AI 降維打擊實戰
 

AI 客戶分群踢館 Excel!告別 K-Means 手動地獄,10秒搞定市場區隔

還在手動複製數十個 Excel 工作表迭代 K-Means 嗎?現在,AI 一個提示詞就搞定!

PRO-Cube 分析矩陣

現況剖析與統計 (Diagnostic) ‧ 流程自動化 (Process Automation)

Marketing

商業危機與痛點

行銷部經理 Mark 週一早上臨時召集會議,臉色凝重地宣布:「下半年的行銷預算被砍了 30%,我們必須立刻進行顧客價值分群,把錢花在刀口上!Amy,妳是部門的數據高手,明天下班前給我一份基於 K-Means 演算法的客戶分群報告。」Amy 心頭一沉,這簡直是不可能的任務。她想起上次處理類似需求,光是在 Excel 裡實現 K-Means 的迭代計算,就讓她瀕臨崩潰。

傳統作法簡直是一場惡夢。首先,她得用 AVERAGEIFS 函數計算初始的群集中心點,接著用 SQRT 搭配 SUMXMY2 函數,為每一位顧客計算到各個群集中心的歐幾里得距離。最痛苦的,是為了找到最近的群集,她必須寫出層層疊疊的巢狀 IF 函數。這還只是第一次迭代!為了讓群集收斂,她必須手動複製整個工作表,然後在新工作表中,將所有公式參照指回「前一個」工作表。這個「複製、貼上、修改參照」的循環,至少要重複二、三十次。

每複製一次,Excel 檔案就臃腫一分,電腦也跟著慢了下來。她彷彿能預見自己今晚的命運:在無數個名為「分群_v28」、「分群_v29」的工作表之間切換,雙眼因核對複雜的儲存格參照而酸澀,深怕任何一個手誤就讓整個分析功虧一簣。這根本不是數據分析,而是對耐心與眼力的極限挑戰。

在傳統 Excel 中進行 K-Means 分群,是一場與重複、繁瑣和錯誤率的戰鬥。核心痛點在於其迭代計算的本質,分析師被迫手動複製數十個工作表,並逐一修改儲存格公式,使其參照到前一個工作表的計算結果。這個過程不僅極度耗時,且每一步都可能因人為疏失(如公式參照錯誤)而導致整個分析失敗。最終產出的 Excel 檔案不僅異常臃腫、運算緩慢,更是一個難以稽核與管理的「公式地獄」,讓分析師的時間浪費在機械式操作,而非洞察價值。

現在要處理的資料如下:

顧客ID,最近消費金額,消費頻率,網站停留時間_秒,加入購物車次數,平均客單價
CUST_001,12580,25,2850,45,3550
CUST_002,850,2,3200,3,425
CUST_003,4500,18,1550,22,1850
CUST_004,2300,5,980,8,1100
CUST_005,15800,30,3100,55,4200
CUST_006,550,1,350,1,550
CUST_007,7600,15,1800,30,2100
CUST_008,980,3,600,4,490
CUST_009,3300,12,1250,18,1500
CUST_010,670,2,880,5,335

..... (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。

下載 CSV 檔

[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:

你是一位頂尖的資料科學家,專長是客戶關係管理(CRM)與市場區隔分析。我將提供一份客戶消費行為資料,請你使用 K-Means 演算法進行客戶分群。 **資料欄位包含:** `顧客ID`, `最近消費金額`, `消費頻率`, `網站停留時間_秒`, `加入購物車次數`, `平均客單價` **請遵循以下步驟:** 1. **資料預處理:** * 忽略 `顧客ID` 欄位,它僅為識別用途。 * 對其餘所有數值型欄位進行「標準化」(Standard Scaling),以消除不同單位和量綱對距離計算的影響。 2. **決定最佳分群數 (K):** * 請使用「手肘法」(Elbow Method)來評估從 K=2 到 K=10 的組內變異程度(Inertia)。 * 繪製手肘法圖表,並根據圖表的「拐點」推薦最佳的 K 值。 3. **執行 K-Means 分群:** * 根據你推薦的最佳 K 值,對標準化後的資料執行 K-Means 演算法。 4. **產出分析結果:** * **分群標籤:** 在原始資料旁新增一欄,名為 `群組`,標示每位顧客最終所屬的群組編號。 * **群組輪廓分析:** 計算並以表格形式呈現每個群組在「原始(未標準化)」特徵上的平均值。這有助於我們理解每個群組的商業意涵。 * **群組命名與解讀:** 根據群組輪廓的特徵,為每個群組進行命名(例如:高價值貢獻客、高潛力新客、低頻沉睡客等),並提供 2-3 句簡短的商業解讀與初步行銷建議。 **最終交付項目:** 請將包含 `群組` 標籤的完整表格,以及「群組輪廓分析」表格,最終以清晰的 CSV 格式輸出,以便我能直接複製貼回 Excel 進行後續應用。

[P]rove 稽核驗證點

  • 交叉比對 AI 輸出的總筆數,是否與您原始提供的資料筆數(50 筆)一致,確保沒有資料遺失。
  • 檢查 AI 是否真的新增了「群組」這一欄,並為每一位顧客都標上了群組編號。
  • 抽樣檢查 AI 對群組的命名與解讀是否合理。例如,被命名為「高價值客戶」的群組,其「最近消費金額」和「消費頻率」的平均值,是否確實顯著高於其他群組。這是驗證分析邏輯正確性的關鍵。

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

  1. 將 AI 生成的完整 CSV 格式回應內容,點擊右上角的複製按鈕進行複製。
  2. 打開一個全新的 Excel 工作表,選取 A1 儲存格。
  3. 直接貼上(Ctrl+V 或 Command+V),資料通常會自動根據逗號分隔符填入不同欄位。
  4. 若資料全部擠在同一欄,請選取該欄,然後到頂部選單的「資料」索引標籤,點擊「資料剖析」。
  5. 在跳出的視窗中,選擇「分隔符號」,按下一步。勾選「逗號」作為分隔符號,然後點擊「完成」。資料將會被正確地分到各個欄位中。

從公式地獄到策略天堂

長久以來,客戶分群是數據分析中價值極高但執行極其痛苦的任務。傳統 Excel 仰賴大量手動操作與複雜公式,讓我們深陷重複勞動的泥淖。然而,AI 的出現徹底扭轉了這個局面,它將我們從繁瑣的「如何計算」中解放出來,讓我們能專注於更高層次的「為何分析」與「如何應用」。這次的實戰證明,過去需要耗費數小時甚至整晚的 K-Means 迭代,如今只需一個清晰的指令即可完成。這不是要淘汰 Excel,而是升級我們的工作模式:讓 AI 處理重複計算,讓人腦專注於商業洞察與策略擬定。

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *