真正好的決策，不是「很有感覺」，而是有數據、有邏輯、也有持續修正的能力
DDDM 的核心不是讓人放棄經驗，而是讓經驗可以被數據驗證、被邏輯拆解、被 AI 放大。當我們能清楚分辨結果、原因與決策主張，決策品質就會大幅提升。
本課程以 PDCA 為主線，串接決策邏輯、實務場景、統計分析與 AI 工具箱，幫你把「數據很多」進一步升級成「決策更準」。
用 PDCA 中的 Plan 階段，先釐清目標、衡量指標與真正要回答的商業問題。
用 Y、X、A 與歸納/演繹的邏輯，把觀察、原因與行動主張分清楚。
用 AI 協助統計整理、比較、關聯、預測、分群與策略模擬，加快第一輪洞見生成。
收集數據不等於掌握答案，真正的價值在於能把數字翻譯成具體的商業含義與行動建議。
很多錯誤決策來自把相關當因果、把假設當事實。邏輯架構是避免誤判的第一道防線。
AI 可以加速整理、比較、解讀與模擬，但最後的決策責任仍然需要靠人的智慧與批判性思維。
數據驅動決策全景
清楚定義問題、目標與衡量標準，避免一開始就分析錯方向。
建立模型與假設，讓決策不只是靠感覺，而是有結構地推演。
用數據核對假設，確認差異、關聯與模式是否真的存在。
根據分析結果做決策、採取行動，並觀察實際效果是否符合預期。
用 AI 放大整理、推論與模擬效率，讓團隊更快進入決策討論。
數據驅動不是數據崇拜。當資料品質不佳、指標設錯、邏輯錯置時，再多分析也只會讓錯誤更有說服力。
啟動 AI 協作引擎
為了使用本頁的 AI 實戰演練，請設定您的 API 金鑰。設定僅儲存在本機瀏覽器，不會上傳到這個頁面的伺服器。
請貼上完整的 Azure OpenAI chat completions endpoint。
儲存後即可在本頁所有 AI 協作區塊中直接呼叫模型。
用 PDCA 讓決策形成持續優化的閉環
最穩健的決策，不是做一次就結束，而是定義、驗證、執行、再驗證的循環系統。
P: 定義問題
清楚界定問題、目標與指標，是所有分析的起點。
D: 提出模型與假設
建立分析模型，明確說出你認為可能成立的因果關係。
C: 分析核對數據
蒐集、驗證與修正假設，確保決策不是建築在錯誤直覺上。
A: 執行決策
把洞見轉成行動，並觀察實際成效，形成下一輪優化。
收集數據並關注數據品質：垃圾進，垃圾出。高品質決策源於高品質數據。
解讀數據並開放探討意義：數據本身不會說話，需要經過分析與討論才會產生價值。
制定決策準則並展現行動力：把洞見翻成明確判斷標準與行動方案。
反覆驗證與優化：決策不是一次性事件，而是持續修正的過程。
Critical Thinking：批判審視三層的一致性與邏輯性
多數失敗的決策不是算錯，而是議題、邏輯、行動三層之間對不起來。
你到底要回答什麼問題？把現象、範圍與衡量標準界定清楚。
範例：年輕人懼怕成家。
你憑什麼這樣說？用數據與因果推理支撐議題，說明 X 如何導致 Y。
範例：因為離婚率高（43%），且房價越來越高。
所以要做什麼？行動必須真的回應邏輯層推出的原因。
範例：報名相親活動。
三層一致性檢核
AI Layer Check範例 1／3：課堂上「年輕人懼怕成家」的三層不一致案例。按「換一個範例」可切換製造業與業務場景。
審問、慎思、明辨、篤行
《中庸》的治學四步，正好對應 PDCA 的四個階段。決策的紀律，古今相通。
先把果、因、行動拆清楚，才不會把相關誤判成因果
好的分析不只是會算，而是能分辨現象、原因與決策主張之間的關係。
果 (Y): 我們期望達成的結果或觀察到的現象，例如比基尼銷量提升。
因 (X): 可能導致結果發生的原因或相關因素，例如天氣炎熱、靠近海灘。
決策主張 (A): 基於對因果的理解所採取的行動，例如在沿海省份夏天針對年輕女性增加投放。
歸納: 從觀察到的結果反推可能原因，常用於探索、建立假設與迴歸分析。
演繹: 從已知原因或普遍法則推導結果，常用於驗證、預測與實驗設計。
真正成熟的決策，通常會在歸納與演繹之間來回切換，而不是只停在其中一邊。
看數據不能只看一個數字
主計總處公布「實質總薪資平均 59,852 元」，多數人卻無感——因為少數極高薪把平均值往上拉。
決策啟示：分布偏斜時，中位數比平均值更貼近多數人的真實處境。
一般住家 24 小時用電有明顯日夜起伏；某戶用電卻平坦到不自然——查獲室內種植大麻 1,540 株，植物燈全天候不熄。
決策啟示：異常有時不在平均值，而藏在「變異太小」或「變異太大」裡。
臺灣官員奏請雍正進貢西瓜，折子寫「30～40 個」。一個範圍，就把不確定性誠實地講清楚了。
決策啟示：報單點估計容易失真，報區間才是負責任的溝通。
數據看得見的，往往不是全部
二戰：Abraham Wald 與返航的轟炸機
軍方統計返航飛機的彈孔分布，想在彈孔最密的機翼加裝甲。統計學家 Wald 的判斷正好相反。
能飛回來的飛機，代表那些位置中彈還撐得住；真正該補強的，是返航飛機上「沒有彈孔」的地方——引擎與駕駛艙。因為打中那裡的，都沒回來。
麵包與愛情：選擇效應還是幫夫效應？
觀察到的果 (Y)：已婚男性薪水高於單身男性。兩個競爭假設 (X)：選擇效應（女性擇優，本來就挑優秀的）vs 幫夫效應（婚後被幫助而逐漸變優秀）。
設計檢驗：假設「妻子身高」會影響她挑到優秀對象的機率，但不影響婚後的幫夫能力。若是選擇效應，高挑妻子的丈夫薪水應偏高。
練習：台北星巴克一年用掉多少咖啡豆？(TAM)
沒有現成數據時，用可拆解的結構去逼近：門市數 × 日均杯數 × 營業天數 × 每杯用豆量。
重點不是猜對，而是把假設一條一條攤開來——哪一條最沒把握，那就是最該去查證的地方。
蘇格拉底（Socrates, BC 470–399）的提問法，是批判性思維最古老也最有效的工具。面對任何主張，依序問下去：
你說的「效率變差」，具體是指什麼？用什麼指標衡量？
你假設了什麼前提？這個前提一定成立嗎？
支持這個說法的數據是什麼？樣本怎麼來的？
有沒有其他解釋？反對的人會怎麼說？
如果這是真的，還會推出什麼結論？那些結論成立嗎？
邏輯思考測驗
Reasoning Drill1. 前提：(1) 所有成功的企業家都非常勤奮。(2) 王先生非常勤奮。根據以上兩個前提，我們可以邏輯上確定下列哪個敘述為真？
2. 觀察到「我看到的第一隻天鵝是白的」到「我看到的第一千隻天鵝都是白的」，因此得出結論「所有天鵝都是白色的」。這個推理過程屬於下列何者？
邏輯謬誤分析演練
AI Logic Coach從選擇、防風險到解問題，讓數據真正走進現場
三個場景共用同一套 PDCA 骨架：定義問題 → 提出模型與假設 → 分析核對數據 → 對策實施。
多個選項難以取捨時，用 Must / Want 加權評分把直覺轉成可檢驗的分數。
用 S/O/D 與 RPN 排序風險，再為每個要因準備 Plan A（預防）與 Plan B（應變）。
用 8D、5C 或 DMAIC 把模糊的問題拆成可收斂的 Y 與 X。
P 定義問題：釐清這次要選什麼、為誰選、選錯的代價是什麼。
D 提出模型：把準則分成 Must（必要條件，通過/不通過）與 Want（期望條件，1–10 加權）。Must 沒過就直接淘汰，不進入計分。
C 分析核對：各選項在每個 Want 上評 1–10 分，乘以權重後加總。
A 對策實施：對總分接近的前幾名做風險調整，再下最終決定。
Must / Want 加權評分計算器
預設載入課堂「選 Seafood 講師」範例。可直接改權重與分數，或改成你自己的採購、選商、選人情境。
| Want 準則 | 權重 | 林 | 彭 | 王 | 吳 |
|---|---|---|---|---|---|
| Must 篩選 | — | ||||
| 加權總分 | — | — | — | — | — |
| 風險調整 (±) | — | ||||
| 調整後總分 | — | — | — | — | — |
課堂範例答案：林因 Must 未通過而直接淘汰；其餘 彭 244、吳 250、王 320。風險調整後 王 322、吳 247 → 決策：選王。
兩個必看的細節：① 林的 Want 加權分其實有 342，是全場最高——但 Must 沒過就出局，Must 是一票否決的門檻，不是可以用高分補回來的權重項。這正是 Must 與 Want 要分開的理由。② 250 與 244 只差 6 分，這種差距在權重稍動就會翻盤，屬於「需要更多資訊」而非「已經分出勝負」。
P 定義問題：風險識別——把可能出錯的事列出來。
D 提出模型：用 S 嚴重性 / O 發生性 / D 難檢性（各 1–10）建立評估模型。
C 分析核對：計算 RPN = S × O × D 並排序，再把高風險項往下拆成要因與發生比例。
A 對策實施：每個要因都要有 Plan A（預防，讓它不發生）與 Plan B（應變，發生了怎麼辦）。
SOD / RPN 風險優先數計算器
預設載入課堂「新廠開幕活動」範例。修改 S、O、D 即時重算 RPN 與風險等級。
| 風險項目 | 嚴重性 S | 發生性 O | 難檢性 D | RPN | 等級 |
|---|
往下拆要因，再配 Plan A / Plan B
| 風險 | 要因（發生比例） | Plan A：預防 | Plan B：應變 |
|---|---|---|---|
| R1 火災 RPN 300 | 電線走火 65% | 定期檢測 | 自動灑水 |
| 縱火 20% | 監控保全 | 自動灑水 | |
| 吸煙 10% | 禁煙與煙霧偵測 | 滅火器 | |
| 打雷 5% | 避雷針 | 自動灑水 | |
| R2 人潮承載 RPN 112 | 停車位不夠 60% | 租臨時車位 | >250 台時開放備用場 |
| 廁所不足 30% | 租臨時廁所 | >100 人時開放備用 | |
| 座位不足 10% | 租簡易椅 | >200 人時開放站席 |
注意要因的比例：火災風險裡「電線走火」佔 65%，資源應集中在定檢，而不是平均分散到四個要因上。這就是抓大放小。
車用電子 FMEA 七步驟（AIAG-VDA）
界定範圍、專案邊界、跨部門團隊與時程。
把系統拆成系統／子系統／零件的階層。
每個結構要素負責什麼功能、要達到什麼要求。
失效模式、失效影響、失效原因三者的因果鏈。
評 S / O / D，計算 AP（行動優先度）或 RPN。
降低 S（設計改變）、降低 O（防呆）、降低 D（強化檢測）。
形成可追溯的文件與知識庫，回饋到下一個專案。
1. Technology 技術
2. Specifications 規格
3. Manufacturing Process 製程
4. Supply Chain 供應鏈
1. Mechanical / ID、Electrical PCBA & components、Peripherals、Commodities
2. Product configuration complexity 產品組態複雜度
3. Supply chain fulfillment models 供應鏈履約模式
NUDD 兩階段風險計算器
一階段：初期風險評估（1=可忽略 … 5=極高）。二階段：風險緩減計畫——用緩減狀態係數把初期分數折算成殘餘風險。
| 領域 | 一階段：初期風險 | 二階段：緩減狀態 | 殘餘風險 |
|---|---|---|---|
| 合計 | — | — | — |
緩減狀態係數：1.0 = 無計畫｜0.75 = 有計畫未執行｜0.5 = 緩減進行中｜0.1 = 已完成並展示能力。係數 0.1 而非 0，代表風險永遠不會歸零。
同一套 PDCA，在不同產業長成三種主流方法。差別在詳略與場合，骨架是一樣的：先掌握 Y，再收斂 X。
| PDCA | 8D（汽車／製造業） | 5C（快速回應） | 6 Sigma DMAIC |
|---|---|---|---|
| P 定義問題 | D1 主題選定與理由 D2 現況掌握與目標設定 | C1 Characterize 描述問題特性，對齊問題定義 | Define 定義 Measure 量測 |
| D 提出模型 | D3 暫時措施與時程 D4 要因分析 | C2 Contain 圍堵，先止血 C3 Cause 找出真因 | Analyze 分析 |
| C 分析核對 | D5 對策實施 D6 效果確認 | C4 Corrective Action 矯正對策，消除真因 | Improve 改善 |
| A 對策實施 | D7 實施管制與標準化 D8 殘餘問題 | C5 Control / Closure 管制、驗證有效性並結案 | Control 控制 |
8D 流程：Y 的掌握，X 的收斂
為什麼是這個問題？影響多大？
Y 的掌握與數字：現在多少、要到多少、何時到。
Y 的治標（Containment Actions）：先止血，別讓客戶繼續受害。
X 的收斂：魚骨圖、5 Whys、IS / IS NOT、數字分析與實驗計畫。
X 的治本（Corrective Actions）：真因消除，不是症狀掩蓋。
數字的驗證：Y 真的回到目標了嗎？
Preventive Actions：橫展到其他線別／機種，寫進標準與系統。
誠實列出還沒解決的部分，交接下一輪。
AI = 數據 + 演算
本模組佔全課程 60%。先看懂 AI 是什麼、能做什麼、不能做什麼，再談怎麼放進決策流程。
John McCarthy 於 1956 年提出 Artificial Intelligence，目標是讓電腦具備類似人類的解決問題與展現創意的能力，能進行推理、規劃、學習、交流、感知。
影像、語音、感測訊號
理解、推理、判斷
生成、設計、想像
價值判斷與取捨
今天的智慧音箱、自駕車、工廠自動判檢，大致落在「感知 + 認知」。ASI（超級人工智慧）指的是四項全備並超越人類的假想狀態——目前並不存在。 課堂上要記住的分野是：AI 很強的是感知與認知，人類還握著的是智慧——也就是價值判斷與承擔後果的能力。
機器學習 Machine Learning 的三種型態
監督式學習 Supervised
資料裡有標準答案（Y）。模型學的是 X → Y 的對應關係。
任務：分類（Classification）與迴歸（Regression）。
非監督式學習 Unsupervised
沒有標準答案。模型自己找資料裡的結構與群落。
任務：聚類（Clustering）、降維、關聯規則。
增強式學習 Reinforcement
沒有標準答案，但有獎懲訊號。模型透過反覆嘗試學會策略。
任務：序列決策、最佳控制。
LLM（Large Language Model）處理文字；LMM（Large Multimodal Model）同時處理文字、影像、語音、表格甚至影片。
它的本質是「預測下一個 token」——非常擅長語言與模式的重組，但不保證事實正確，也不具備因果推理。
所以在 DDDM 裡，LLM 最適合的位置是：整理資料、生成第一輪假設、寫分析草稿、解釋統計結果。不適合的位置是：當作最終事實來源、當作因果判斷的依據。
平均數、中位數、標準差、分布概況、四分位距。看懂資料的集中趨勢與離散程度。
假設檢定、信賴區間、p-value 應用。從樣本推論母體，從差異判斷是否值得行動。
箱型圖：分布與離群值辨識｜熱圖：變數關聯性一目了然｜折線圖：趨勢變化與週期型態
決策樹：分層分類與規則解釋｜線性迴歸：變數預測與關聯度｜分群分析：自動分組找客群
兩個核心任務：找出重要因子、設定因子操作條件。觀察性資料只能談關聯，唯有實驗設計能真正驗證因果。
只看 p-value 是不夠的：p 值 × 效果量 η²
| p-value | 效果量 η² | 解讀 | 該怎麼辦 |
|---|---|---|---|
| 小 | 大 | 統計上可靠，且實務上有意義 | 值得行動 |
| 小 | 小 | 統計上偵測得到，但實務影響可能不重要 | 先別急著投資源 |
| 大 | 大 | 看起來有影響，但證據不足——可能是樣本數太少 | 補樣本再測 |
| 大 | 小 | 既沒有證據，也沒有觀察到效果 | 放掉這個因子 |
這就是為什麼判讀規則要同時看 p 值與效果量。只看 p 值，樣本一大什麼都「顯著」；只看效果量，又可能是雜訊。兩個一起看，才是負責任的判讀。
數位轉型創新大環境：A 到 i
AI / AR
人工智慧與擴增實境
Big Data
大數據
Carbon
碳管理與淨零
Digital Transformation
數位轉型
Edge Computing
邊緣運算
Five G
5G 通訊
Human Resource
人才轉型
IoT
物聯網
運算（算力）＋移動（5G / 行動裝置）＋雲端（彈性資源）＝ 新能源車、智慧製造、智慧醫療等新場景的基礎。
創新場景設計：食衣住行育樂能源醫療
智慧商業
智慧客戶接待、智慧餐廳、智慧超市、門市管理、百貨陳設
智慧醫院
智慧醫院導引、智慧就診、病床娛樂與資訊、遠程問診
港口與倉儲
港口物流、倉儲管理、運輸配送、移動資源管理
智慧建築
建築能源管理、情境空間管理、社區安全
智慧運輸
巴士捷運高鐵安全、智慧運輸派遣、胎壓運輸安全、多媒體影音娛樂
智慧農業
高山森林遠程監控、農作物採收、精緻農作、畜牧監控
智慧製造：四層資訊整合
系統：BI / Dashboard
把營運數據轉成經營層看得懂的決策資訊。
系統：ERP、SCM、CRM、PLM、APS、Cloud
訂單、物料、客戶、產品生命週期與排程的整合。
系統：MES、EMS、WMS、SPC、OEE、Andon
工單派工、在製追蹤、品質管制與設備稼動。
系統：SCADA、SMS、PLC / 感測器
最底層的訊號採集——所有上層分析的數據源頭。
價值只在最後一段「運用」才真正產生。前面四段做得再完美，沒有進到決策與行動，就只是成本。
研究針對 319 名定期使用 AI 工具（ChatGPT、Microsoft Copilot）的知識型工作者進行調查。生成式 AI 確實提升了效率，但長期使用可能影響批判性思考與問題解決能力，並改變人們思考的方式。
使用者傾向於驗證 AI 的結果，把思考重心放在資訊驗證、整合 AI 回應與任務管理上，而不是從零開始分析問題、思考解決方案。
思考的角色從「產出者」變成「校對者」。
對 AI 產出越信任的使用者，越可能直接接受答案，不做額外驗證或批判性檢視。自信心高的使用者仍會審視結果，但隨著 AI 可靠性提升，主動思考的頻率也可能下降。
越好用的工具，越容易讓人停止思考。
定義問題的能力——AI 很會回答問題，但不會告訴你該問什麼問題。
判斷資料品質的能力——AI 不知道你的數據是怎麼來的、有沒有偏差。
承擔後果的能力——決策要有人負責，AI 不負責。
七個把 X 找出來的真實案例
每一個案例都對應一種模型、一個決策。看模型之前，先看它回答了什麼問題。
| 案例 | 模型 | 類型 | 回答的問題 |
|---|---|---|---|
| 挑戰者號 | Logistic Regression 邏輯迴歸 | 監督式 | 低溫下 O 環損壞的機率是多少？ |
| 高血壓警訊 | Decision Tree 決策樹 | 監督式 | 哪些因素才是高血壓的真正指標？ |
| 便當與涼麵 | PCA 主成份分析 | 非監督式 | 眾多品項可以歸納成幾個購買動機？ |
| David 分班 | HCA 分群 + LDA 判別 | 非監督式 + 監督式 | 客戶怎麼分群？新客戶該歸到哪一群？ |
| 尿布與啤酒 | Market Basket 購物籃分析 | 非監督式 | 哪些商品會被一起買？ |
| 身高體重 | Neural Network 神經網路 | 監督式 | 哪個變數才真正驅動結果？ |
| 晶圓 WAT | Cluster 分群 | 非監督式 | 不良分布屬於哪幾種模式？各對應哪道製程？ |
36°F 的悲劇：挑戰者號
1986 年 1 月 28 日，挑戰者號升空後解體，全體機組人員罹難。發射前一晚工程師曾警告低溫風險，但當時只看了「有損壞紀錄」的那幾次發射，沒有把「沒有損壞」的發射一起放進來看。
把全部資料放進邏輯迴歸：溫度降到 36°F 時，O 環損壞的預測機率高達 0.89。
高血壓的警訊
把年紀、性別、膽固醇、BMI、用藥等變數丟進決策樹，讓模型自己找出分層規則。
結果：LTG 抗躁鬱藥物過量與 BMI 過高是高血壓的關鍵指標；年紀、性別、膽固醇等因素均不顯著。
便當與涼麵
便利商店有數十種鮮食品項，銷售數字彼此糾纏。用主成份分析降維後，發現銷售可以拆解成兩大主成份。
對應兩群商品：（燴飯 + 便當）與 （飯團 + 涼麵 + 麵包）。
David 要分在哪一班？客戶信用分類
第一步（非監督式）：用階層分群 HCA，依年紀、身高、體重把既有客戶分成 5 個信用群。
第二步（監督式）：新成員 David（年紀 35、男、身高 175、體重 75、台北）用判別分析 LDA 歸類 → 第 5 群。
尿布與啤酒的無奈
購物籃分析找的是關聯規則（Association Rule）：購買 A 的人，也傾向購買 B。經典結果：買尿布的人也會買啤酒。
台灣版本：小北百貨在中秋節前，烤肉用品與洗髮精同時熱賣。
神經網路：找出真正的驅動變數
用神經網路以歸納法（Induction）從資料中匯出結論：身高才是與體重相關的變數，年紀與性別不是重點。
但歸納只是第一步——接著要用演繹法（Deduction）設計實驗驗證。
Wafer 良率競爭：晶圓廠 WAT 分群
觀察 (1)：晶圓上的不良分布並非隨機，而是呈現空間規律。
分析 (2)：把不良模式分成 5 種。其中第四種與黃光製程有關，第五種與濺鍍相關。
DOE with AI：從關聯走到控制
前面所有模型回答的是「X 和 Y 有沒有關係」。實驗設計回答的是「我把 X 調到某個值，Y 會變成多少」。
AI 可以協助產生因子清單、建議水準組合、快速解讀主效應與交互效應。
2. 我要的是預測還是解釋？要解釋 → 決策樹、迴歸；要預測準 → 神經網路、集成模型。
3. 我最後要做什麼決定？如果模型再準也不會改變你的行動，那這個分析就不需要做。
七個可以直接算的決策工具
每個工具都預載課堂範例，改數字即時重算。先用它得到數字，再請 AI 幫你解讀成決策。
把文字概念轉成變數 X、Y
比物件／時間／空間／程度
建立假說與關聯性
驗證預測並更新認知
整理與比較屬於歸納（逆邏輯）；關聯與控制走向演繹（順邏輯）。四者是一條路，不是四個選項。
Z 圖表：一張圖看短期與長期
Z 圖把三條線合成一個 Z 字：每月銷售額、本年累計、移動年計（本月加前 11 個月，共 12 個月）。移動年計朝右上＝成長型；朝右下＝衰退型；持平＝持平型。
交叉比率：厚利多銷還是該下架？
交叉比率 = 存貨周轉率 × 毛利率，其中存貨周轉率 = 銷售額 / 平均庫存，毛利率 = 毛利 / 銷售額。 兩者都是越高越好，所以交叉比率高 = 厚利多銷；反之應考慮下架。存貨周轉率的倒數就是庫存天數，越低越好。
| 商品 | 銷售額 | 平均庫存 | 毛利 | 周轉率 | 毛利率 | 交叉比率 | 庫存天數 | 判讀 |
|---|
課堂範例決策：可樂投入促銷衝毛利、衛生用品必須嚴管成本、醬油轉嫁庫存成本。
BCG Matrix：產品組合定位
橫軸相對市占率（自己 / 最大競爭者，分界 1.0），縱軸市場成長率（分界 10%）。 四象限對應產品生命週期：導入 → 成長 → 成熟 → 衰退。研發導入都始於 Question Mark，之後進入 Star 或 Cash Cow，或不幸墜入 Dog。
| 產品 | 相對市占率 | 市場成長率 % | 營收 | 象限 | 建議 |
|---|
課堂範例決策：Star = 休閒零嘴、Question Mark = 玩具糖、Cash Cow = 巧克力／餅乾、Dog = 煎餅。
線性規劃：多重限制下求最佳解
在多個限制條件下求出最佳數值。常用於物流與備料規劃。 課堂題目：備貨 A 烏龍茶與 B 綠茶求利益最大化。A 利益 200/個、B 利益 100/個；備貨 A 需 5 人/個、B 需 4 人/個。 限制：獲利至少 1500、人工總和不超過 50 人、A 與 B 各至少 3、且必須是整數。
課堂範例答案：A 備貨 6、B 備貨 5，利益最大化 1700，總人工 50 人（剛好用滿）。
庫存與需求管理：安全庫存、訂貨點、EOQ
安全係數 z 由缺貨機率算出（缺貨 5% → NORMSINV(0.95) = 1.645）。
安全庫存 SS = z × 標準差 × √前置時間
訂貨點 ROP = 平均出庫數量 × 前置時間 + SS
EOQ = √( 2 × 每次訂購費用 × (平均銷售數量 + 平均安全庫存量) / 維持庫存費用 )
課堂範例答案：安全庫存 = 280、訂貨點 = 1923；若訂購費用高，改採 EOQ ≈ 16330 可降低採購次數。預設參數已對齊此範例。
時間序列預測：Holt-Winters 三指數平滑 (ETS)
透過歷史數據計算自我相關，判斷屬於平穩型、非平穩型、趨勢型或季節型，再建立模型。 Excel 的 ETS（Exponential Triple Smoothing）用的就是 Holt-Winters：水準 α、趨勢 β、季節 γ 三個平滑參數。
「自動最佳化」以格點搜尋最小化 RMSE 挑選 α、β、γ。RMSE 越小代表模型在歷史資料上配得越好，但要小心過度配適。
新產品需求：Bass 擴散模型 (p, q, m)
Bass Model 用三個參數描述新產品的擴散：p 創新係數（外部影響，如廣告）、q 模仿係數（口碑傳播）、m 最終市場潛量。
當期銷售 = p × (m − 累計) + q × (累計 / m) × (m − 累計)。透過最小化 RMSE 修正 p 與 q 來預測。
解讀原則：q / p 比值越高，代表口碑驅動越強、初期慢後期爆發，行銷資源應放在早期採用者與社群；p 相對高則代表廣告驅動，適合前期大量曝光。
把統計、決策與情境分析交給 AI 加速第一輪輸出
從數據整理、比較、關聯、DOE 到分群、預測與場景分析，這個工具箱把常見的 DDDM 任務整合在同一頁。
平均值、中位數、標準差、IQR、CV 與信賴區間。
利用兩樣本 t 檢定看兩組差異是否顯著。
相關係數與線性迴歸，判斷強度、方向與預測意義。
從因子、水準與結果理解主效應與交互效應。
從移動平均到 Holt-Winters，挑選更適合的預測方法。
用 RFM 與分群思維整理客戶價值與溝通策略。
用 What-if 與策略框架比較不同方案的效果。
建立評分標準、權重與加權總分，幫助多方案決策。
計算風險優先數並提出預防與應變方案。
用結構化流程定義問題、找根因、設計改善與控制。
先快速整理一組數據的集中與離散特徵，再由 AI 生成簡潔洞見。
把 AI 產出的 HTML 貼進來，立刻看到報表
手機不用存檔、不用找檔案 App。貼上就渲染，圖表與表格直接呈現。
在任一工具按「📋 複製提示詞」，貼到你慣用的 AI。
AI 會回一段 HTML 程式碼。整段複製即可——前後多帶了說明文字也沒關係，系統會自動抓出程式碼。
報表立刻出現。可全螢幕檢視，也能下載成 .html 保存。
貼上 AI 回覆
支援整段回覆（含 ``` 程式碼圍欄與前後說明），也支援只貼純 HTML。
安全說明：報表在獨立沙箱中執行，無法讀取本頁面的任何資料（包含你儲存的 API 金鑰）。內容只留在你的瀏覽器，不會上傳。
下載說明：電腦端會直接存檔；iPhone 會跳出分享選單，可選「儲存到檔案」。若只是想留存畫面，用全螢幕後截圖或系統「列印 → 儲存為 PDF」更快。
用人腦主導，用 AI 放大，讓數據真正變成競爭優勢
最終目標不是產生更多報表，而是讓組織更快看見問題、更穩做出選擇、更持續優化決策品質。
課程總結心智圖（點擊放大）
- ✓框架： 用 PDCA 把決策做成可重複、可優化的閉環。
- ✓邏輯： 分清楚 Y、X、A 與歸納/演繹，避免相關即因果的誤判。
- ✓場景： 在作選擇、防風險與解問題三個現場，把數據真正轉成行動。
- ✓AI 賦能： 利用 AI 加速統計整理、比較、關聯、預測與策略模擬。
- ✓底線： AI 是輔助思考的工具，不應取代人的批判性判斷。
最終目標：以人腦的智慧與批判性思維為主導，駕馭 AI 的分析能力，將數據轉化為驅動企業成長的競爭優勢。
練習與討論：請提出您的學習行動方案
回到數據分析架構的四個環節，各寫下一件回工作崗位後要做的事：
- 整理我要把哪一個現在只存在於口頭或經驗的概念，轉化成可以量測的變數 X 與 Y？
- 比較我要比較哪些物件 (What)、時間 (When)、空間 (Where) 或程度 (How Many)？
- 關聯我要建立哪一條觀察假說，去驗證 X 與 Y 的關聯性？
- 控制我要用什麼實驗或試點，驗證決策主張的預測並更新認知（X → Y）？
開啟 `Example.xlsx`，搭配本頁的數據整理、比較與模擬工具一起練習。
數據不會自己決策，真正創造價值的是能把數據、邏輯與行動連起來的人。