行銷部企劃 Mia 接到主管交辦，要在下班前完成一份門市銷售分析。她整理好近 6 個月的訂單與門市銷售資料，上傳到 AI 對話框並輸入：「請分析這份門市銷售報表，整理營收、毛利率與各地區業績，並用合適的圖表呈現主要趨勢。」
不到 10 分鐘，AI 整理出每月營收折線圖、各產品線毛利率長條圖，以及各地區業績占比圖。Mia 看過數字，確認加總沒有明顯問題，便把結果轉寄給主管。
隔天，主管只回了一句：「我知道南部業績最高，但哪些門市最需要改善？下個月的行銷預算應該放在哪裡？」
Mia 原本的指令雖然列出要整理的指標，卻沒有說明接下來要做什麼決定，也沒有要求 AI 檢查資料品質及交代判斷依據。因此，AI 的分析容易停在整理數據，只回答「目前發生什麼事」，未必能進一步指出「接下來該關注哪裡」。
要讓 AI 提供更有用的分析，可以在指令中補上 3 個要求：
步驟 1. 先說明要做的決定，請 AI 找出優先處理的門市
分析報表時，我們很容易從「營收最高」「成長最快」開始問。然而，排名只能描述現況，不一定能指出下一步。
如果主管要決定下個月的行銷預算，分析就要進一步回答：哪些門市的關鍵指標正在惡化？問題可能出在哪裡？這些問題是否適合透過行銷資源改善？因此，指令需要先交代這份分析要支援哪項決策，再指定判斷時要比較的指標。
補上決策目的與比較指標後，AI 就能依照主管的需求比較不同指標，進一步找出應優先處理且可能透過行銷資源改善的門市。
步驟 2. 計算之前，先標記資料問題並比較差異
實際整理銷售資料時，常會遇到重複訂單、退款尚未更新、門市名稱寫法不一，或部分欄位空白等情況。
如果指令沒有要求先檢查，AI 可能把這些紀錄一起納入計算，影響門市排名與平均值。
疑似異常的數字不宜直接刪除，一筆金額特別高的訂單，可能是重複紀錄，也可能是正常的大額交易。因此，應該先標記資料問題，再比較保留與排除疑似異常紀錄後，分析結果是否改變。
步驟 3. 區分資料能確認的事、合理推測與待驗證原因
某家門市在促銷期間業績上升，只能說明兩件事同時發生，還不能直接證明促銷帶動了業績。銷售成長也可能來自回購訂單增加、特定產品進入旺季、鄰近門市暫停營業，或競爭品牌調整價格。
如果直接問「A 門市這個月業績上升，是不是因為辦了促銷」，問題已經預設促銷是主要原因，AI 可能順著這個方向解釋，忽略其他可能。
因此，指令要請 AI 區分現有資料可以確認的事、尚未證實的推測，以及需要補充資料才能驗證的假設。現有報表沒有涵蓋的因素，只能列為待驗證假設，不能直接寫成結論。
把分析結果分成不同的證據層次，可以避免 AI 把推測寫成結論，也能讓 Mia 看出目前可以做出哪些判斷，接下來還要補查什麼。
把以上 3 個要求，整合成一份完整指令
以下以門市銷售分析為例，實際使用時，再依手上的資料欄位調整：
這份指令把分析範圍集中在 3 件事：主管準備做什麼決定、資料是否足以支撐判斷，以及哪些結論還需要進一步驗證。
工作上的資料經常有缺漏，數字之間也可能存在多種解釋。想讓 AI 協助分析，指令除了交代任務，還要放入檢查規則與證據界線，才能降低錯誤資料和過度推論帶來的風險。
經理人商管 LAB 推出【2026 Prompt 全攻略】線上課程，協助你把 AI 的回答轉化為工作上真正用得上的成果：
- 精準交付任務： 把模糊的工作需求轉化成明確的目的、判斷條件與執行範圍，減少反覆補充和重做的時間。
- 建立查核規則： 要求 AI 標示資料問題、提供數據依據並說明推論限制，避免把不完整的資訊寫成肯定結論。
- 提高決策溝通效率： 把分析結果整理成主管容易掌握的結論、證據與待確認事項，讓會議時間用在判斷和取捨，不必重新追問數字從哪裡來。
