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。
課程 AI 使用方式
在每個計算器或實戰演練區塊按「📋 複製提示詞」，貼到你慣用的 AI 即可。不需要任何設定；本頁不會要求、也不會儲存任何 API 金鑰。
① 複製提示詞
在任一計算器填好欄位或載入範例，按「📋 複製提示詞」。系統會依 VIBE ＋ TICOE 架構把提示詞組好。「數據整理／數據比較／數據關聯」的統計量是在你的瀏覽器本機算完後才寫進提示詞的。
② 貼到你的 AI
ChatGPT／Gemini／Claude／DeepSeek／公司內部 AI 都可以。營運數據留在你們自己核准的工具裡，不會經由個人金鑰送到外部服務。
③ 把 HTML 貼回來看
所有提示詞都會要求 AI 產出一個可獨立開啟的 HTML 檔（內含 Chart.js 圖表與表格）。整段複製後貼到「HTML 檢視」分頁即可渲染，報表在獨立沙箱中執行。
課後帶走：下載 Skill 檔
每個工具都能匯出一份 SKILL.md，內容就是 VIBE × TICOE 對照表：角色設定、語氣風格、輸出格式、Task／Input／Constraint／Output／Evaluation 全部寫好。Claude 放進 ~/.claude/skills/，Codex 放進 ~/.agents/skills/，Antigravity 2.0 放進其 skill 資料夾，ChatGPT／Gemini 則直接把內容貼進對話當系統提示。
🔒 資訊安全說明
本頁不提供、也不接受任何 API 金鑰設定，不會在瀏覽器儲存金鑰，也不會由本頁直接向任何外部 AI 服務發出請求。所有統計計算都在你的瀏覽器本機完成；AI 的呼叫一律由你在公司已核准的 AI 工具中自行執行，符合企業內訓的資安要求。
⚠️ 機密資料檢查 — 每次複製前都做一次
- 先把要貼的內容分級：公開、內部、機密。內部以上一律不進公開的 AI 服務。
- 先去識別化：客戶與供應商名稱改成 A 公司／B 公司，真實價格、良率、製程參數與時程改成代表性數字，NDA 涵蓋或未公開的專利申請內容一律不要放進去。
- 去識別化之後方法照樣跑得動。你在練的是思路，不是那組數字。
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。
博學、審問、慎思、明辨、篤行
《中庸》的治學五步，正好對應 PDCA 的四個階段——博學（廣泛蒐集）與審問（追問到底）同屬 Plan：先把資料看夠、把問題問清楚，才算定義完問題。決策的紀律，古今相通。
蒐集夠廣，再問到夠深
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。
決策主張 A，是這樣長出來的
看到 Y 之後，先找出真正相關的 X，再把它變成「我們要做什麼」。下面兩個例子，一個來自圍棋，一個來自 NBA。
當數據推翻了幾百年的定石
傳統圍棋講「金角、銀邊、草肚皮」，開局重視佈局速度。AlphaGo 自己對弈 50 次之後，卻頻繁地直接點三三。
果 Y：大局勝率高。因 X：點三三讓出手效率變高、直接進入實地廝殺。決策主張 A：開局就點三三。
同一個 Y，兩個 X，哪個才該投資源？
把每支球隊的場均得分與場均失分分別對勝場數畫散佈圖，Y 都是勝場，X 換了兩種。
結果：兩張圖都有關係，但斜率與集中程度不同——能贏球的隊伍，往往不是得分最多的那一隊，而是失分被壓住的那一隊。
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」。
上面的 Must / Want 有一個前提：所有選項都攤在桌上。但實務上很多決策不是這樣——供應商一家一家來報價、履歷一份一份進來、房子一間一間看。看過就不一定能回頭，這時候問題就變成：什麼時候該出手？
先講背後的觀念（貝氏思維）：我們心裡本來就有一個判斷（舊信念），每看到一筆新資料（新證據），就把判斷往上或往下修一點，變成新信念。決策不是「等到完全確定」，而是邊看邊修，修到夠有把握為止。重點不在算機率，而在——你有沒有真的把新資料拿來修正原本的看法。
用三個候選人把它算清楚。三個人依隨機順序出現，你只能在當下決定要或不要，放掉就不能回頭。三種策略：
| 出現順序（1 是最好的） | 策略一 直接選第一個 | 策略二 放掉第一個，之後遇到更好的就選 | 策略三 撐到最後一個 |
|---|---|---|---|
| 1 → 2 → 3 | 中 | 沒中 | 沒中 |
| 1 → 3 → 2 | 中 | 沒中 | 沒中 |
| 2 → 1 → 3 | 沒中 | 中 | 沒中 |
| 2 → 3 → 1 | 沒中 | 中 | 中 |
| 3 → 1 → 2 | 沒中 | 中 | 沒中 |
| 3 → 2 → 1 | 沒中 | 沒中 | 中 |
| 命中次數 | 2 / 6 | 3 / 6 | 2 / 6 |
結論：「先放掉第一個當參考基準，之後只要遇到更好的就出手」勝率最高。放大到很多個選項時，這個最佳觀察比例大約是前 37%——前 37% 只看不選，用來建立標準；之後遇到第一個超過標準的，就出手。
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
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。
公司裡，AI ＋ 數據決策已經用在哪裡
下面是六大職能最常見的應用。看的時候請對照自己的工作：哪一格是你每週都在處理、而且手上已經有數據的？那一格就是你這堂課最該練的題目。
品牌價值｜通路｜客戶關係｜產品週期｜客戶滿意度｜轉化率｜訂單預測
財務指標｜投資效率｜預算編成｜財報｜應收／庫存／應付
績效評核｜應聘篩選｜面談｜員工滿意度｜離職率 Turnover｜教育訓練
Cycle Time｜庫存周轉｜成本｜需求預測｜智慧工廠｜在職訓練
創意生成｜專案管理｜技術專利｜研發日誌｜產品 Roadmap
合約審查｜爭議解決｜法務案件撰寫｜供應風險管理
AI 應用機會盤點器
把你部門手上三件事填進來，四個欄位各給 1–5 分，系統立刻排出先做哪一件。表格裡預先放了三個示範題目（不是課堂案例，只是讓你看格式）——請直接改成你自己部門真正在煩惱的事，這一格才有意義。
| 部門 | 候選任務 | 發生頻率 1=偶爾 5=每天 |
資料現況 1=沒人記 5=已數位化 |
決策影響 1=無感 5=影響很大 |
導入難度 1=很容易 5=很難 |
優先分數 |
|---|
計分邏輯（刻意公開，讓你可以吵）：優先分數 = 頻率×3 ＋ 資料現況×3 ＋ 決策影響×2 − 導入難度×2。 頻率與資料權重最高，因為做一次的事導入成本永遠划不來，而沒有資料就沒有 AI——這兩件事比「這個題目聽起來多厲害」重要得多。 分數接近時（差 3 分以內）不算分出勝負，挑那個你今年真的排得進去的。
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。
這題該用哪一種 AI？
8 題判斷練習判斷的關鍵只有一句話：我手上有沒有「答案」（Y）？有答案可以學 → 監督式；只有一堆資料要它自己找規律 → 非監督式；沒有標準答案但做完會知道好壞 → 增強式。
1. 過去三年每個月的實際訂單量都有紀錄，想預測下一季訂單。
2. 手上有兩萬筆客戶交易紀錄，沒有人事先分過類，想知道客戶可以分成幾種，並各給不同的服務方案。
3. 過去兩年每一次機台故障的日期與前一週的震動、溫度紀錄都在，想提前預警下次故障。
4. 想讓系統自己調整製程參數：沒有標準答案，但每調一次，良率會回饋好或不好。
5. 想知道哪些料件常常被一起採購，好合併議價與併櫃。
6. 主管說：「我要 AI 幫我看合約有沒有風險條款，但我們從來沒標記過哪些條款有問題。」目前最務實的第一步是？
7. 「我們想用 AI 找出離職的原因，資料只有近三年離職者的名單。」最大的問題是什麼？
8. 模型說「週五出貨的批號不良率比較高」。接下來最該做的是？
平均數、中位數、標準差、分布概況。回答的是：大概在多少、散得開不開、有沒有離群的怪值。三句話就是全部。
用手上的一小批樣本，去推論整批的狀況。回答的是：看到的差異是真的，還是抽樣抽出來的巧合？工具會給你判斷，值不值得行動仍然是人決定。
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。
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
這一節不需要會算。每個案例只要看三件事：它回答了什麼問題、結論是什麼、然後決定做了什麼。模型名稱附在旁邊供日後查資料用，知道名字就好，不用背原理。
| 案例 | 回答的問題 | 得到的結論 | 用的方法（知道名字就好） |
|---|---|---|---|
| 挑戰者號 | 低溫發射，出事的機率有多高？ | 36°F 時損壞機率 0.89 | 邏輯迴歸｜監督式 |
| 高血壓警訊 | 一堆可能的原因裡，哪些才是關鍵？ | 只有兩項顯著，其餘都不是 | 決策樹｜監督式 |
| 便當與涼麵 | 幾十種品項，其實是幾種需求？ | 收斂成兩群購買動機 | 主成份分析｜非監督式 |
| David 分班 | 客戶怎麼分群？新客戶歸到哪一群？ | 分 5 群，David 落在第 5 群 | 分群 + 判別｜兩段式 |
| 尿布與啤酒 | 哪些商品會被一起買？ | 找出可陳列在一起的組合 | 購物籃分析｜非監督式 |
| 身高體重 | 一堆變數裡，哪個才真的有影響？ | 身高有影響，年紀性別沒有 | 神經網路｜監督式 |
| 晶圓 WAT | 「良率不好」到底是哪幾種不好？ | 拆成 5 種模式，各對應站別 | 分群｜非監督式 |
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「有出事」和「沒出事」的發射全部放進來一起看：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、用藥等因素全部丟進去，讓模型自己整理出「先看哪一項、再看哪一項」的判斷規則。
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、膽固醇等因素都沒有明顯影響。
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。把它們整理歸納之後，發現其實可以收斂成兩種購買動機。
兩群商品分別是：（燴飯 ＋ 便當）＝ 正餐型；（飯團 ＋ 涼麵 ＋ 麵包）＝ 輕食／趕時間型。
David 要分在哪一班？客戶信用分類
第一步：依年紀、身高、體重把既有客戶自動分成 5 個信用群——沒有人事先定義每群長什麼樣，是資料自己分出來的。
第二步：新成員 David（年紀 35、男、身高 175、體重 75、台北）依這 5 群的特徵歸類 → 第 5 群。
尿布與啤酒的無奈
要找的是「買了 A 的人，是不是也傾向買 B」。經典結果：買尿布的人也會買啤酒。台灣的實務指標通常看三個：有多少人這樣買（規模）、買了 A 之後買 B 的比例（命中率）、以及這個比例有沒有高過大家本來就會買 B 的比例（有沒有真的關聯）。
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
讓模型從資料中自己歸納出結論：身高才是與體重真正相關的變數，年紀與性別不是重點。
但歸納只是第一步——接著要設計實驗去驗證，這一步就是演繹。
Wafer 良率競爭：晶圓廠 WAT 分群
觀察：晶圓上的不良分布並不是隨機灑落，而是有明顯的空間規律——邊緣一圈、某個扇形、某幾條帶狀。
分析：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「準」還是「說得出理由」？要能跟現場解釋 → 決策樹、迴歸；只求預測準、可以是黑箱 → 神經網路那一類。
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。
換你了：把你自己的問題丟進來
上面七個案例都是別人的。填下面三格，按「複製提示詞」，讓 AI 告訴你：你這題該用哪一種方法、資料還缺什麼、以及一個兩週內做得完的小試驗怎麼設計。三格都填得越具體，回答越有用。
這一格沒有標準答案，因為答案取決於你的資料，不是取決於模型。AI 會回給你四件事：建議的方法與理由、資料還缺什麼、一個小規模試驗的設計、以及這題可能根本不需要 AI 的情況——最後那一項通常最有價值。
八個可以直接算的決策工具
每個工具都已預載範例，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。
需求預測：把「趨勢」和「季節」拆開來看
一組歷史數字通常同時混著三件事：目前的水準（現在大概在多少）、長期趨勢（整體在往上還是往下）、季節起伏（每年、每季固定會高會低）。
把三者拆開分別看，預測才會準。下面三個滑桿控制的就是「要多相信最近的資料」——數值越大越跟著近期跑，越小越看長期平均。
（這就是 Excel 的 FORECAST.ETS 在做的事，方法叫 Holt-Winters。名字知道就好，直接看預測結果與圖即可。）
「自動幫我調到最準」會替你試過各種組合，挑出跟歷史數字最貼近的一組。但要留意：貼歷史貼得太緊，未來反而可能不準——因為它連過去的雜訊一起學了進去。預測值請當成規劃的起點，遇到促銷、客戶抽單、規格改版這類「以前沒發生過的事」，一定要人工再調一次。
新產品需求預測：先慢、後快、再飽和
新產品的銷售幾乎都走同一條路：剛上市慢慢爬 → 口碑起來後衝高 → 想買的人買得差不多就飽和。
這個計算器用你手上的實際銷售，把這條曲線畫完，並告訴你三件事：高峰大概落在第幾期、市場總量還剩多少沒吃到、以及目前是廣告在帶還是口碑在帶。
（模型名稱是 Bass Model，三個參數 p／q／m 分別代表廣告力道、口碑力道與市場總量。名字知道就好，看結論即可。）
怎麼用結論：口碑主導（初期慢、後期爆發）→ 資源押在早期使用者、社群與意見領袖，備料要準備後段的量；廣告主導 → 前期就要大量曝光，而且要持續投，一停成長就掉。高峰期是備料與產能的決策點——太早鋪貨壓庫存，太晚鋪貨丟訂單。
財務分析：看懂「樓上」與「樓下」
損益表是一路往下扣的樓梯：收入 → 毛利 → 營業淨利 → 稅後淨利。 現場最常用的分法是樓上 vs 樓下——樓上（COGS 銷貨成本）是「做出這個東西花的錢」：材料、直接人工、製造費用； 樓下（OPEX 營業費用）是「賣它和養公司花的錢」：業務行銷、管理、研發、折舊。（下方數字是示範用的代表性數字，請換成你們自己的。） 毛利率掉了，去查樓上；營益率掉了，去查樓下。問題出在哪一層，找的人和開的會完全不一樣。
三個率一定要一起看：毛利率看產品本身賺不賺錢、營益率看公司經營得好不好、淨利率看扣掉利息與稅之後剩多少。 ODM／EMS 產業毛利率天生偏低，所以真正的競爭發生在營業費用的控制與庫存周轉上——這也是為什麼前面的 EOQ 與交叉比例會直接影響這張表。
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。本頁不儲存任何 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。