📊 來料品質異常迴歸分析

AI 提示詞工具｜數據分析與企業決策課程臨摹案例

羅懷鈞教授「數據分析與企業決策」｜100 批次樣本數據｜OLS 多元迴歸

🤖

首頁｜AI 提示詞（複製貼上即用）

以下三組提示詞，分別對應「完整分析流程」「數據解讀」「決策建議」三個階段。點擊「複製」後貼到 ChatGPT / Gemini / Kimi 即可使用。

提示詞 01

🎯 完整分析流程提示詞

你是一位「來料品質異常迴歸分析專家」，具備管理科學與品管實務雙重背景。我將提供 100 批次來料數據，請依照以下六步驟執行完整分析，並輸出繁體中文報告：【步驟一：問題定義】 - 因變數 Y = 來料品質異常率(%) - 自變數 X₁=物料精密等級(1-10分)、X₂=供應商自檢合格率(%)、X₃=加急訂單佔比(%)、X₄=進料抽樣比例(%)、X₅=檢驗人員熟練度(1-10分) - 說明分析目的：找出影響異常率的關鍵因子，提供可量化的決策建議【步驟二：敘述統計】 - 計算各變數的均值、標準差、最小值、最大值 - 將異常率前20%與後20%分組，比較五項因子的差異 - 標註關鍵發現【步驟三：相關分析】 - 計算皮爾森相關係數矩陣 - 標註與 Y 相關性最強的因子（|r|>0.5 為強相關） - 解讀方向（正相關/負相關）【步驟四：迴歸建模】 - 建立 OLS 多元線性迴歸模型 - 輸出迴歸方程、R²、調整後 R² - 計算標準化迴歸係數（Beta），排序影響力 - 檢查模型顯著性（F-test、p-value）【步驟五：情境模擬】 - 情境A：現行平均參數，預測異常率 - 情境B：優化目標（例如自檢合格率提升4%、加急佔比降低7%），預測異常率與降幅 - 計算年度報廢成本節省金額（假設來料總值5000萬、報廢成本率15%）【步驟六：決策建議】 - 依影響力排序，給出三項優先行動 - 每項行動需包含：具體做法、預期效果、負責單位、ROI估算 - 結論用一句話總結：「源頭管理優於末端檢驗」請使用專業但易懂的語氣，所有數字標註單位，表格使用 Markdown 格式。

提示詞 02

📈 數據解讀與圖表生成

你是一位數據視覺化專家。請根據以下 100 批次來料數據，生成分析並繪製圖表：【要求】 1. 繪製五個散點圖（每個自變數 vs 異常率），含迴歸線與相關係數標註 2. 繪製高低異常率分組的箱型圖比較 3. 繪製相關係數熱力圖 4. 所有圖表使用統一配色：深藍 #1e3a5f、暖橙 #e76f51、淺灰底 #f8f9fa 5. 中文字型清晰，圖表標題與軸標籤使用繁體中文【輸出格式】 - 先給文字分析（各因子與異常率的關係解讀） - 再給圖表（使用 ASCII 或文字模擬圖表，若環境支援則生成圖片連結） - 最後給「一張圖看懂」的總結

提示詞 03

💡 決策建議與簡報生成

你是一位管理顧問，專精於 Evidence-Based Management。請根據以下迴歸分析結果，生成一份「給老闆看的決策簡報」：【簡報結構】 1. 封面：來料品質異常因素分析｜迴歸決策建議 2. 問題背景：為什麼要做這個分析（3行內） 3. 關鍵發現：只講三個數字（最強因子、R²、預測降幅） 4. 三個選項： - 選項A：積極方案（投入最大、效果最好） - 選項B：平衡方案（60/40資源配置） - 選項C：保守方案（最小投入、局部改善） 5. 推薦方案：選項B，說明理由（風險、成本、時間三面向） 6. 行動計畫：具體KPI、負責人、時程、預算 7. 風險提示：模型限制、未納入因子、情境變化【語氣要求】 - 結論先行，每頁一個核心訊息 - 用「調整A、降低B、省下C」的句式 - 拒絕空泛形容詞，所有論點有數字支撐 - 繁體中文，專業簡潔

🧮

迴歸方程與模型摘要

OLS 多元線性迴歸模型

Y = 24.57 − 0.20·X₁ − 0.17·X₂ + 0.04·X₃ − 0.02·X₄ − 0.12·X₅

R² = 0.721（調整後 R² = 0.706）｜樣本數 n = 100 批次

影響力排序：自檢合格率(|β|=0.66) > 精密等級(0.30) > 加急佔比(0.34) > 熟練度(0.20) > 抽樣比例(0.14)

📋

次頁｜100 批次練習數據（複製貼上即可使用）

以下為本次臨摹案例的完整樣本數據。點擊「複製全部」可一次性複製 CSV 格式，貼到 Excel / Google Sheets / AI 對話框練習。

批次	異常率(%)	精密等級	自檢合格率(%)	加急佔比(%)	抽樣比例(%)	熟練度
#001	6.07	9.1	90.3	33.6	36.1	9.8
#002	8.0	7.8	90.4	42.9	35.7	5.5
#003	6.85	6.5	92.4	21.6	30.9	7.2
#004	8.0	6.6	91.6	26.9	20.0	6.6
#005	8.0	8.1	84.4	20.2	28.8	7.3
#006	6.63	8.4	93.9	33.0	41.9	6.3
#007	8.0	3.1	87.5	33.8	31.1	8.0
#008	7.76	4.9	84.3	5.0	27.6	7.8
#009	7.54	7.4	91.4	28.6	26.1	4.8
#010	8.0	6.9	89.5	15.1	19.3	5.6
#011	8.0	8.3	87.8	34.1	31.5	5.3
#012	7.2	9.1	88.2	12.8	45.0	7.1
#013	7.08	4.7	93.2	26.7	25.3	7.3
#014	7.53	6.4	89.9	22.3	27.8	8.3
#015	6.52	8.5	89.4	17.6	33.7	8.2
#016	5.36	8.0	90.8	11.6	20.1	7.6
#017	8.0	6.2	85.4	11.7	34.1	7.2
#018	7.48	6.5	90.3	19.7	30.0	7.4
#019	7.49	8.1	89.1	18.1	21.7	8.6
#020	8.0	5.7	92.8	40.8	30.2	5.0
#021	6.95	7.1	90.4	22.5	41.6	6.0
#022	5.4	8.8	96.6	29.8	26.7	4.8
#023	6.36	4.7	92.1	14.8	20.2	10.0
#024	6.82	4.7	90.6	15.2	34.9	7.4
#025	7.26	8.2	87.8	17.0	23.8	6.0
#026	8.0	5.6	86.1	26.9	36.9	4.2
#027	8.0	6.3	86.7	19.5	27.9	5.1
#028	6.17	4.7	96.2	16.3	38.4	6.2
#029	7.16	6.3	91.9	27.2	29.0	8.8
#030	6.57	7.7	88.7	18.0	25.1	8.9
#031	5.11	7.8	94.5	18.4	31.8	8.6
#032	8.0	7.9	82.8	11.9	28.5	6.6
#033	8.0	4.8	86.9	18.9	22.4	5.4
#034	7.18	6.2	89.3	17.1	29.1	9.3
#035	8.0	5.8	80.9	15.1	21.9	7.7
#036	6.64	6.6	95.7	26.8	19.5	6.8
#037	5.97	8.4	95.2	20.7	30.9	6.3
#038	7.76	7.3	88.2	26.3	30.3	8.1
#039	8.0	6.6	90.2	35.4	40.0	5.7
#040	8.0	7.1	89.3	33.2	23.0	5.8
#041	5.46	8.2	94.6	7.7	30.0	6.3
#042	7.1	6.8	93.1	25.0	23.4	8.9
#043	6.28	7.6	90.2	17.0	35.5	6.9
#044	5.19	6.3	98.0	22.6	35.1	7.9
#045	8.0	6.9	86.7	32.9	32.1	9.1
#046	8.0	6.3	88.6	26.9	42.7	6.0
#047	7.01	7.9	91.8	22.5	39.0	5.5
#048	7.6	6.9	91.3	22.3	26.7	4.6
#049	8.0	5.0	92.4	24.1	34.2	4.7
#050	8.0	5.3	89.8	10.8	27.9	8.2
#051	7.31	6.3	93.8	22.6	30.5	7.5
#052	6.85	7.0	93.4	34.2	23.1	9.1
#053	6.6	9.3	93.4	17.0	29.7	6.0
#054	7.3	7.6	90.9	23.9	40.9	4.7
#055	8.0	6.0	93.9	34.6	25.2	5.4
#056	8.0	8.1	87.9	41.6	19.4	8.0
#057	5.72	8.5	95.6	5.0	27.4	5.8
#058	7.81	6.8	91.5	20.6	29.5	5.7
#059	6.06	8.2	92.3	15.2	30.6	5.3
#060	8.0	5.1	84.9	17.7	25.6	7.3
#061	8.0	9.3	85.0	35.6	26.7	7.9
#062	8.0	5.7	85.6	24.2	41.4	6.8
#063	6.65	7.2	95.0	23.3	33.9	4.9
#064	7.69	4.7	88.7	15.6	30.2	5.2
#065	8.0	7.4	86.9	35.3	27.4	8.5
#066	7.28	7.8	90.6	18.2	18.0	7.2
#067	8.0	3.5	81.2	21.6	42.9	6.2
#068	6.86	6.8	98.0	27.5	25.7	5.0
#069	5.9	6.0	95.7	20.6	27.0	7.0
#070	7.75	7.5	89.8	25.6	41.3	9.1
#071	7.77	4.7	89.2	22.3	35.0	5.7
#072	6.18	9.5	92.0	22.0	33.3	6.3
#073	7.64	6.6	91.5	12.5	19.9	6.8
#074	6.63	6.4	91.2	21.7	32.3	5.0
#075	8.0	5.5	89.7	45.8	25.4	8.5
#076	5.37	8.2	92.2	20.1	44.1	8.4
#077	6.29	9.0	90.8	19.5	30.8	4.0
#078	7.49	5.0	88.7	25.4	35.4	7.5
#079	8.0	6.1	88.0	24.6	30.3	4.0
#080	4.37	8.1	93.8	15.2	38.9	7.2
#081	6.58	7.5	90.3	18.1	31.7	8.5
#082	8.0	5.7	89.8	16.8	21.8	7.4
#083	8.0	7.1	87.2	23.4	15.2	6.4
#084	6.97	8.2	88.4	10.3	31.0	8.7
#085	8.0	5.5	89.4	27.1	24.4	6.5
#086	7.45	7.5	89.2	20.2	43.3	4.9
#087	7.42	8.3	91.2	24.7	37.1	6.8
#088	7.02	6.9	90.6	22.6	31.1	5.8
#089	8.0	5.9	89.7	24.3	37.3	6.2
#090	7.01	7.6	89.1	11.9	25.7	10.0
#091	8.0	6.2	89.4	31.4	15.0	6.7
#092	5.92	10.0	93.6	26.3	25.7	4.3
#093	8.0	5.4	89.7	14.5	32.1	7.1
#094	5.78	7.3	96.5	16.2	17.7	5.2
#095	4.22	8.8	93.9	5.0	29.3	9.7
#096	8.0	6.2	86.4	21.4	34.5	4.4
#097	8.0	5.1	86.4	21.5	22.2	7.4
#098	6.41	5.3	97.7	27.6	31.0	7.7
#099	7.97	5.6	86.4	5.0	34.5	7.6
#100	8.0	6.0	82.0	5.0	28.7	6.9

📖

使用說明

Step 1：點擊上方「複製提示詞」，將提示詞貼到 ChatGPT / Gemini / Kimi。

Step 2：回到此頁面，點擊「複製全部 CSV 格式」，將 100 批次數據貼給 AI。

Step 3：AI 會自動執行六步驟分析，輸出完整報告、圖表與決策建議。

Step 4：對照本文的「三個決策場景」，驗證 AI 的分析結果是否合理。

💡 小提示：若 AI 環境不支援表格貼上，可改貼「批次 #001 異常率 6.07% 精密等級 9.1...」的純文字描述，效果相同。

✍️ 關於作者

石頭哥｜27年科技業主管．教育部部定大專院校講師．職涯專欄作家．元智大學DBA 博士生

研究學習：生態系競爭策略｜社會資本｜組織變革
建構：AI × 文獻探討 × 原子句耦合框架

「相信每個人心中都有一道光；點亮它，人自然會前進。這也是撰寫中的《擴容》這本書的核心——帶你把職場傷痕煉就成領導力。」

📍 方格子寫作平台 🛠️ GitHub 開源倉庫 📮 我想說說話