的工作，還是交給傳統工具比較安全。

什麼時候該用 AI 做資料分析

AI 分析資料的強項，是快、會講人話、而且不用你自己寫公式。適合的場景大致有四種。

探索性分析。你拿到一份幾千列的 CSV，還不知道裡面有什麼，這時候丟給 AI 問「這份資料大致長什麼樣子、有哪些欄位、有沒有明顯異常」，比自己一欄一欄拉樞紐分析表快很多。

快速視覺化。你想看月度趨勢圖、地區分布圖，但不想在 Excel 裡選圖表類型、調座標軸，AI 可以直接生成圖表程式碼並畫出來，你要做的只是描述你想看什麼。

自然語言查詢結構化資料。「上個月哪個產品類別的退貨率最高」這種問題，不用寫 SQL 或 VLOOKUP，直接用中文問就能得到答案，這對不會寫程式的行銷或業務同仁特別有用。

異常偵測。AI 擅長在一堆數字裡找出「這裡怪怪的」的點，例如某天的交易量突然暴增十倍，或某個客戶的訂單金額和過去模式完全不同。AI 可以快速標出候選異常點，讓你去追查原因。

什麼時候不該用 AI

有三種情境，用 AI 分析的風險大於效益。

需要精確到小數點的財務報表。季報、董事會要看的數字、要送給會計師事務所的報表，任何一個計算誤差都可能造成問題。AI 生成的程式碼可能有邏輯錯誤，或者在你沒注意的地方做了四捨五入，這種場合建議用 AI 輔助寫分析邏輯，但最終數字要用 Excel 或既有的 BI 系統驗算過。

受法規規範的資料。個資、病歷、信用卡交易明細這類資料，本身就不該上傳到公開的 AI 服務，這不只是分析準確度的問題，是資料外洩的問題，下一節會詳細說明。

即時儀表板。如果你需要的是每秒更新、給營運團隊盯著看的即時數字，AI 對話介面的分析流程（上傳、下指令、等回應）本身就不適合這種時效性需求，這種場景該用 Grafana、Looker 這類專門的 BI 工具。

實戰流程

第一步：資料準備

在把任何檔案丟給 AI 之前，先做三件事。

去識別化。把姓名、電話、身分證字號、Email、地址這類個人資料移除或用假名替代。如果分析真的需要區分「這是同一個人的多筆紀錄」，可以用一個無意義的編號（例如 U0001）取代真實身分。

轉成 CSV。Excel 的 xlsx 檔案裡常常藏著合併儲存格、多個分頁、隱藏欄位，這些東西會讓 AI 誤判資料結構。轉成單純的 CSV，一個分頁一個檔案，AI 讀取的正確率會高很多。

寫清楚欄位說明。準備一段簡短的欄位字典，例如「date 是訂單日期，格式 YYYY-MM-DD；region 是出貨地區，分北中南東；revenue 是稅前營收，單位新台幣元」。AI 沒有這些背景知識，光靠欄位名稱猜測常常會猜錯，尤其是縮寫或英文簡稱。

第二步：選對工具

不同工具的強項不一樣，選錯工具會多繞很多路。

ChatGPT 的 Code Interpreter（現在叫 Data Analysis）適合快速丟一份 CSV 進去，讓它直接寫 Python 程式碼跑出結果，優點是它會把用的程式碼顯示出來，你可以檢查邏輯對不對，也可以要求它把圖表存成檔案下載。

Claude 適合需要推理「這個模式為什麼會出現」的場合，例如你已經看到某地區業績下滑，想請 AI 幫忙從多個角度推測可能原因、並列出還需要哪些資料才能確認。Claude 在解釋複雜邏輯和交叉比對多個假設時通常講得比較清楚。

NotebookLM 適合同時處理多份文件的分析，例如你有十份月報 PDF，想知道這十個月裡哪些議題重複出現、趨勢怎麼變化。NotebookLM 會標註每個結論來自哪份文件的哪個段落，方便回頭查證，這是它和前兩者最大的差異。

如果資料完全不能離開你的電腦或公司網路，可以考慮本機方案，本文最後一節會說明。

第三步：下有效的分析 Prompt

模糊的問題只會得到模糊的答案。一個能用的分析 Prompt 通常包含三件事：資料結構、想看的具體項目、要求秀出計算過程。

範例：

這份 CSV 有以下欄位：date（訂單日期）、product（產品名稱）、region（出貨地區）、revenue（營收，新台幣元）。 請幫我做以下分析： 1. 每月營收趨勢 2. 營收前五名的產品 3. 是否有明顯的季節性模式 請列出你的計算方式和使用的程式碼，不要只給結論。

「請列出你的計算方式」這句話很重要，這能讓你事後檢查 AI 是不是真的算對了，而不是編了一個聽起來合理的數字。

第四步：追問與迭代

第一輪分析通常只是起點。看完初步結果後，針對你在意的地方繼續追問。

範例：

請按地區分組，找出哪個地區的月增長率變化最大，並說明是哪幾個月發生的。

剛才你說南區在三月有異常增長，請把三月的原始資料列出來，我要自己核對。

第二個追問特別重要，因為它逼 AI 把結論拆解回原始資料，而不是停留在一句摘要式的說法。

第五步：驗證結果

AI 分析的結果不能直接拿去用，至少要做兩件事。

抽查總數。挑幾筆 AI 算出來的加總或平均，自己在 Excel 裡用 SUM 或 AVERAGE 重新算一次，特別是分組加總、去重複計算這類容易出錯的邏輯。

質疑因果宣稱。AI 很容易講出「因為做了什麼，所以營收上升」這種因果語句，但資料本身通常只能證明相關性。看到這種說法時，回問 AI「這是相關性還是因果關係？有沒有其他變數可能同時影響這個結果？」，逼它把推論過程講清楚。

不同分析類型的 Prompt 範例

趨勢分析：

用月為單位，畫出過去 12 個月的營收折線圖，並標出成長率最高與最低的月份，說明計算方式。

同期群組分析（Cohort）：

依照客戶第一次購買的月份分組，計算每個群組在接下來六個月的回購率，用表格呈現，並解釋回購率是怎麼算出來的。

異常偵測：

找出 revenue 欄位中偏離同產品同地區平均值超過兩個標準差的紀錄，列出這些紀錄的原始資料，並說明你用的判斷門檻。

資料安全：什麼東西不能上傳

在你把檔案拖進聊天視窗之前，先問自己這份資料裡有沒有以下內容。

個人資料。姓名、身分證字號、手機號碼、地址、Email、生日，這些屬於個資法定義的個人資料，未經當事人同意上傳到第三方 AI 服務，本身就有法律風險。

財務機密。未公開的財報數字、成本結構、供應商報價、薪資資料，這些一旦進入 AI 服務商的系統，就不在你的掌控範圍內。

營業秘密。客戶名單、產品配方、內部演算法、尚未申請專利的技術細節。

不同平台的資料使用政策差異很大，這點常被忽略。以消費版帳號來說，ChatGPT 和 Claude 的免費版與個人付費版，預設可能會把你的對話用於模型訓練（可在設定中關閉）；企業版（ChatGPT Enterprise、Claude for Enterprise、API 用量）通常保證不用於訓練，但保留期限和資料處理地點仍需要看合約條款，不要只看行銷頁面的一句話帶過，要實際去讀資料處理協議（DPA）。

如果資料敏感度高到連企業版都不放心，本機方案是比較踏實的做法。用 Ollama 跑開源模型（例如 Llama、Qwen 系列）搭配 pandas 寫分析腳本，資料完全不離開你的機器或內部網路。缺點是本機模型的推理能力通常不如雲端旗艦模型，複雜的多步驟分析可能需要更多人工引導，但對於格式轉換、簡單的統計摘要這類任務已經足夠。

常見的 AI 分析錯誤

把相關性當因果關係。AI 很容易說「銷售上升是因為做了行銷活動」，但沒有對照組、沒有排除季節性因素之前，這只是同時發生的兩件事，不是因果關係。

編造統計數字。當資料量太大或格式複雜，AI 有時候會用「看起來合理」的數字回答，而不是真的算出來的結果，這就是常說的幻覺。這也是為什麼前面一直強調要求 AI 秀出計算過程並自己抽查。

百分比算錯。常見的錯誤包括把「成長了 50%」和「成長到 50%」搞混，或者在計算年增率、月增率時基期抓錯。這類錯誤很難從結果的外觀看出來，唯一的辦法就是自己重算一次關鍵數字。

知識檢測

讀完文章後，測試一下你對這個主題的理解。

FAQ

AI 分析出來的圖表可以直接放進報告嗎？

可以放，但建議先用你自己算過的數字重新核對圖表上的關鍵數值，尤其是要呈報給主管或客戶的版本，圖表配色和標籤也建議依照公司規範調整，AI 生成的預設樣式通常比較陽春。

用 AI 分析資料算不算違反公司資安規範？

要看公司的資料分類政策和你使用的是哪個版本的 AI 服務。一般建議先確認公司是否有簽署企業版合約、資料是否可以離開內網，如果不確定，先問資安或 IT 部門，不要自己判斷。

ChatGPT、Claude、NotebookLM 可以一起用嗎？

可以，而且互補性不錯。例如先用 NotebookLM 從多份月報裡整理出重複出現的議題，再用 ChatGPT 的 Data Analysis 針對某個議題做細部的數字分析，最後用 Claude 幫忙推理可能原因並整理成給主管看的摘要。

AI 分析需要多少資料量才有意義？

沒有絕對門檻，但資料筆數太少（例如幾十筆）時，AI 算出來的趨勢和異常很容易只是雜訊，解讀時要更保守。一般來說至少要有能涵蓋一個完整週期（例如一整年、涵蓋淡旺季）的資料，趨勢分析才比較有參考價值。

免費版和付費版的分析能力差很多嗎？

免費版通常有訊息長度、檔案大小或使用次數的限制，遇到大檔案（例如幾萬列以上）容易處理失敗或截斷。如果你需要固定分析大型資料集，付費版或 API 方案在穩定性和上下文長度上會有明顯差異。