不會公式也能分析數據：用提示詞從試算表挖洞見、做圖表、上台簡報

課程裡有段對談讓我特別有感：二十年前學商業技能，你得先學會管理試算表、背函數、甚至學程式語言；現在你不需要知道那些魔法咒語了，用白話文問就可以。以前要花五小時學的分析方法，現在兩分鐘就有一個能動的雛形。

Google Prompting Essentials 的第三個模組講的就是這件事：怎麼用提示詞讓 AI 幫你從數據裡挖洞見、把數據變圖表、再把圖表變成一場好簡報。這篇整理模組的完整路徑，外加一段多數教學不會講的進階知識：取樣參數。

AI 擅長哪些數據任務？

第一步是搞清楚工具的能與不能，提示才下得準。課程列出生成式 AI 在數據上的六個強項：

• 文本分析：幾千則開放式問卷回覆，快速歸納主題、判斷語氣、分類議題。
• 數據擴充：資料點太少時生成擬真的模擬資料補足，但要明確標示哪些是模擬的，它只能提示趨勢、不能當事實。
• 問答：用白話問「上一季的銷售是升是降」，像問同事一樣。
• 情境分析：根據過去的模式推演不同情境的影響。
• 圖像與視覺分析：把圖表貼進提示，直接針對它問問題。
• 客戶與市場研究：分析問卷、社群與產業資料，找出客戶要什麼。

至於它不擅長的：嚴格的統計分析與高度結構化的資料處理。遇到這類任務，改請它「建議最合適的統計方法並給步驟說明」，把執行留給專業工具。

先清資料，再用開放式問題探索

輸出的品質永遠受限於資料的品質。分析前先請 AI 幫忙體檢：「這是我的資料樣本，找出潛在的問題或不一致之處，並建議修正方式。」格式統一、缺漏補齊之後，才進入探索。

探索階段的訣竅反直覺：問得越開放，收穫越大。不要一開始就限定 AI 找什麼，給它自由，它可能找出你沒預期的趨勢。

課程的範例是記者拿到一份各城市空屋資料，不知道從何下手，於是這樣問：「你是一位調查住房趨勢的記者，你會怎麼用這份空屋資料，說出一個有說服力的房市故事？」角色加開放式問題，AI 就會從多個角度替你把資料翻一遍。

課程示範用連鎖超市的資料這樣問，立刻發現一個有趣的現象：分店的商品數量與總銷售額之間沒有明顯關聯，有些小店甚至贏過大店，輸出還附上了可能的原因，方向就出來了。

看不懂的公式與報錯，直接問

課程的情境很日常：同事休假，留給你一張塞滿公式的試算表，今天就要下訂單。與其打擾休假的人，不如把公式貼給 AI：「我在大型餐廳工作，需要在同事休假期間訂購食材。他留了一條計算訂購量的公式給我，但我看不懂。

請用簡單的步驟解釋這條公式的意思。」報錯也一樣：「這條公式在某個儲存格出現錯誤訊息，給我在 Google Sheets 找出並修正錯誤的逐步流程。」

同樣的招式可以用在幾乎所有看不懂的東西上：外語、行話、程式碼、錯誤訊息、複雜圖表。AI 在這裡扮演的是隨身翻譯，把陌生的內容翻成你的語言。

從數據到圖表，再到簡報

不知道用什麼圖表？先用白話描述資料集（「我的資料有書名、類型、首刷年份、約略銷量幾個欄位」），再請 AI「給我幾種能呈現類型與銷量關聯的圖表選項，並解釋各自的道理」。看過喜歡的圖表也可以上傳當參考，請它「建議怎麼修改，讓這種圖表更適合我的資料」。

到了簡報階段，一樣是框架的延伸：給角色與脈絡，請 AI「建議簡報架構，逐頁列出主題、重點與視覺」；再請它生成「簡潔、有個性、能吸引聽眾的講者備註」，聽眾換成主管時再請它調整版本。課程甚至示範了上傳自己朗讀簡報的錄音，請 AI 針對「權威感與自信」給回饋。

從頭到尾，你做判斷，AI 出草稿。

進階：同一個提示，為什麼每次答案不一樣？

因為生成式 AI 是用機率在選字。模組最後教了三個可以調整的取樣參數，在多數模型的 API 或 Google AI Studio 這類工具中都找得到：

課程的比喻很好懂：「今天早上我去了……」這句話，低溫時 AI 會接「超市」或「停車場」；溫度拉高，「火山口」甚至「月球」都可能出現。做分析報告時把隨機性調低，腦力激盪時調高，記得高隨機也代表更高的幻覺風險，輸出照樣要查核。