前言：AI 時代，人人都是數據分析師
看著電腦螢幕上密密麻麻的程式碼就頭痛？還是覺得那些厲害的商業預測，離我們這種小老百姓太遙遠？你是否覺得「數據分析」是工程師的專利？這句話在十年前是「肯定的」，但現在 AI 時代，你不需要會寫 Python，你只需要會「說話」，就可以完成數據分析。
今天這篇文章，我要帶大家進行一場超實用的實戰演練。假設我們是一家手搖飲店的店長，每天最煩惱的就是「明天珍珠要煮幾鍋？」「明天的銷售為何？」。我們手上有兩份看起來毫無關聯的 Excel 表格，我們將一步步指揮 Gemini，把這些死板的數字，變成能預測未來的「水晶球」，也就是落實 Garbage In - Gold Out。無論你是開店的老闆、行政人員，還是對 AI 好奇的學生，這堂課都會讓你發現：原來數據分析這麼簡單！
第一步：準備飲料銷售資料
首先，我們要準備兩份資料。這就像做菜一樣，要先把食材準備好。AI 再聰明，沒有數據也是巧婦難為無米之炊。
我們準備飲料店銷售原始資料：
- Excel 可下載於：taoyuan_sales_100k.csv
- 這資料可能來自你的 POS 機匯出的資料
- 裡面記錄了每一筆交易：日期、賣了什麼飲料、甜度、冰塊、有沒有做促銷。
經過資料清理後資料：
- 清理資料方法：詳見連結
- Excel 可下載於：taoyuan_sales_100k_standardized.csv
- 「甜度」的值進行標準化：
- Full, 100%, Regular -> 通通變成 「全糖」+
- 70% ->通通變成 「少糖」
- Half, 50% -> 通通變成 「半糖」
- 30% -> 通通變成 「微糖」
- No, 0% -> 通通變成 「無糖」
- 空白 -> 該筆資料直接去除
1.1 載入資料給Gemini
我們第一件事，就是把檔案「餵」給 AI，並請它先自我介紹一下這些資料。
- 動作：在對話框點擊「上傳」圖示，選取「已清理完成」的數據檔案。
- 輸入提示詞參考：
你好！我上傳了 CSV 檔，是飲料銷售數據。請先幫我讀取這份檔案，並告訴我裡面各有哪些欄位？我想確認你有沒有看懂。
這時候 AI 會回答你：「我讀取到了！銷售數據有日期、品項...」。確認無誤後，我們就可以進行下一步。
1.2 清理後飲料資料洞察
分析選項1：促銷活動的效果評估，計算促銷帶來的業績成長幅度
提示詞參考：
依附件數據所示，促銷活動的效果評估，計算促銷帶來的業績成長幅度分析結果：從視覺化分析結果可看出，有促銷日的訂單數高於無促銷日。
分析選項2：週末與平日的銷售差異
提示詞參考：
依附件數據所示，週末與平日的銷售差異分析結果：從視覺化分析結果可看出，週末的銷量比平日佳。
分析選項3：時間趨勢分析，觀察是否有季節性波動
提示詞參考：
依附件數據所示，時間趨勢分析，觀察是否有季節性波動分析結果：從視覺化分析結果可以觀察到明顯的季節性波動。
⚠️ 注意：上述分析清楚地顯示了飲料業「看天吃飯」的特性。故我們嘗試收集「天氣資料」，包含溫度及降雨量來進行資料疊合。
第二步：資料疊合 (Data Merge) — 把兩張拼圖湊在一起
我們準備氣候原始資料：
- Excel 可下載於：taoyuan_weather_2023.csv
- 這是在氣象局網站下載的。
- 裡面有每一天的氣溫、降雨量。
經過資料清理後資料：
- 清理資料方法：詳見連結
- Excel 可下載於：taoyuan_sales_100k_standardized.csv
- 「甜度」的值進行標準化：
我們需要把它們「黏」在一起。這就像是把「那一天的日記」跟「那一天的新聞」釘在一起看，你才會恍然大悟：「啊！原來那天生意好是因為氣溫飆到 35 度！」
我們想做的事： 把「天氣」的資訊，對應到每一筆「銷售」紀錄上。
【AI 指令示範】
- 動作：在對話框點擊「上傳」圖示，選取「已清理完成」的數據檔案taoyuan_sales_100k_standardized.csv及氣候資料taoyuan_weather_2023.csv。
- 輸入提示詞參考(筆數眾多，無法直接從Gemini下載，故採Python執行)：
請幫撰寫python程式，我將這兩份資料合併。 合併的依據是『日期』。也就是說，請把當天的氣溫和降雨量，填入每一筆銷售紀錄中。 合併後存檔為merged_sales_weather_100k_standardized.csv
程式可張貼於Colab執行並完成
經過上述Colab完成資料疊合，並於左側把該檔案下載，也可參考如下：
- 清理後銷售資料 + 氣候資料，疊合資料可於下載於：merged_sales_weather_100k_standardized.csv
✨ 見證奇蹟的時刻：AI 會瞬間幫你處理好原本需要手動對很久的工程。你會看到新的表格裡，賣出「珍珠奶茶」的那一行，後面多出了「28度、晴天」的資訊。
第三步：探索真相 (EDA) — 讓 AI 當偵探
資料合併好後，我們要請 AI 幫我們「找規律」。這時候，直接看數字太累了，視覺化 (畫圖) 是最好的溝通方式。我們要像偵探一樣，審問 AI 幾個關鍵問題。
3.1 氣溫跟生意有關嗎？
直覺告訴我們，天氣熱大家愛喝飲料，但「愛喝」具體是多少？
提示詞參考：
我想知道氣溫對銷量的影響。 請幫我分析『氣溫』與『每日總銷量』的關係，並畫出一張散佈圖。 請告訴我，這張圖有沒有顯示出什麼明顯的趨勢？例如越熱賣越好？- AI 的發現： AI 會畫出一張圖表，X軸是氣溫，Y軸是銷量。它可能會告訴你：「老闆，數據顯示這兩者有強烈的正相關！氣溫每升高 1 度，你平均會多賣出 7 杯喔！而且我發現 25 度以上，熱飲的銷量幾乎歸零。」
3.2 週末生意真的比較好嗎？
很多店長覺得「週末大家放假，生意一定比較好」，所以週末排班都排很多人。這是真的嗎？
提示詞參考：
請幫我分析『平日 vs 週末』以及『有無促銷』對銷量的影響。 請畫一張熱力圖 (Heatmap) 來呈現它們之間的關聯性，我想知道週末是不是真的生意比較好？
- AI 的發現： AI 畫出的圖可能會戳破你的幻想：「老闆，單純靠「週末」這個因素並不會帶來顯著的業績增長，真正的業績推手是「促銷活動」。如果您希望提升週末的營收，繼續維持週末促銷的策略是非常正確的，因為數據證明它非常有效。」
3.3 是否還有其他變因？
除了上述促銷、週末與否、溫度，是否還有其他影響變因呢？我們可以檢視變數跟變數之間的相關性係數
提示詞參考：
請為我計算相關性係數與生成熱力圖heatmap，並詳細解釋。- AI 的發現： 您的業績方程式可以總結為：
業績 = 氣溫 (看天吃飯) + 促銷 (人為努力) - 降雨 (天氣干擾)「天氣熱」是業績的基本盤（+0.63），「辦促銷」是衝刺的加速器（+0.45），而「下雨」只是小減速帶（-0.29），不用過度擔心。
相關性係數解釋：
✨ 見證奇蹟的時刻：這就是數據分析的威力！它幫你省下了週末不必要的人力成本。
第四步：預測未來 (Modeling) — 打造你的 AI 水晶球
這是最精彩的一步！既然 AI 已經懂了過去的規律（天氣熱會多賣、有促銷會大賣），那我們能不能請它運用這些經驗，來預測明天的生意？
這在專業術語叫「建立機器學習模型」，但在 AI 對話中，你只要說「我要預測」。
提示詞參考：
我要建立一個預測模型，並來預測銷售量。
目標： 預測『每日總銷量』。
參考因素： 請使用氣溫、降雨量、是否促銷、是否週末、月份作為參考。
測試方法：多種提供建議，至少包含線性迴歸及隨機森林。
請告訴我，在這個模型中，哪一個因素對銷量影響最大？並且幫我評估這個模型準不準（例如誤差大約幾杯）？
- AI 的產出： 它會跑一下運算，然後告訴你：「報告店長，模型訓練好了！影響銷量最大的因素是『氣溫』，第二名是『促銷』。這個模型的誤差大約只有 3.6 杯，比起你以前憑感覺猜，這個準確度非常高！」
第五步：模型落地 - 快速預測未來
模型雖然厲害，但我們總不能每天早上開店前都打開電腦、上傳檔案、訓練模型吧？那太麻煩了。 我們要請 AI 把這個聰明的腦袋，濃縮成一張可以直接印出來貼在牆上的「傻瓜表格」。
提示詞參考：
請根據剛才的模型，幫我製作一張『備料速查表』。
表格要求：
1. 直欄是氣溫（從 20 度到 30 度）。
2. 橫列是情境（平日沒活動、平日有活動、週末沒活動...）。
3. 表格內容是『預測銷量』。
請直接給我一個 CSV 檔案讓我下載，或是直接畫成表格給我看。
AI 的產出：基於隨機森林模型，假設「當天無雨」且「月份為6月」的情境下所推算出的預估銷量。預測假設當天降雨量為 0。若預報會下雨，建議將備料量減少約 10-20 杯。
怎麼用？ 明天早上起床，看手機氣象說今天 25 度，而且今天是平日沒活動。查表一看 👉 262 杯。 不用猜、不用博筊，直接照著煮 262 杯的量就對了！
未來工作：精細化營運
上述步驟已經完成 「描述性分析 (發生了什麼)」 到 「預測性分析 (將發生什麼)」 再到 「處方性分析 (該做什麼)」 的完整閉環。以 80/20 法則來看，做到的部分已經解決了 80% 的營運問題，這是一個非常成功的 MVP (最小可行性產品) 模型。
不過，若要追求 「精細化營運」 或 「100% 的完整度」，目前的分析確實還有幾個 潛在的盲點（漏掉的步驟），包括如下：
延伸方向1：顆粒度不足：只預測了「總量」，沒預測「品項」
- 盲點：您的備料表告訴店長「明天會賣 360 杯」，但沒告訴他這 360 杯裡，有多少是需要煮珍珠的奶茶？有多少是需要切水果的水果茶？
- 影響：氣溫 30 度時，雖然總銷量高，但可能是「水果茶」大賣；氣溫 20 度時，可能是「芋頭鮮奶」大賣。如果只看總杯數，可能會發生「珍珠煮太多浪費，檸檬卻不夠用」的窘境。
- 建議步驟：將預測模型拆解為 「類別預測」（例如：預測明天奶類賣幾杯、純茶幾杯、水果類幾杯）。
延伸方向2：忽略了「特殊節日」與「長期趨勢」
- 盲點：目前的模型用了「月份」，但沒有標記 「國定假日」、「連假」、「發薪日」 或 「颱風假」。
- 影響：
- 如果是 過年期間 或 跨年夜，銷量可能會暴增，這是單純看「氣溫」和「週末」預測不到的。
- 長期趨勢：如果您的店生意每個月都在自然成長 (Growth Rate)，模型若沒把「時間趨勢」算進去，可能會低估未來的銷量。
- 建議步驟：加入
Is_Holiday(是否為節假日) 的特徵欄位。
延伸方向3：獲利分析缺失：促銷雖然量大，但賺錢嗎？
- 盲點：我們發現「促銷」能多賣 94 杯，這很棒。但如果促銷是「買一送一」，雖然忙翻了，但淨利潤說不定比沒促銷時還低？
- 影響：可能會陷入「瞎忙」的陷阱。
- 建議步驟：結合成本數據，計算 「毛利最大化」 的模型，而不僅僅是 「銷量最大化」。
延伸方向4：滯後效應 (Lag Effect)
- 盲點：模型假設每一天都是獨立的。
- 影響：現實中，如果連續下了三天大雨（大家悶壞了），第四天放晴時，可能會出現 「報復性消費」，銷量比一般的晴天更高。目前的模型無法捕捉這種「前幾天影響今天」的關係。
結語：工具是死的，問題是活的
看完這個流程，你有發現嗎？ 從頭到尾，我們沒有寫一行程式碼。 我們也沒有背誦任何數學公式。我們做的，只有一件事：清楚地告訴 AI 我們的目標。
- 把資料合起來 (Merge)
- 畫圖給我看 (Visualize)
- 預測明天賣多少 (Predict)
這就是 AI 時代的數據分析力。你不必成為 Python 大師，只要學會「問對問題」，Gemini 就能成為你最強的數據分析師助理，幫你把死板的數字，變成滾滾而來的財富！
