在日常商業決策與行政運作中，商業分析師（BA）與知識工作者往往耗費大量時間處理雜亂的電子試算表：ERP 系統匯出的不規則報表、夾雜貨幣符號與文字單位的金額、失效的 VLOOKUP 參照、格式不一的日期欄位，以及緊湊的管理層圖表製作需求。傳統的大型語言模型（LLM）僅依賴純文字對話處理表格時，常受限於上下文長度，且容易在逐字預測中產生算術「幻覺」或捏造統計結果。
智譜清言（基於 GLM 大模型架構）透過其進階資料分析（Code Interpreter / 程式碼直譯器）機制徹底翻轉了這項限制。它並非以機率猜測運算數字，而是將使用者的自然語言指令編譯為可執行的 Python 腳本，並在獨立的安全雲端 Linux 沙盒中運作。配合沙盒內建的 pandas、openpyxl、matplotlib、seaborn 等專業分析函式庫，智譜清言能對上傳的 Excel（.xlsx、.xls）及 CSV 檔案進行精準計算、自動偵錯修復、結構清洗與視覺化繪圖，並提供乾淨的成品檔案供直接下載。
無論是透過網頁端（chatglm.cn）上傳檔案進行對話式分析，或是於 Microsoft 365 試算表內使用 GLM in Excel (Beta) 側邊欄外掛，知識工作者皆能建立起一套標準化的四階段高效資料工作流。
一、 底層運作機制：沙盒執行與自癒循環
若要確保分析結果具備商業級的精確度，分析師必須先掌握智譜清言的底層運作邏輯：
- 隔離的雲端沙盒環境：上傳的資料檔案會被載入至獨立的 Linux 執行環境（內建 Python 3.11+）。模型透過工具調用協定（Tool Calling）調度沙盒內的程式碼直譯器。
- 演算法精確度取代機率推測：傳統對話模型在計算「D 欄位的標準差與前 10% 分位數」時，是從語意空間中輸出近似值；智譜清言則會自動撰寫並執行
df['Column_D'].std()與df['Column_D'].quantile(0.90)，忠實回傳運算後的數值結果。 - Agent 自我除錯循環（Self-Correction Loop）：若初次執行的腳本因檔案編碼（例如傳統
GBK或帶有 BOM 的 UTF-8）或型別衝突而拋出例外，沙盒會將stderr報錯日誌回傳給模型。GLM 會自主分析堆疊追蹤資訊、修正程式碼（例如加入encoding='gb18030'或運用pd.to_numeric(..., errors='coerce')忽略雜訊），並重新執行直到得出正確結果。 - 邏輯可追溯性：每個回覆下方皆可展開檢視實際執行的 Python 程式碼。分析師可檢驗計算邏輯與資料篩選條件，亦可將程式碼直接複製至本機 Jupyter Notebook 或企業 ETL 流程中使用。
二、 階段一：試算表架構探查與資料健檢
使用 AI 分析表格時，最常見的盲點便是一上傳檔案就下達籠統的分析指令（例如「請幫我看看這份資料有什麼趨勢」）。企業真實報表往往包含跨欄置中、空行分隔、合計列與多工作表結構，未經探查的指令極易引發誤判。
標準作業的第一步必須是結構健檢。
探查操作與提示詞範例
- 上傳檔案：點擊智譜清言對話框的附件圖示，上傳
.xlsx或.csv檔案。 - 下達探查提示詞（Prompt）：
「請先讀取上傳的工作簿。列出所有工作表（Sheets）名稱；針對主要資料表，顯示前 5 筆資料（
head()）、總列數與總欄數（shape）、各欄位名稱與資料型別（dtypes），並統計每欄的缺失值數量與百分比。先不要修改任何內容，僅輸出結構健檢摘要。」 - 檢視診斷報告：
智譜清言將執行 Python 程式碼並回報：
- 工作表目錄（例如
['Q3業務報表', '客戶主檔', '樞紐摘要']）。 - 實際資料列與標題列的起點（辨別是否存在裝飾性抬頭或複合表頭）。
- 型別異常：數值欄位因夾雜貨幣符號（
$、¥）或註記（如「審核中」）而被誤判為object（文字字串）。
- 工作表目錄（例如
識別潛在結構陷阱
在健檢階段，應特別留意以下問題：
- 欄位名稱前後的空白字元：例如
'銷售區域 '，多餘的空格會導致後續 VLOOKUP 或過濾條件失效。 - 合併儲存格缺值：跨列合併的儲存格在載入為 DataFrame 時，通常僅首列保留數值，其餘列均為
NaN。 - 表尾統計列干擾：底部的「總計」或「製表人備註」若未先剔除，將會嚴重扭曲後續的平均值與分位數計算。
三、 階段二：資料清洗與標準化轉換
釐清資料輪廓後，分析師即可引導智譜清言逐步排除髒資料，並將表格重構為符合分析標準的正規形式。
常見清洗情境與實戰提示詞
1. 剝離混合單位與非數值符號
針對報表中常見的「500w」、「12.5萬」、「$3,450.00」等數值文字混合型態。
- 提示詞範例：
「請清洗『營收』與『採購成本』兩欄：移除所有貨幣符號（'$'、'¥'）、千分位逗號與空白字元。若數值末端帶有『萬』或『w/W』，請乘以 10,000；帶有『k/K』則乘以 1,000。將欄位轉換為 float64 型別，無法解析的文字填入 0，並呈現清洗前後的對照樣本。」
2. 合併儲存格還原與空值向前填補
針對跨列合併造成的分類欄位空白：
- 提示詞範例：
「『事業部』欄位因原本試算表採用合併儲存格，導致下方出現連續空白。請使用向前填補（
ffill）補全層級歸屬；隨後刪除『訂單編號』與『交易金額』同時為空的無效列。」
3. 異質日期格式標準化
將 2026/03/15、2026-3-15、15/03/2026 或 Excel 序號（如 45366）統一為標準格式。
- 提示詞範例：
「將『訂單日期』欄位解析為統一的 ISO 日期格式（
YYYY-MM-DD）。若有無法成功解析或日期超出 2026 年度的異常列，請獨立列出其資料列編號以供人工查核。」
4. 複合鍵去重與維度聚合
- 提示詞範例：
「以 ['客戶編號', '訂單日期', '產品料號'] 作為複合鍵檢查重複紀錄。若發現重複，保留『更新時間』最新的一筆，並回報共計移除了多少筆重複資料。」
匯出標準化成品檔案
處理完畢後，資料會存放在沙盒會話的輸出目錄中。只需追加指令：
「請將完整清洗後之資料儲存為標準 Excel 檔案，命名為
cleaned_sales_q3.xlsx，並提供直接下載連結。」
系統隨即產生下載連結卡片，分析師可直接取得清洗完成的資料表。
四、 階段三：生成商業分析圖表與專業視覺呈現
完成資料整理後，可運用沙盒內的 matplotlib 與 seaborn 套件快速繪製決策圖表。
許多外國 AI 繪圖工具在繪製中文字元時常出現缺字方塊（「豆腐塊」 □□）。智譜清言的 Linux 沙盒已預裝並設定 Noto CJK 及文泉驛等中文字型，能原生支援繁體與簡體中文、英文及數字混合的圖表標題、軸標籤與圖例顯示。
商業圖表設計規範
- 明確指定維度、指標與計算方式：避免籠統要求「畫一張圖」，應具體說明 X 軸、Y 軸、彙總口徑（加總、平均）與排序標準。
- 強化視覺對比與參考標線：要求加入數值標籤（Data Labels）、目標門檻線或柏拉圖 80% 參考輔助線。
- 指定高解析度與比例：明確要求
dpi=300與適合簡報投放的比例，方便直接貼入 PowerPoint 或分析報告中。
高成效視覺化提示詞實例
情境 1：柏拉圖分析圖（長條 + 折線雙軸圖）
- 提示詞範例：
「按『產品類別』統計總銷售金額並依降序排列。請繪製雙 Y 軸圖表：左軸以深藍色長條圖呈現各類別營收，長條頂端標示具體金額（單位為萬元）；右軸以橙色折線呈現累計百分比，並在 80% 處繪製紅色虛線作為柏拉圖基準線。確保中文正常顯示，匯出 300 DPI 圖片。」
情境 2：月度營收與利潤率趨勢圖（帶陰影區間與指標標註）
- 提示詞範例：
「按月彙總過去 12 個月的『總營業額』與『淨利潤率』。在利潤率折線下方加入淺灰色半透明填色，並找出利潤率最低的月份，使用紅色箭頭與文字標籤在圖面上進行重點標註。」
情境 3：多指標相關係數熱力圖（多變數關聯診斷）
- 提示詞範例：
「計算『行銷預算』、『曝光量』、『點擊率』、『獲客成本』與『客戶終身價值』之皮爾森相關係數矩陣。使用 Seaborn 繪製熱力圖，套用 coolwarm 色系，每個格子標註保留兩位小數的數值，X 軸標籤旋轉 30 度避免重疊。」
圖表迭代與多格式下載
生成初步圖表後，可透過後續指令微調細節：
- 「請將圖例由圖內調整至圖表右上角外部。」
- 「將長條圖色系替換為企業深藍色，背景網格透明度設為 0.3。」
- 「請將這張圖表儲存為向量 PDF 與 300 DPI PNG，並提供下載連結。」
五、 桌面原生整合：GLM in Excel (Beta) 外掛
除了在網頁端反覆上傳下載檔案，重度使用試算表的分析師亦可安裝官方推出的 GLM in Excel (Beta) 側邊欄外掛。
- 試算表內原地操作：外掛直接嵌入 Microsoft 365 或 Office 2021+ 的 Excel 右側工作窗格。分析師無需匯出敏感資料，所有查詢、公式修補與分析皆在目前工作簿內原地執行。
- 智慧修復公式異常：當試算表中出現
#REF!、#VALUE!、#DIV/0!或循環參照時，外掛能即時標記錯誤儲存格，解析前置參照鏈並直接替換為修正後的正確公式。 - 跨工作表自動關聯：在跨工作表的財務模型或進銷存帳本中，外掛可識別多張 Sheet（如主檔、交易記錄、分類對照）的關聯鍵，自動建立多工作表的
XLOOKUP或SUMIFS運算。 - 變更範圍高亮標記：AI 修改或補齊的儲存格會以特定顏色高亮標註，提供財務與稽核人員完整的追蹤與覆核軌跡。
六、 知識工作者的資安規範與實務準則
在運用 AI 輔助試算表分析時，商業分析師應恪守以下實務準則：
- 上傳前資料去識別化：切勿直接上傳包含客戶姓名、身分證字號、金融卡號、手機號碼或機密財務憑據的未遮蔽檔案。應於本機預先將實體代換為代碼（例如
客戶_01、員編_A）。 - 分階段遞進，避免單次承載過多需求：勿在單一指令中同時要求結構診斷、全欄位清洗、樞紐計算及繪製多種圖表。建議遵循「結構探查 → 欄位清洗 → 統計運算 → 視覺化輸出」之標準順序，以維持運算精準度並防止執行逾時。
- 保持程式碼審查習慣：養成點開回覆下方 Python 程式碼區塊的習慣，核實重要統計假設（例如缺值處理是採取
dropna刪除還是fillna(0)填補；資料合併是否導致列數異常增加）。 - 合理評估運算量規模：對於千萬筆層級的資料庫日誌，應先於本機或資料倉儲利用 SQL 篩選出彙總表或分析樣本，再將 20MB 至 50MB 內之試算表檔案交由雲端沙盒進行深度探勘。
將智譜清言進階資料分析作為專業的「雲端 Python 助理」，分析師與知識工作者得以擺脫枯燥重複的表格體力活，將專注力全面回歸至資料背後的商業脈絡與決策洞察。