AI 可以在幾分鐘內讀取資料、執行程式、計算結果並製作一張完整圖表。

但如果它只交給你最後答案，你可能不知道：

  • 資料來自哪裡。
  • 哪些資料被刪除或修改。
  • 使用了什麼計算方式。
  • 圖表是否真的符合原始資料。
  • 別人能不能重新做出相同結果。

今天只學一個方法：請 AI 分析資料時，要求它留下「資料來源、處理步驟、重現方式」。

為什麼只看最後結果不夠？

一張圖表看起來很專業，不代表分析一定正確。

AI 可能在過程中：

  • 使用錯誤版本的資料。
  • 忽略部分缺漏值。
  • 自行刪除看起來異常的紀錄。
  • 選擇不適合的統計方法。
  • 把不同單位的數字放在一起計算。
  • 重新命名欄位後誤解原始意思。

最後產生的數字可能很完整，圖表也可能非常漂亮，但你無法知道結果是怎麼來的。

可靠的 AI 分析，不只是能給出答案，還要讓人看得見答案經過哪些資料與步驟產生。

第一項：留下資料來源

先要求 AI 說明它使用了哪些資料。

至少要包含：

  • 檔案名稱。
  • 資料來源。
  • 資料日期。
  • 使用的工作表或欄位。
  • 分析範圍。
  • 是否混合外部資料。

例如，不要只接受：

我已經根據銷售資料完成分析。

比較清楚的紀錄應該是：

  • 使用「2026 年第二季銷售資料」檔案。
  • 分析「已完成訂單」工作表。
  • 日期範圍為 4 月 1 日至 6 月 30 日。
  • 使用訂單日期、商品類別、數量與實收金額欄位。
  • 未使用取消訂單工作表。
  • 沒有加入外部網路資料。

這樣你才能確認 AI 是否拿錯檔案、用錯日期或混入不相關資料。

資料來源要精確到什麼程度？

依任務風險決定。

一般內容整理，可以記錄檔案名稱和日期。

涉及正式報表、研究或財務分析時，還應該記錄：

  • 資料版本。
  • 下載或取得時間。
  • 欄位定義。
  • 篩選條件。
  • 資料是否經過人工修改。

同一份資料只要更新過一次，分析結果就可能改變。

因此，「使用公司報表」仍然太模糊。

應該知道使用的是哪一天、哪一版、哪一個工作表。

第二項：留下處理步驟

資料交給 AI 後，不會直接變成答案。

中間通常經過：

  • 讀取資料。
  • 整理欄位。
  • 處理缺漏值。
  • 篩選紀錄。
  • 轉換單位。
  • 分組與計算。
  • 製作圖表。

每一個步驟都可能改變最後結果。

例如，分析每月平均訂單金額時，AI 可能需要決定：

  • 取消訂單是否排除。
  • 退款訂單如何處理。
  • 金額為零的訂單是否保留。
  • 日期以付款日還是出貨日計算。
  • 不同幣別是否先換算。

如果 AI 沒有說明，使用者可能以為結果只是把所有訂單加總後平均。

資料分析中的每一次刪除、篩選與轉換，都是一項可能影響結論的決定。

要求 AI 把步驟寫成可以檢查的動作

不要只要求「說明分析方法」。

可以要求它逐步列出：

  • 讀取了哪些欄位。
  • 刪除了哪些資料。
  • 為什麼刪除。
  • 如何處理空白值。
  • 使用什麼公式。
  • 如何建立圖表。

例如：

  • 先排除狀態為取消的訂單。
  • 保留退款訂單，並把退款金額記為負值。
  • 依照付款日期歸入月份。
  • 每月實收金額除以完成訂單數，計算平均訂單金額。
  • 以月份為橫軸、平均訂單金額為縱軸製作折線圖。

這樣即使你不熟悉程式，也能判斷分析邏輯是否符合需求。

第三項：留下重現方式

重現方式，是讓你或其他人能夠使用相同資料與條件，重新做出相同結果。

依照任務類型，可以包含：

  • 使用的完整公式。
  • 試算表操作順序。
  • 分析使用的程式碼。
  • 使用的軟體及版本。
  • 執行需要的套件。
  • 重新產生圖表的方法。

如果分析是用試算表完成，AI 可以留下：

  • 使用哪些欄位。
  • 需要新增哪些計算欄。
  • 公式應填在哪裡。
  • 樞紐分析表如何設定。

如果使用程式分析，則應保留：

  • 完整程式碼。
  • 套件名稱與版本。
  • 資料檔案位置。
  • 執行順序。
  • 輸出檔案名稱。

什麼叫做真的可以重現？

不是 AI 說一句「這個結果可以重現」就算完成。

真正的重現應該做到：

  • 使用同一份原始資料。
  • 依照記錄的處理條件。
  • 重新執行公式或程式。
  • 產生相同或合理接近的數字。
  • 重新製作相同圖表。

如果換一個人仍然不知道從哪裡開始，紀錄就還不夠完整。

可以直接使用這段 Prompt

請分析以下資料，但不要只交付最後答案。完成時請分成三部分：一、資料來源，列出使用的檔案、工作表、欄位、日期範圍與版本；二、處理步驟，逐項說明刪除、篩選、轉換、計算與製圖方式；三、重現方式，提供能重新得到相同結果的公式、程式碼或操作順序。任何資料不足、欄位不明或需要自行假設的地方，都必須先標示，不得直接補寫。

這段 Prompt 可以用在：

  • 試算表分析。
  • 問卷整理。
  • 網站流量報告。
  • 銷售與庫存分析。
  • 研究資料。
  • 實驗與統計圖表。

第一個範例：分析網站流量

假設你把網站流量資料交給 AI，要求找出表現最好的文章。

只要求「告訴我哪篇最好」，AI 可能依照瀏覽量排序。

但你真正重視的可能是搜尋點擊、停留時間或轉換。

比較完整的指令是：

請分析這份網站流量資料，找出真正帶來搜尋流量與閱讀行為的文章。請先列出使用的資料來源、日期範圍和欄位，再說明如何處理缺漏值、如何定義表現最好，以及如何重新建立相同排名。不要自行把瀏覽量視為唯一標準。

AI 應該先確認：

  • 資料涵蓋哪段期間。
  • 使用瀏覽量、點擊或工作階段。
  • 是否包含內部測試流量。
  • 同一篇文章不同網址是否合併。
  • 「表現最好」使用什麼標準。

確認後才能產生有意義的排名。

第二個範例：比較兩組問卷結果

假設你想比較課程前後的問卷。

AI 可能直接計算平均分數，但還要先確認：

  • 兩份問卷是否來自同一批受訪者。
  • 題目是否完全相同。
  • 評分方向是否一致。
  • 缺少回答如何處理。
  • 是否存在重複填寫。

可以輸入：

請比較課程前後問卷，但先確認受訪者、題目與評分方式是否能直接比較。完成後列出資料來源、排除或保留的紀錄、平均值計算方式，以及重新產生結果所需的公式或程式。無法配對的資料請另外標示，不要自行視為同一位受訪者。

這能避免 AI 把兩組不能直接比較的資料硬湊成一個結論。

第三個範例：製作一張研究圖表

如果只是要求「幫我畫成圖」，AI 可能自行選擇圖表類型與資料處理方式。

可以改成：

請先說明這份資料適合使用哪一種圖表，以及選擇原因。完成圖表時，請保留使用的資料欄位、篩選條件、完整程式碼與執行環境。任何移除的資料點都要列出原因，不得只為了讓趨勢更明顯而刪除。

重點是讓圖表回到資料，而不是只看畫面是否好看。

AI 說已經保留程式碼，就可以完全相信嗎？

仍然不行。

程式碼本身也可能：

  • 讀取錯誤檔案。
  • 使用錯誤欄位。
  • 公式寫錯。
  • 意外排除資料。
  • 使用不適合的方法。

保留程式碼的價值，是讓錯誤更容易被發現與修正，而不是證明程式一定正確。

至少要重新檢查：

  • 輸入資料是否正確。
  • 處理步驟是否符合需求。
  • 輸出數字是否能抽樣驗算。
  • 圖表是否和計算結果一致。
可追溯不等於沒有錯誤，但沒有追溯紀錄時，連錯誤發生在哪裡都很難找到。

遇到缺漏值，AI 可以自行決定嗎？

不建議。

不同處理方式會產生不同結果。

AI 可能選擇：

  • 刪除整筆資料。
  • 把空白視為零。
  • 使用平均值補入。
  • 保留空白並排除該項計算。

這些方法沒有一個適用於所有情況。

可以要求：

遇到缺漏值時請先列出位置、數量與可能影響，再提出處理選項。未經我確認，不得直接刪除資料、填入零或使用平均值補值。

遇到異常值又該怎麼做？

異常值可能是輸入錯誤，也可能是真實而重要的事件。

例如某天銷售量突然增加，可能是：

  • 資料重複。
  • 促銷活動成功。
  • 大量團購訂單。
  • 系統紀錄錯誤。

不能只因為它和其他數字不同，就直接刪除。

要求 AI：

  • 列出異常資料。
  • 說明判定標準。
  • 分別計算保留與排除後的結果。
  • 等待人工決定是否移除。

比較兩種結果，往往比直接刪除更可靠。

AI 使用網路資料時要多加什麼？

如果分析包含外部資料，還要要求：

  • 原始來源。
  • 發布機構。
  • 資料日期。
  • 查詢或下載日期。
  • 資料定義與單位。
  • 是否為估計值。

不要只留下搜尋結果摘要。

原始資料更新後，使用相同網址也可能取得不同數字，因此日期與版本很重要。

如何快速檢查 AI 的分析？

可以使用四項檢查：

  • 來源一致：使用的檔案、日期和欄位是否正確。
  • 步驟合理：篩選、刪除與計算是否符合目的。
  • 抽樣驗算：挑幾筆資料手動重新計算。
  • 重新執行：依照紀錄重新產生結果。

不必每次手動重做全部分析。

但至少挑一部分數字驗算，可以快速發現明顯問題。

可以再用另一個 AI 檢查嗎？

可以增加一道檢查，但不能把它視為獨立證明。

第二個 AI 可能和第一個 AI 使用相同假設，也可能一起忽略資料本身的問題。

可以要求第二個 AI：

請不要重新分析，先檢查這份分析紀錄。找出資料來源不清、處理步驟無法重現、公式可能錯誤，以及結論超出數據支持的地方。請只列出問題與需要人工確認的項目。

最後仍要回到原始資料、公式與專業判斷。

什麼情況一定要留下完整紀錄？

  • 正式財務報表。
  • 客戶交付成果。
  • 學術研究與實驗資料。
  • 醫療與健康分析。
  • 影響人員或資源分配的決策。
  • 需要日後更新或重複執行的報告。

只是個人快速整理資料時，可以使用較簡單的紀錄。

但只要結果會被別人使用、影響正式決定，或未來需要重新執行，就應保存完整過程。

Claude Science 為什麼特別強調可追溯？

Claude Science 的設計會保留研究成果所使用的程式、執行環境與操作紀錄，讓研究者能檢查圖表和分析是如何產生的。

這種設計反映科學研究的一個重要原則：

別人不能只看到你的結論，還要能理解並檢查你如何得到結論。

即使沒有使用 Claude Science，一般使用者也可以把相同原則加入自己的 Prompt。

一分鐘操作流程

  • 第一步：把資料交給 AI，先說明分析目的。
  • 第二步：要求列出將使用的資料來源與欄位。
  • 第三步：確認篩選、缺漏值與計算方式。
  • 第四步：讓 AI 執行分析並保留完整步驟。
  • 第五步：要求提供公式、程式或重新操作方法。
  • 第六步：抽樣驗算並重新執行一次。

今天只記住三件事

  • 資料來源：答案使用了哪一份資料。
  • 處理步驟：資料經過哪些刪除、篩選與計算。
  • 重現方式：怎麼重新得到相同結果。

AI 分析真正可靠的標準，不是結果看起來多專業，而是你能否回到原始資料，看懂每一個步驟，並重新做出相同結果。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀