全書核心表格

主要框架 可解決的問題 Excel／AI 的角色 重要限制
資料定義與描述統計 辨識資料類型、摘要中心／離散程度、用圖表看分布 Excel 負責公式、樞紐分析與圖表；AI 協助解讀與檢查敘事 錯誤資料定義會讓後續計算全部失去意義
抽樣、推論與機率 由樣本估計母體、決定樣本數、量化不確定性 Excel 精確計算信賴區間、機率與樣本數；AI 解釋假設與風險 代表性、抽樣偏誤與假設條件必須先確認
相關與迴歸 分析變數關聯、預測與模型解釋 Excel 計算相關係數、迴歸與 ANOVA；AI 協助比較模型與管理意義 相關不等於因果；離群值、非線性與多重共線性會誤導
顯著性檢定 比較平均數、比例、類別分布與模型顯著性 Excel 執行 t／F／z／卡方等檢定；AI 協助說明虛無假設與決策語言 p 值不能取代效果量、樣本品質與實務重要性
問卷、報告與視覺化 設計調查、整理結果、建立可判讀報告與圖表 Excel 做彙總與視覺化；AI 協助整理報告架構與檢查矛盾 題目設計、圖表選擇與文字結論都可能產生偏誤
質性分析 整理訪談、開放題、文件與評論中的代碼與主題 Excel 可做基礎編碼統計；AI 可協助整理候選主題但不能取代人工脈絡判讀 編碼一致性、飽和度與來源偏誤需要明確說明

全書主線

本書第二版由 Linda Herkenhoff 與 John Fogli 撰寫，定位是給非統計背景的管理者與學生，以 Microsoft Excel 執行工作場所常用的統計分析。原書刻意降低理論推導密度，強調文字解釋、逐步 Excel 操作與真實／小型商務案例。

全書 17 章形成一條完整路線：資料定義 → Excel 與基本圖表 → 敘述統計 → 常態分配 → 問卷設計 → 抽樣 → 推論 → 機率 → 相關 → 簡單線性迴歸 → 顯著性檢定 → 多元／非線性迴歸 → 問卷報告 → 資料視覺化 → 質性分析。

Excel 與 AI 的分工

17 章課程索引

章節 核心問題 主要工具／方法 學完後應能做到
‣ 資料是什麼？如何把商務問題轉成可分析變數？ 資料類型、尺度、母體／樣本、描述與推論 正確定義變數與分析單位，避免一開始就選錯統計方法
‣ 如何在 Excel 中整理、計算與初步視覺化資料？ 公式、排序／篩選、PivotTable、基本 charts 建立可重算的分析工作表並選擇合適圖表
‣ 一組資料的中心、離散與形狀如何？ mean、median、mode、SD、variance、range、histogram 不用只看平均數，而能描述整體 distribution
‣ 如何把原始數值轉成相對位置與尾端風險？ normal distribution、z-score、percentile 計算高於／低於某門檻的機率並比較不同尺度資料
‣ 如何設計不誤導、可分析的調查問題？ question types、Likert scale、leading／loaded／double-barreled questions 辨識問題偏誤並建立可用 survey instrument
‣ 應該找誰、抽多少人、如何降低 sampling bias？ probability／nonprobability sampling、sample size、sampling error 依研究目的規劃可辯護的 sampling plan
‣ 如何由樣本估計母體？ point estimate、confidence interval、margin of error 把樣本結果寫成有不確定性範圍的母體估計
‣ 如何量化事件的不確定性與商務風險？ conditional probability、combinations／permutations、binomial、normal risk 把延誤、續約、選擇與尾端風險轉成可比較的機率
‣ 兩個變數是否一起變動？ Pearson r、scatterplot、linear association 判斷方向與強度，同時避免把 correlation 寫成 causation
‣ 一個 predictor 能否解釋／預測 outcome？ ŷ = mx + b、R²、residuals、standardized residuals 建立模型、預測結果並檢查模型是否合理
‣ 觀察到的差異是否可能只是 chance？ H0／Hα、α、p-value、F-test、t-test、ANOVA 比較平均數、變異與群組差異並寫出正確結論
‣ 類別資料與已知母體條件下如何檢定？ χ² goodness-of-fit、χ² independence、z-test 處理 frequency table、categorical association 與大樣本平均數問題
‣ 多個 predictors 同時存在時，各自貢獻多少？ multiple regression、Adjusted R²、overall F、individual t、multicollinearity、parsimony 解釋 holding-other-variables-constant 的係數並精簡模型
‣ 當資料不是直線時，應選哪種曲線？ power、polynomial、exponential、logarithmic、R²、residuals 在 fit 與 simplicity 之間選擇可解釋模型
‣ 分析完成後，如何寫成管理者能使用的報告？ Executive Summary、Methodology、Results、Cross-tab、Conclusions／Recommendations 把分析結果轉成有證據鏈的 decision-oriented report
‣ 哪種 visual 最能回答目前的管理問題？ Bullet、Gantt、Heat Map、Pareto、Pictograph、People Graph、Sparklines、Power BI 依問題選圖，而不是先選圖再硬塞資料
‣ 如何系統化分析文字、訪談、觀察與文件？ saturation、purposeful sampling、coding、themes、intercoder reliability、Excel qualitative analysis 從 raw qualitative data 建立 codes／themes，再形成可信的 business insight

全書分析決策路線

面對一個新的商務問題，可以依序問：

  1. 我要回答什麼問題？ 先定義 outcome、predictors、分析單位與資料尺度。
  2. 資料品質足夠嗎？ 檢查缺漏、極端值、抽樣方式、問卷偏誤與代表性。
  3. 我只需要描述，還是要推論？ 描述用 summary statistics／charts；推論再進入 confidence interval、probability 或 significance testing。
  4. 我要比較差異還是研究關係？ 差異可考慮 t／F／z／χ²；關係可考慮 correlation／regression。
  5. 關係是 linear 嗎？ 先看 scatterplot／residuals，再決定 simple、multiple 或 nonlinear model。
  6. 統計顯著是否等於商務重要？ 不等於；仍需看 effect、magnitude、sample quality、assumptions 與 decision context。
  7. 結果如何交付？ 用適當 visualization、survey report／management report，清楚交代 limitations 與 recommendations。