AI 病患智慧分群：Excel 風險評估的終極自動化
告別手動迭代地獄，AI 一鍵完成 K-Means 病患風險分群。
現況剖析與統計 (Diagnostic) ‧ Level 2 (流程自動化)
商業危機與痛點
螢幕上刺眼的白光，映照著 Dave 疲憊的臉。牆上時鐘的秒針，每一次跳動都像鐵鎚敲擊著他的神經。Mark 剛走，只留下一句冰冷的指令：「明天董事會要看最新的病患風險分群報告，我九點前要看到結果。」五千名病患資料，每一筆都有七個維度的特徵，要分成四個風險群組。這不是單純的排序，這是 K-Means 分群，一場計算的惡夢。
Dave 的腦中已經開始自動運轉那套折磨人的 Excel 流程。首先，他得為五千名病患，手動計算與四個初始群組中心的歐幾里得距離——光是這一步，就是兩萬次複雜的開根號與平方和運算。接著，根據最小距離，將病患重新歸類。然後，最痛苦的一步來了：用無數個巢狀的 AVERAGEIFS 函數，去計算分派完畢後，四個群組各自的新中心點。而這，僅僅是第一次迭代。
他必須重複這個循環，計算、分派、再計算…直到群組成員不再變動為止。任何一個公式錯誤，一個儲存格參照跑掉，都會讓整個模型崩塌。他可以預見法務主管 Mélanie 那雙銳利的眼睛，在會議上放大他報表中的任何一個微小誤差。一夜之間完成這一切？這不是挑戰，這是 Mark 設下的陷阱。
傳統的 K-Means 分群在 Excel 中是一場耐力與眼力的極限挑戰。你必須為每一筆病患資料，手動計算與四個群組中心的歐幾里得距離，這意味著數以萬計的公式。接著，根據最小距離分派群組，再用 AVERAGEIFS 或樞紐分析表，痛苦地重新計算每個群組的新中心點。這個過程必須不斷重複，直到群組成員不再變動。只要更新一筆資料，或想嘗試不同的分群數量，整個地獄流程就得重來一次，簡直是精神耗弱的保證。
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-10384,45,Male,O+,29.5,Yes,2022-08-15,New York PID-10385,62,Female,A-,24.1,No,2023-01-20,London PID-10386,28,Male,B+,22.8,No,2023-11-05,Los Angeles PID-10387,51,Female,AB+,31.2,Yes,2022-05-10,Chicago PID-10388,33,Male,O-,26.7,No,2024-02-18,Houston PID-10389,75,Female,A+,28.9,No,2023-09-30,Phoenix PID-10390,42,Male,B-,33.1,Yes,2022-12-01,Philadelphia PID-10391,25,Female,O+,21.5,No,2024-03-22,San Antonio PID-10392,58,Male,AB-,27.4,Yes,2023-07-14,San Diego PID-10393,39,Female,A+,25.3,No,2022-10-25,Dallas ..... (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
- AI 執行的不是簡單的計算，而是統計學上嚴謹的 K-Means 演算法。它透過迭代，自動找到能讓「群內平方和」最小化的最佳質心，這在手動計算中幾乎不可能達到最佳解。
- 演算法的第一步是「數據標準化」。這能確保像『年齡』這樣數值較大的特徵，不會在距離計算中不成比例地壓過『BMI』這類數值較小的特徵。這是在 Excel 中極易被忽略，卻對結果準確性有致命影響的關鍵步驟。
- 最終產出的「Cluster」欄位，其結果是可重現且具備統計意義的。它徹底擺脫了手動操作中因公式錯誤、儲存格參照偏移或單純疲勞導致的隨機錯誤，讓你的分析堅不可摧。
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
- 將包含病患資料的 Excel 表格（包含標題列）完整複製。
- 將複製的內容貼到 AI 助理的對話框中，並直接貼上方的指令。
- AI 會回傳完整的 Python 程式碼，並在程式碼下方生成一個包含新「Cluster」欄位的完整結果表格。
- 複製 AI 生成的結果表格，直接貼回一個新的 Excel 工作表中，即可完成分群。
別讓重複計算，困住你的洞察力。
盯著那張充滿公式的表格，感受著成千上萬次計算的壓力，你很容易覺得自己正被數據的洪流淹沒。那種被 AVERAGEIFS 和距離公式困在循環中的無力感，不是你能力的不足，而是工具已無法承載你任務的信號。AI 的出現，不是為了取代你的判斷力，而是為了解放它。它承擔了機械式、重複性的迭代苦工，釋放你的心力去問更深刻的問題、看見數據背後真正的模式。所以，把數學交給機器吧。你真正的價值，在於詮釋這些病患群體意味著什麼，並講出那個能改變決策的故事。
Author’s Note & Inspiration:
The core analytical framework of this case is inspired by Mastering Excel through Projects by Hong Zhou (Chapter 8: K-Means). This article serves as both a tribute to the original concepts and a modern challenge to push those boundaries further using AI-driven automation.