資料清理是使用試算表時最不起眼的部分，也是 AI 最能實際自動化的部分，因為這些工作範圍狹窄、重複性高，而且以規則為基礎：移除重複項目、標準化格式、修剪多餘空白，以及標記不一致的項目。這些正是定義明確的問題，AI 能可靠地勝過手動處理，而且不會有 AI 在更具創意或需要較多判斷的試算表工作中容易遇到的模糊性。
AI 能可靠處理的資料清理工作
| 工作 | AI 為何能妥善處理這項工作 |
|---|---|
| 移除重複列 | 以規則為基礎的比較；設定條件後，哪些項目算是重複項目就不再有歧義 |
| 標準化文字大小寫和格式 | 在幾秒內將一致的模式套用到數千列 |
| 修剪空白字元和隱藏字元 | 這是手動執行很繁瑣，但對公式或指令碼來說很簡單的機械式修正 |
| 拆分合併欄位（將全名拆成名字和姓氏） | 結構化文字的模式辨識，是 AI 最強大的狹義應用案例之一 |
| 標記不一致的項目以供審查 | 將值與預期模式進行比較，並找出異常值供人工檢查 |
仍應仔細檢查輸出的地方
- 模糊重複項目偵測。「John Smith」和「Jon Smith」可能是同一個人，也可能不是。AI 可以將這類項目標記為可能重複，但不應在沒有人工審查步驟的情況下自動合併。
- 模稜兩可的標準化規則。如果你的資料因為實際原因而存在不一致的格式（例如不同國家的地址格式），一體適用的清理規則可能會遺失重要資訊。
- 不可逆的變更。執行大量清理操作前，請務必使用副本或保留備份，因為套用到錯誤欄位或搭配錯誤規則的 AI 修正可能很難復原。
實用的清理工作流程
- 先複製一份試算表。大量操作絕不應該在唯一一份資料上執行。
- 描述你看到的具體不一致之處。「有些電話號碼有連字號，有些沒有」比「清理這些資料」更容易得到有效修正。
- 自動套用修正前，先審查遭標記的項目。 尤其是涉及模糊比對，或需要判斷哪些項目算是重複或無效的情況。
- 清理完成後，抽查一小部分資料。 快速手動檢查 10-20 列，就能在錯誤進一步擴散前找出大多數系統性錯誤。
延伸閱讀：Google 試算表中的 AI：外掛程式能做什麼、不能做什麼。另請參閱 ChatGPT 能寫 Excel 公式嗎？。
常見問題
AI 能在不經審查的情況下自動移除重複列嗎？
對於完全相同的重複資料，可以，這適合自動化處理。對於模糊或近似重複資料（相似但不完全相同的項目），務必在合併或刪除前審查，因為 AI 可能會誤判哪些項目實際上相同。
AI 資料清理對財務或客戶資料安全嗎？
無論資料類型為何，都應先在副本上操作。對於敏感資料，還應確認你使用的工具或服務，以及處理過程中資料是否會離開你的系統。
AI 輔助的資料清理實際上能節省多少時間？
對於格式標準化和大型資料集中的重複資料偵測等重複性高、定義明確的任務，節省的時間相當可觀；原本手動需要數小時的工作，使用正確的公式或指令碼通常只需幾分鐘。
AI 能清理以前從未見過的資料嗎？
可以，對於常見問題類型（格式、重複資料、空白字元）而言，這種方法的通用性很高。業務特有且真正不尋常的資料品質問題，可能需要比通用清理公式更量身打造的修正方式。
使用 AI 自動清理試算表時，最大的風險是什麼？
未先審查就套用批次修正，尤其是可能在不知不覺中遺失資訊的模糊比對或標準化規則。務必保留備份並抽查結果。
重點
資料清理是 AI 在試算表中最強大、風險最低的應用案例之一：任務範圍明確、以規則為基礎且重複性高，正是 AI 能可靠處理的工作。請留意模糊比對和含糊的標準化規則，務必先在副本上操作，並在信任批次清理重要資料前抽查輸出結果。
在 KissMySkills 的 Claude 技能合集 中瀏覽所有商務與生產力技能。