從樞紐分析到 AI 提問：數據分析新時代的 5 個震撼發現

簡報：

教學影片：

在現代職場中，「製作週報」往往是許多工作者焦慮的來源。面對動輒數千筆的原始資料，我們習慣在 Excel 的儲存格間穿梭，熟練地拉動樞紐分析表（Pivot Table），或埋頭苦思複雜的函數公式。然而，隨著生成式 AI 進入辦公室自動化領域，一個深刻的問題浮出水面：當 AI 只需要接收自然語言指令就能生成報表時，我們過去引以為傲的 Excel 技能是否還具備競爭力？

作為一名教育科技專家，我在帶領學生進行數據分析實驗時發現，我們正處於一個「工具交替」的關鍵轉折點。本文將帶你走進這場實驗，揭示 AI 工具（如 NotebookLM 與 Gemini）如何挑戰傳統流程，以及在 AI 時代，人類分析者真正不可替代的價值。

核心觀點一：AI 降低門檻，但「驗證」才是真功夫

過去要從巨量資料中提煉資訊，必須精通軟體操作。但在實驗中，我們上傳了一份包含 4,522 筆資料的蔬果零售價格 CSV 檔案到 NotebookLM，發現只需要輸入簡單的提示詞，例如：「找出 2018/11/30 這一天，所有 17 個市場的青蔥平均價格，並進行遞增排序」，系統便能即刻產出精確的數據結果。

這對非專業人員來說是巨大的福音——正如教學中提到的：「如果你不會函數公式，其實可以用 AI 生成。」然而，身為專業分析者，我們不能盲目信任。在實驗中，我們特別將 AI 跑出的結果（如環南市場 33 元、新莊市場 38 元）與 Excel 樞紐分析表的結果進行交叉比對。AI 時代的競爭力，不再只是「產出」的速度，而是「驗證」準確度的判斷力。

核心觀點二：邏輯思考取代公式背誦，「胡瓜測試」的啟示

在 AI 輔助分析的範式下，精確的提示詞（Prompting）取代了繁瑣的公式，成為新的數據邏輯。教學經驗告訴我們，AI 的品質取決於你的指令嚴謹度，必須明確包含時間、品項、排序規則等元素，不能有絲毫含糊。

為了測試 AI 的穩定性，我們在完成「青蔥」的分析後，接著進行了「胡瓜」的重複測試。這種測試是為了確保 AI 在處理不同品項時，邏輯是否一致。我們發現，只要提問結構完整，AI 就能穩定發揮。這證明了「邏輯思考」比「死背軟體路徑」更重要。

AI 有個重點，就是你一定要很親切（精確）地告訴它你要做什麼，不能含糊。

核心觀點三：技術陷阱——隱藏的單引號與 AI 的「翻臉」時刻

即便 AI 強大，實務操作中仍隱藏著導致分析失效的陷阱。最典型的問題就是「文字型數字」。我們在將 AI 生成的表格匯入試算表時，發現許多數據雖然看起來是「95」，但前方帶有一個隱藏的單引號（'），導致軟體將其辨識為文字而非數字。

這種細微的格式錯誤會直接導致繪圖功能失效，產生一片空白的圖表。這就是所謂的「AI 翻臉」時刻——當你以為一切自動化時，工具卻在基礎環節出錯。此時，分析者必須具備「資料清洗」的能力，利用 VALUE 函數將文字轉回數字。這提醒我們：數據分析的最後一哩路，始終需要人類的專業眼光來排除故障。

核心觀點四：AI 團體戰——跨平台的協同工作流

單一 AI 工具往往有其局限。例如 NotebookLM 的「資訊圖表」功能目前仍處於 Beta 測試階段，雖然風格美觀且極具創意，但有時會為了視覺效果而犧牲精確度（例如 17 個市場只列出 4 個）。

為了追求完美，我們建議打一場「跨平台團體戰」：

1. NotebookLM（數據提取）： 快速從 4,522 筆資料中篩選出特定日期與品項。
2. Google 試算表（資料清洗）： 匯出結果並利用 VALUE 函數解決文字格式問題，甚至請 AI 撰寫 VBA 或 Python 程式碼，將 12 個月份的個別檔案合併為年度大表。
3. Gemini（視覺化）： 連結雲端硬碟，利用其更強大的繪圖能力與動態呈現，生成兼具專業與美感的折線圖。

這種工作流結合了 AI 的速度與試算表的靈活彈性，補足了單一工具的短板。

核心觀點五：真正的競爭力，是解決問題的韌性

在帶領學生完成期中報告的過程中，我一再強調：重點不在於最終報表有多華麗，而在於「解決問題的過程」。當 AI 額度用完時、當資料格式出錯時、當圖表跑不出來時，你如何應變？

是放棄嘗試，還是主動尋找替代方案？例如改用試算表內建圖表，或是更換 AI 帳號繼續實驗。這種在技術不穩定中尋求解決之道的過程，才是職場上最無可取代的技能。

面試時，大家最喜歡問：你在求學階段遇到什麼問題？如何解決？

結語：在工具演進中定義「分析者」的價值

從傳統 Excel 樞紐分析到 AI 自動生成，工具的進化並非要取代人類，而是為了釋放我們的產能。Excel 提供了深度驗證與微調的彈性，而 AI 則賦予我們閃電般的處理速度。

當 AI 可以涵蓋大部分繁瑣的運算時，我們身為「分析者」的價值，應定義在「提問的精準度」、「結果的驗證」以及「跨工具的整合能力」。未來，職場贏家不是那些最強大的工具使用者，而是那些能在 AI 失靈時，依然能用邏輯與應變力找出答案的解決問題者。