AI 病患分群術：告別 Excel 手動分群，Dave 如何用 AI 克服無盡的公式地獄
拋棄無盡的 SQRT 與 AVERAGEIFS 迴圈，讓 AI 一次性完成 K-Means 病患分群。
現況剖析與統計 (Diagnostic) ‧ Level 3 (降維打擊)
商業危機與痛點
螢幕右下角的時間跳動著，11:59 PM。Dave 的太陽穴一陣抽痛，Mark 的訊息還在螢幕上閃爍：「The Centroid Protocol. I need the patient segmentation model by 9 AM. No excuses.」這不是請求，是命令。50 筆病患資料，看似不多，卻是通往地獄的 50 級階梯。他知道這意味著什麼：在 Excel 中手動執行 K-Means 分群，一場與機率和耐心的殘酷決鬥。
第一輪迭代開始。他為每個病患計算與三個初始質心(Centroid)的歐幾里得距離，儲存格裡塞滿了 `SQRT(SUMXMY2(…))` 公式，像一排排待執行的死刑。接著，是更令人崩潰的步驟：用一串巢狀的 `IF` 函數來判斷每個病患應該被分配到哪個群組。分配完畢後，再用 `AVERAGEIFS` 重新計算每個群組的新質心。然後，他深吸一口氣，複製，選擇性貼上為「值」，開始第二輪迭代。再計算、再判斷、再平均…如此循環往復，直到質心不再變動。
時針指向凌晨三點，Dave 已經重複了七次這個流程。他感覺自己不是在分析數據，而是在服一種數位苦役。只要一個儲存格參照錯誤，整個模型就會像紙牌屋一樣崩塌。他知道，明天早上九點，Mélanie 的稽核團隊會像鷹一樣盤旋，用她那能看穿一切的眼神，審視他每一個手動計算的結果。這不是分析，這是折磨。
最折磨人的，是那永無止境的手動迭代。你必須重複計算數百個距離公式（SQRT、SUMXMY2），用複雜的 IF 邏輯重新分配每個資料點，然後再用 AVERAGEIFS 計算新的群組平均值。整個循環都必須手動完成，為每一次迭代複製、貼上數值，這個過程不僅慢得令人髮指，而且極易出現人為錯誤。這不是在做數據科學，這是在進行一場與疲勞和錯誤對抗的消耗戰。
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,Male,O+,29.14,True,88,North PID-1002,62,Female,A-,22.51,False,25,West PID-1003,31,Female,B+,21.78,False,19,East PID-1004,58,Male,AB+,33.40,True,92,South PID-1005,29,Male,A+,24.62,False,31,North PID-1006,71,Female,O-,31.15,True,75,West PID-1007,48,Male,B-,28.99,True,81,East PID-1008,36,Female,A+,23.05,False,22,South PID-1009,55,Male,O+,30.50,True,85,North PID-1010,67,Female,AB-,26.83,True,79,West ..... (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
- 真正的價值不在於速度，而在於消除迭代中的人為錯誤。傳統方法迫使你手動複製和貼上重新計算的質心，而 AI 在一個封閉的迴圈中執行這些迭代，確保了數學上的完整性，杜絕了任何因 `Ctrl+V` 錯位而導致的風險。
- 注意，AI 在底層隱含地處理了特徵縮放。手動操作時，你會因「年齡」和「BMI」等不同量級的數值而苦惱。演算法會將其標準化，避免了範圍較大的特徵不公平地主導距離計算——這是在手動 Excel 設置中經常被忽略，卻至關重要的一步。
- 這並非一個無法檢驗的黑盒子。AI 產出的最終質心就是你的稽核軌跡。你可以隨機抽取任何一位病患，手動計算其與最終質心的距離，來驗證他是否被正確歸類。邏輯是可驗證的，但勞動是自動化的。
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
- 將 AI 生成的「Patient-Cluster Mapping」表格完整複製。
- 回到您的 Excel 工作簿，在一個新的工作表中貼上複製的內容。
- 使用 XLOOKUP 或 VLOOKUP 函數，將新工作表中的 `Cluster_ID` 映射回原始的病患資料表中，完成最終的分群標記。
- 將 AI 生成的「Cluster Profile Summary」貼到您的報告或儀表板中，作為分群結果的質化解釋。
你的價值，不在於重複計算，而在於洞察。
盯著無盡的網格，深知一個微小的公式錯誤就可能引發災難性的連鎖反應…這種下沉的感覺，是許多數據工作者的共同記憶。你被教導要一絲不苟，將駕馭 `SUMXMY2` 和 `AVERAGEIFS` 視為專業的勳章。但這些工具在某些情境下，卻成了枷鎖，將你的才華困在重複、低價值的勞動中。AI 的出現，不是為了取代你的智慧，而是為了解放它。它將機械式的折磨自動化，把你從儲存格的暴政中釋放出來，讓你晉升為策略家。讓機器去處理迭代，你的大腦，是為了更偉大的使命而生：質疑結果、詮釋分群，並講述數據背後的故事。你真正的戰場，從來都不是公式，而是洞見。