如何用 AI 將指標轉成管理層摘要，令每個數字都可追溯至事實表

要用 AI 將指標轉成管理層摘要，先界定摘要要支援的決策，凍結一份註明日期的數據快照，並在模型以外計算好每項比較。交給 AI 的應是一份精簡、已核實的事實表，而不是鬆散的試算表；請它整理事實、影響和建議行動，不加入原因。由一名具名覆核人核對每個數字、說明不確定性，並批准最終版本。

這是一項受控的報告任務。如果數字仍需清理或寫公式，先看試算表分析流程；如果主要交付成果是圖表，用數據視覺化流程。較全面的 AI 使用總指南說明了如何界定輸入，並讓人的責任一直清晰可見。

關鍵要點：

• 由管理層受眾和決策出發，而非由現有欄位出發。
• 保留指標定義、來源時間戳記、分母和基準。
• 草擬前獨立計算絕對變化和相對變化。
• 區分觀察到的關聯與已確立的原因。
• 讓不確定性、缺漏和過時數據清晰可見。
• 以具名負責人、下一個檢查點和人工批准作結。

步驟 1：先界定受眾和決策

管理層摘要不是壓縮版儀表板，而是一份簡短、以證據為界的說明：甚麼改變了、對指定決策為何重要、還有甚麼不確定、下一步應做甚麼。寫一段簡報，列明：

1. 目標讀者及其已知情況；
2. 他們須作出的決策或上報；
3. 報告期和比較期；
4. 範圍內的業務單位、產品、人口或地域；
5. 納入摘要的重要性門檻；
6. 負責批准的人。

「下次版本推出應否增加支援人手？」這類問題，比「告訴管理層業績如何」能產生更好的摘要。前者讓你挑選與決策相關的指標；後者助長籠統敘述，容易突出矚目卻無關重要的數字。

英國政府分析職能部門建議作者先確定受眾，說明數據為何重要，並提供背景，而不只是羅列數字。［1］ 在 AI 看到任何數值之前，就要這樣要求自己。

步驟 2：凍結數據快照和指標字典

匯出或查詢一份註明日期的快照，並原樣保存。記錄查詢、篩選、時區、提取時間、來源系統和數據負責人。如果即時儀表板可能修訂歷史數值，就保存摘要所用的那份匯出。日後的讀者必須能重現管理層看到的數字。

在快照旁建立指標字典。為每項指標定義單位、分子、分母、人口、粒度、時間窗口、排除項目、進位規則和負責人。例如「解決率」可以是已解決個案除以同一星期結束的個案，也可以是已解決個案除以當星期新開的個案。兩種定義得出不同數字，絕不可混用。

亦要標示數據新鮮度。「截至星期五 18:00 UTC」比「最新」有用。如果某來源延遲兩天，就保留這個差異，不要強行對齊。關於傳達質素和不確定性的指引，建議說明可能影響詮釋的局限和改動。［2］

步驟 3：使用 AI 前先核實比較值

草擬前先做一次機械式檢查，逐列核對：

• 單位和貨幣；
• 分子和分母；
• 時區和期間邊界；
• 人口、細分和篩選條件；
• 基準定義；
• 缺漏、隱藏或已修訂的數值；
• 重複記錄和遲到數據；
• 新鮮度和已知的收集改動。

步驟 4：獨立計算絕對變化與相對變化

以試算表、查詢或經覆核的腳本，同時計算絕對變化和相對變化。如果一個比率由 2% 升至 3%，絕對變化是 1 個百分點，相對變化是 50%。寫成「上升 50 個百分點」屬嚴重錯誤。把公式或計算儲存格連同證據一併保存。

不要讓 AI 按欄位位置推斷基準，也不要讓它根據文字重新計算關鍵業務數值。模型可以協助解釋已核實的計算，但獲批的數字應來自其他人能夠重現的確定性方法。

要同類比較。有五個週末的月份，未必能直接與四星期的月份比較；人口剛擴大時，原始總數可能誤導。如果季節性、組合或抽樣有變，要麼把比較標準化，要麼說明這項局限。

步驟 5：建立已核實的事實表

把已核實的數據集精簡為每列一項與決策相關的事實。實用範本如下：

指標	目前數值	基準	絕對變化	相對變化	來源與新鮮度	不確定性	負責人
示例：準時完成率	91%	88%	+3 個百分點	+3.4%	OPS-2026-08-29，截至 8 月 28 日	未包括兩個延遲團隊	營運負責人

請以真實識別碼取代示例。如覆核需要，加入狀態欄：已核實、暫定或已排除。只有已核實或清楚標為暫定的列才可進入提示詞。

按與決策的相關性和重要性排序，而不是按看起來有多意外。儀表板指引提醒，有效的呈現需要清晰目的、用戶需要、質素控制和持續的負責人。［3］ 一項變化劇烈卻改變不了決策的指標，或許應放進附錄，而非開首第一段。

保留相反證據。如果數量改善而錯誤率轉差，兩者都要寫。因為某個反向訊號令敘事變複雜就刪掉它，得到的是一份說服性簡報，而不是管理層摘要。

步驟 6：用 AI 將指標轉成管理層摘要時分開事實、影響和行動

提供決策簡報、事實表、詞彙表和嚴格的輸出約定。一個可重用的提示詞是：

為以下受眾和決策草擬管理層摘要。只使用已核實的事實表列。把每個重點分成事實、影響和建議行動。保留單位、期間、不確定性標籤和來源 ID。不要計算新數值、補造目標或推斷因果。如果證據不支持某項影響，寫「需要調查」。開首只寫決策、兩三個重要訊號和所請求的行動。結尾列出負責人和下次覆核日期。

在潤飾文字之前，先請模型交回一份主張記錄：

主張 ID	草稿陳述	支持資料列	陳述類型	信心或限制
C-01	準時完成率提高了 3 個百分點	M-01	事實	未包括兩個延遲團隊

這個中間成果令無根據的添加更易被發現，也防止漂亮的文字掩蓋欠缺的來源。

最終結構可以很短：

1. 決策與標題： 管理層現在需要決定甚麼。
2. 重要事實： 兩至四項附基準的已核實變化。
3. 影響： 這些事實可能代表甚麼，以及其限度。
4. 行動： 負責人、限期和成功檢驗。
5. 不確定性與下一個檢查點： 欠缺的證據及何時更新。

步驟 7：覆核因果、不確定性和批准

逐句閱讀，把每句標為事實、詮釋、建議或未知。事實應可對應到某一列；證據屬觀察性質時，詮釋應使用審慎字眼；建議必須寫明決策負責人，而不是暗示由 AI 授權。

除非有合適的分析確立了因果關係，否則替換「因為」「導致」「造成」這類因果字眼。「人手調整後，回應時間有所改善」描述的是先後次序；「人手調整帶來了改善」是需要證據的更強主張。因果陳述應由指標負責人或分析員批准。

令不確定性與實際相稱，既不要虛假的精確，也不要含糊的免責字句。說明哪些內容不完整、可能如何影響結論，以及怎樣補齊。例如：「轉換估算未包括兩個延遲地區；在現有地區中方向穩定，完整數據星期二更新。」

NIST 的生成式 AI 風險概況把虛構、資料私隱、資訊完整性和人工監督列為機構應在整個生命周期管理的風險。［4］ 在本流程中，這代表限制輸入、保存證據、檢驗主張，並由責任人批准，最終權力留在負責的人手上。

逐行執行批准檢查

分發前，由熟悉這些數據的覆核人檢查：

• 每個數值與凍結快照是否一致；
• 每個基準、百分比、單位和期間；
• 每個來源 ID 和新鮮度說明；
• 排除項目和缺漏數據是否可見；
• 有否把觀察呈現為原因；
• 行動是否有具名負責人和切實的日期；
• 有否不必要地納入機密或個人資料；
• 批准版本是否註明日期並控制存取。

外部說法使用事實核查流程。如果源材料主要是定性筆記，筆記轉報告流程是較好的起點。

把摘要和事實表一併編版本。如果批准後某項指標有變，就建立新版本並註明差異；不要悄悄替換一份已分發決策背後的證據。

請一位沒有參與分析的讀者測試草稿。請他指出所請求的決策、覆述兩個最重要的訊號、找出每項限定說明，並在沒有額外解釋下說出下一步行動。如果做不到，就調整結構，而不是加入更多指標。當專業人員已熟悉定義、不再察覺未解釋的術語時，這種理解測試尤其有用。

管理層摘要結構示例

使用這個精簡框架，但不要照抄示例事實：

所請求的決策： 於 [date] 前批准或否決擬議行動。

改變內容： [Metric M-01] 在 [period] 由 [baseline] 變為 [current]；[caveat]。[Metric M-02] 維持在 [range] 之內。

為何重要： 已核實的變化影響 [decision criterion]。證據尚未確立 [suspected cause]。

擬議行動： [Owner] 將於 [date] 前 [action]，須經 [approver] 批准。

下一個檢查點： 於 [date] 更新 [missing or provisional source]，並重新評估 [threshold]。

這個格式刻意保持簡短。為方便審計，附上或連結事實表；不要把定義和限定說明藏在看不見的提示詞上下文中。

常見問題

可以直接讓 AI 摘要整份試算表嗎？

它可以協助，但要先核實公式、定義、篩選條件和比較。撰寫管理層摘要時，提供一份經覆核的事實表，以免模型在無人察覺下選錯分母或基準。

摘要應包括多少項指標？

只包括指定決策所需的指標。開首通常放兩至四個重要訊號；支援性指標可留在附帶的事實表。

是否同時寫絕對和相對變化？

兩者都有助詮釋時，通常應同時寫。把百分點與百分比變化分開標示，並保留所用的計算。

AI 能解釋指標為何變化嗎？

只有在獲批證據支持該解釋時才可以。否則，請它列出假設或調查問題，並清楚標為未核實。

缺失或過時數據怎樣處理？

標示新鮮度和缺漏情況，說明可能的影響，並訂下更新日期。不要讓 AI 悄悄填補缺漏數值。

如何避免摘要過度樂觀？

要求列出所有重要的反向訊號，使用主張記錄，並讓指標負責人既覆核納入了甚麼，也覆核排除了甚麼。

誰應批准摘要？

至少應由數據或指標負責人核對數字，由負責決策的人批准影響和行動。涉及法律、財務、私隱、安全或受規管的內容，或需額外覆核。

可以把機密指標上載到公共 AI 服務嗎？

不可以。遵守機構有關獲批工具、存取、保留和資料處理的規定。盡量減少輸入，受限材料只在獲授權的環境處理。

來源

1. Government Analysis Function, Writing about statistics — https://analysisfunction.civilservice.gov.uk/policy-store/writing-about-statistics-2/
2. Government Analysis Function, Communicating quality, uncertainty and change — https://analysisfunction.civilservice.gov.uk/policy-store/communicating-quality-uncertainty-and-change/
3. Government Analysis Function, Data visualisation: building and managing dashboards — https://analysisfunction.civilservice.gov.uk/policy-store/data-visualisation-building-and-managing-dashboards/
4. NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

Sources checked 2026 年 8 月 29 日。