如何在Whizi用AI分析試算表

先剖析資料，再開口問問題

試算表分析最常出錯的地方，其實跟AI無關。問題常常是檔案裡有14列的地區名稱後面多了空格、兩種不同的日期格式、有人留在中間的一列小計，以及你正要平均的那一欄裡有300個空白。你若先問問題，就會得到一個看似自信、但是根據垃圾資料算出來的答案。

所以每個檔案的第一個提示語都一樣。

提示語：剖析

在我們分析任何東西之前，先剖析這個檔案。請回傳：列數、每欄的名稱與推測的類型、每欄缺漏值的數量與百分比、完全重複列的數量、每個不重複值少於25種的欄位其所有不重複值、每個數值欄和日期欄的最小值與最大值，以及任何看起來不一致的欄位（格式混雜、有多餘空白、單位混用、日期格式混用）。先別分析或解讀，只要告訴我這個檔案裡有什麼、哪裡看起來不對勁。

光是這一個提示語，就能抓出大部分原本會毀掉分析的問題。不重複值清單特別能讓你發現，你的資料裡「UK」「U.K.」和「United Kingdom」其實是三個不同的地區。

提示語：修正發現的問題

把你找到的問題標準化：去除多餘空白、把[欄位]統一成單一格式，並整併這些變體：[列出它們]。在套用之前，先用表格顯示你套用的對應關係。不要在沒告訴我的情況下刪除任何列，也要說明原因。

提出能產生可驗證答案的問題

模糊的問題只會得到模糊的答案。有效的提示語會指名欄位、運算方式和輸出格式，還會要求列出計算過程。

提示語：附計算過程的彙總

依[欄位]分組並計算[指標]。請以Markdown表格回傳分組、每組的列數，以及該指標。表格下方請說明你如何計算這個指標、排除了哪些列以及原因，以及如何處理空白。請依[欄位]遞減排序。

提示語：族群問題

針對每個[族群維度，例如註冊月份]，計算每[區間]的[指標]。請在每個數字旁列出該族群的樣本數。任何列數少於[n]的族群，請標記為樣本數太小、不宜解讀，而不要為它算出百分比。

最後這一句指示，可以避免試算表分析裡最容易誤導人的輸出：一個只有四人的族群被回報成「75%留存率」，還跟一個九千人的族群並列在同一張表裡。

提示語：異常偵測

這份資料有哪裡可疑？請留意：超出合理範圍的數值、時間序列中突然的斷點、分布中途改變的欄位、完全或近乎重複的列、看起來太整齊的數值，以及任何顯示資料蒐集方式可能改變的跡象。每一項都請引用具體的列。

這是本頁價值最高的提示語，在一般的試算表工作流程裡完全找不到對應的做法。它經常能找出追蹤功能壞掉的那一天、開始用不同貨幣回報的供應商，以及讓某一季數字虛增的重複匯入。

提示語：圖表規格

針對這個問題和這種資料形狀，建議適合的圖表，並說明為什麼看似明顯的替代方案在這裡反而較差。接著給我規格：圖表類型、x軸、y軸、系列、彙總方式、排序方式，以及軸的處理方式。不要使用雙軸。不要截斷長條圖的軸。

運算實際上會在哪裡出錯

這個問題值得一個直接的答案，因為「AI不擅長算數」這句話既正確、又說得不夠具體。

語言模型在文字裡對數字做推理，做的是模式補全，不是計算。它在描述結構、為列分類，以及判斷你需要哪種運算方面相當可靠。但要跨越幾百列做一長串算術，它就明顯不太可靠，而且會悄悄出錯：輸出的是一張格式漂亮但數字錯誤的表格，完全沒有任何警示。

實際可行的原則：

• 要求說明計算方法，而不只是結果。「請確切說明你如何計算這個數字，以及排除了什麼」能讓錯誤現形。
• 親自抽查其中一組。挑輸出表格裡最小的一組，回到實際的試算表裡驗證。如果吻合，方法大概沒錯；如果不吻合，整張表都不能相信。
• 對任何重要的結果，用第二個模型交叉核對。兩個獨立的模型算出同一個數字，比一個模型重複自己的答案更有說服力。Whizi的並排比較功能，正是為了這個目的而存在。
• 留意重複計算。留在檔案裡的小計列，以及一對多的合併，是最常見的兩個元兇，而模型並不知道它們有問題。
• 任何必須精確的結果，就要求公式或程式碼。給我Excel公式或給我pandas程式碼，能把運算交給一個確定性的引擎，讓模型專心做它擅長的部分，也就是判斷該執行哪種運算。

最後這一點，才是財務或報表工作真正的答案。用模型來設計分析，再用你的試算表或一段程式碼來執行它。

哪個模型讀哪種檔案，多大算太大？

CSV和Excel都能直接上傳，三個模型的分工也很明確。

模型	上下文視窗	每則訊息點數	適合用途
GPT-5.6 Terra	1M tokens	4	嚴格格式：乾淨的表格、JSON、精確的欄位對應
Claude Sonnet 5	1M tokens	10	多步驟彙總的交叉核對
Gemini 3.5 Flash	1M tokens，約1,900頁書稿	8	最大型的檔案，或一個對話中同時分析試算表和PDF

上下文和點數數字取自Whizi的模型成本指標，牌價擷取於2026-08-20。

幾個實務提醒：

• 給它一個乾淨的矩形資料表。單一標題列，沒有合併儲存格，沒有空白間隔列，K欄裡也沒有備註。多層標題的報表格式，比任何檔案大小限制都更容易讓萃取出錯。
• 傳原始工作表，不要傳簡報用的版本。有格式和小計的那個版本，正是造成重複計算的元兇。
• 非常寬的檔案，先請它列出欄位清單。如果欄位名稱難懂，先問每一欄代表什麼再開始分析，並告訴模型它哪裡理解錯了。
• 非常大的檔案，用Gemini 3.5 Flash。它跟Claude Sonnet 5和GPT-5.6 Terra讀取同樣的1M token上下文，但每則回答的成本是三者中最低的。超過這個範圍，就要刻意抽樣：分析隨機抽出的5000列樣本，並告訴我每個數字應該預期的抽樣誤差，會比讓檔案被悄悄截斷來得好。
• 先移除個人資料。姓名、電子郵件和識別碼幾乎從來不是分析所需，移除它們比事後爭論你是否有權上傳它們快得多。

上傳的具體做法可以參考上傳文件。

在真實檔案上的完整八步流程

在真實檔案上，整套流程依序是：

1. 上傳。執行剖析提示語。仔細閱讀不重複值和缺漏值計數。
2. 修正發現的問題，套用前先檢查對應表。
3. 請它總結這份資料是關於什麼，以及它認為你應該問的三個問題。這一步很快，也常常會讓分析重新聚焦。
4. 提出你真正想問的問題，並要求答案裡附上計算方法和排除項目。
5. 一定要執行異常偵測提示語。驚喜通常就藏在這裡。
6. 親自抽查最小的那一組。
7. 用第二個模型交叉核對關鍵數字。
8. 要求圖表規格，或者，如果數字需要精確且可重現，就要求公式。

第1、5、6步是大家最常跳過的步驟，也正是能捍衛得住的分析和一個格式好看的猜測之間的分野。