AI 踢館 Excel：一鍵完成 K-Means 病患分群，告別 AVERAGEIFS 迭代地獄
揮別無盡的工作表複製地獄，讓 AI 一秒完成 K-Means 迭代，精準找出高風險病患！
現況剖析與統計 (Diagnostic) ‧ Level 2 (流程自動化)
商業危機與痛點
故事的主角，是行銷部門的數據分析師小陳。高層剛拍板定案，下季度的核心目標是針對不同健康風險的客戶群體，推動個人化的健檢方案。這個重責大任，自然落到了小陳肩上。他的任務是利用現有的 50 筆病患匿名資料，執行 K-Means 演算法，將客戶分為三大群。這聽起來很專業，但小陳的內心卻是一片死灰，因為他唯一的武器，是那套祖傳的 Excel 手動分群大法。
他深吸一口氣，打開了名為「K-Means_V1_Final_絕對不要動.xlsx」的檔案。第一步，隨機指定三個初始中心點。接著，他開始用 SQRT 與 SUMSQ 函數，拉出一個巨大的歐幾里得距離計算矩陣，再用 MIN 函數找到每個病患歸屬的群組。惡夢現在才真正開始：他必須用 AVERAGEIFS 函數，根據新的群組分配，重新計算三個群的中心點。然後…複製整張工作表，命名為「Iteration_2」，把新的中心點貼過去，重複上述所有步驟。他的螢幕上，工作表分頁像病毒一樣蔓延：Iteration_3、Iteration_4、Iteration_5…
就在他做到第八次迭代，眼神渙散、手指抽筋時，不小心在複製公式時拉錯了一個儲存格。連鎖反應瞬間引爆，#REF! 和 #VALUE! 錯誤像瘟疫一樣蔓延了整張表。看著一片慘烈的公式屍骸，以及牆上時鐘指向晚上十一點，小陳終於體悟到，這種依賴人工迭代的分析方法，不僅是對時間的謀殺，更是對一個數據分析師專業尊嚴的無情踐踏。
傳統 Excel 作法最崩潰之處，在於手動模擬演算法的『迭代』過程。這意味著你必須一遍又一遍地重複『複製整張工作表 -> 重新計算所有數據點與新中心點的距離 -> 重新分配群組 -> 用 AVERAGEIFS 重新計算群組中心點』的死亡循環。此過程極度耗時、枯燥，且極易因手動複製貼上或公式引用錯誤而導致全盤失敗。一個微小的手誤，就足以讓你數小時的努力付諸東流，陷入無盡的除錯與重來地獄，完全無法專注在洞察數據背後的商業價值。
現在要處理的資料如下：
Patient ID,Feature 1,Feature 2,Feature 3,Feature 4,Feature 5,Feature 6,Feature 7 PID-1001,45,M,25.4,120,188,0,0.31 PID-1002,62,F,29.8,145,230,1,0.72 PID-1003,38,F,22.1,115,175,0,0.18 PID-1004,55,M,27.6,132,210,1,0.55 PID-1005,71,F,31.2,158,245,0,0.85 PID-1006,29,M,23.5,118,180,0,0.15 PID-1007,48,F,26.7,128,205,1,0.48 PID-1008,67,M,30.1,150,238,1,0.81 PID-1009,41,F,24.3,122,192,0,0.25 PID-1010,59,M,28.9,138,225,0,0.63 ..... (共計 50 筆資料，請下載完整檔案進行實戰)
實戰演練素材
下載此範例資料，直接拖曳至 Gemini 進行對話演練。
[P]rompt 神級咒語
請將剛下載的 CSV 拖曳放入 Gemini 視窗，並貼上以下咒語：
[P]rove 稽核驗證點
- 稽核點一：AI 是否正確排除了不應參與計算的 `Patient ID` 欄位？此欄位為識別碼，不具備分群意義。
- 稽核點二：AI 是否將 `Feature 2` (性別) 這個類別資料進行了數值化處理？K-Means 演算法只能處理數值數據，此為關鍵前置步驟。
- 稽核點三：AI 是否提及或執行了特徵標準化？由於各欄位（如年齡與膽固醇）的數值尺度差異巨大，若未標準化，尺度較大的特徵將會不成比例地主導分群結果，導致模型失準。
職場防雷提示：
範例資料中故意埋放了空值與格式錯誤，請務必驗證 AI 產出的結果是否正確避開了這些坑！
[P]rocess 執行步驟
- 選取並複製您手邊完整的 50 筆 CSV 假資料（包含標題列）。
- 將複製的資料與上方的 PRO-Cube Prompt 一次性地貼入 Gemini 或任何大型語言模型的對話框中，並送出。
- AI 會回傳包含新增 `Cluster` 欄位的完整表格，以及各群的特徵分析。
- 將 AI 生成的表格結果直接複製，並貼到一個全新的 Excel 工作表中，即可完成智能分群。
演算法的髒活，就交給 AI 來扛
回顧過去，我們在 Excel 中為了實現 K-Means 這類機器學習演算法，投入了大量不成比例的時間在重複性的手動操作上。這趟「人肉迭代」的旅程不僅效率低落，更充滿了出錯的風險。然而，生成式 AI 的出現，徹底顛覆了這個工作流程。我們不再需要複製工作表或跟 AVERAGEIFS 奮戰，只需下達清晰的分析指令，AI 就能在幾秒內完成所有繁瑣的計算與迭代。這讓我們得以從「計算員」的角色中解放，轉變為真正的「分析師」，將寶貴的精力專注於解讀分群結果、挖掘商業洞察，並制定更精準的策略。擁抱 AI，就是擁抱更高效、更有價值的數據工作模式。