歡迎來到「數據彙總與分析」單元！

在你成為管理會計師的旅程中，你經常會接觸到堆積如山的原始數據。單看這些數字，它們不過是無意義的「噪音」。為了做出精明的商業決策——例如編製預算或決定推出哪款產品——你需要將這些噪音轉化為清晰的資訊故事。本章將介紹我們用來將數據濃縮為有效資訊的工具。

如果你覺得自己「對數學不在行」，別擔心！我們將會把這些概念拆解成任何人都能掌握的簡單生活邏輯！

1. 集中趨勢測量：尋找「中間值」

當我們觀察一組數據時，通常希望找到一個能代表整個群體的數值，這稱為「集中趨勢」。找出它的主要方法有三種：

A. 平均數 (Mean / Arithmetic Average)

平均數就是大眾平時所說的「平均值」。將所有數值相加，然後除以項目的總個數。

公式： \(\bar{x} = \frac{\sum x}{n}\)

例子： 如果有三位員工分別生產了 10、15 和 20 件產品，平均數為：\((10 + 15 + 20) / 3 = 15\) 件。
優點： 使用了數據中的每一個數值。
缺點： 容易受到「離群值」(Outliers，即遠高於或遠低於其他數值的數據) 的干擾。試想像房內有五個賺取 20,000 英鎊的人，加上一位億萬富翁——即使大部份人都不富有，但「平均」薪資看起來會非常高！

B. 中位數 (Median)

當數據按順序排列時，位於最正中央的那個數值就是中位數。

例子： 數據 3, 7, 10, 15, 20，中位數為 10。
常見錯誤： 記住，在尋找中位數之前，必須先把數字按由小到大排列！如果項目總數為偶數，中位數則是中間兩個數字的平均值。

C. 眾數 (Mode)

眾數就是列表中出現頻率最高的數值。

例子： 在數據 5, 8, 8, 10, 12 中，眾數是 8。
你知道嗎？ 一組數據可能沒有眾數、只有一個眾數，甚至可能出現兩個眾數 (雙眾數)！

快速記憶法：
• Mean (平均數)：英文 Mean 有「刻薄/吝嗇」之意，聯想它需要你做最繁瑣的數學計算。
• Median (中位數)：就像路中央的「安全島」(Median strip)。
• Mode (眾數)：開頭是 MO，聯想 MOst frequent (出現頻率最高)。

重點總結： 平均數適用於一般計算，但如果你的數據包含極端的高值或低值（離群值），中位數會是更準確的代表，因為它不會被極端值「拉偏」。

2. 離散程度測量：數據有多「分散」？

只知道平均值是不夠的。想像一條「平均深度」為 4 英尺的河流。你可能會覺得涉水過河很安全，但如果其中一段深 1 英尺，另一段卻深 7 英尺，那你就麻煩大了！離散程度 (Dispersion) 正是用來告訴我們數據偏離平均值的程度。

A. 全距 (Range)

最簡單的衡量方式，即最大值與最小值之間的差額。
公式： \(Range = \text{最高值} - \text{最低值}\)
例子： 如果最高銷售額的日子是 500 英鎊，最低是 100 英鎊，全距就是 400 英鎊。

B. 標準差 (Standard Deviation, \(\sigma\))

這是管理會計中一個非常重要的概念，用來衡量數據點距離平均值的「平均距離」。
• 標準差小：代表數據非常貼近平均值（穩定/一致）。
• 標準差大：代表數據分佈很廣（不可預測/風險高）。

公式： \(\sigma = \sqrt{\frac{\sum (x - \bar{x})^2}{n}}\)
(別慌！在考試中，你通常只需要理解它的含義或執行簡單的步驟。它是變異數 (Variance) 的平方根。)

C. 變異係數 (Coefficient of Variation)

有時我們需要比較兩項不同事物（例如兩台不同機器）的風險。變異係數通過將標準差與平均值進行比較來計算。
公式： \( \frac{\text{標準差}}{\text{平均值}} \times 100 \)
這會得出一個百分比。百分比越高，代表「相對風險」越高。

快速複習：
• 全距： 簡單易懂，但易受極端值影響。
• 標準差： 衡量風險與一致性的「黃金標準」。
• 變異數： 標準差的平方 (\(\sigma^2\))。

3. 期望值 (Expected Values)：計算「平均」的未來

在管理會計中，我們經常需要預測未來。由於我們沒有水晶球，我們會運用機率來計算「期望值」(EV)。

公式： \(EV = \sum px\)
(其中 \(p\) 是機率，\(x\) 是結果)。

逐步計算：
1. 將每個可能的結果乘以其對應的機率。
2. 將所有結果加總。
例子： 一個項目有 60% 的機率賺取 10,000 英鎊，有 40% 的機率賺取 5,000 英鎊。
• \(0.60 \times 10,000 = 6,000\)
• \(0.40 \times 5,000 = 2,000\)
• 期望值： \(6,000 + 2,000 = 8,000\)。

重要提示： 期望值 8,000 英鎊可能永遠不會發生！實際上你只會賺到 10,000 或 5,000 英鎊。期望值僅僅是如果你重複進行該項目多次後的「長期平均值」。

重點總結： 期望值透過提供所有可能結果的加權平均，協助經理人在不確定情況下做出決策。

4. 常態分佈：鐘形曲線 (Bell Curve)

商業中的許多事物，例如一袋糖的重量或組裝產品所需的時間，都遵循「常態分佈」。

常態分佈的特性：
• 它是對稱的（看起來像個鐘）。
• 平均數、中位數和眾數都在正中央。
• 曲線下的總面積代表 100%（或 1.0 的機率）。

「標準」規則：
• 約 68% 的數據落於平均值正負 1 個標準差範圍內。
• 約 95% 的數據落於平均值正負 2 個標準差範圍內。
• 約 99.7% 的數據落於平均值正負 3 個標準差範圍內。

類比： 想像一台咖啡機，目標設定為 250ml。大多數咖啡都會非常接近 250ml（中間）。少數會是 248ml 或 252ml。極少情況下，可能會倒出 240ml。這種圍繞目標「聚類」的現象，就是鐘形曲線的應用！

小撇步： 如果考題問到「95% 置信度 (confidence)」，通常指的就是涵蓋平均值兩側各 2 個標準差的範圍。

5. 總結與最後的建議

你已經掌握了數據分析的核心！這裡有一份清單，提醒你需要記住的重點：

1. 集中趨勢： 平均數用於總量，中位數用於偏態數據，眾數用於識別流行度。
2. 離散程度： 使用標準差衡量風險，高 \(\sigma\) = 高不確定性。
3. 變異係數： 用於比較兩個平均值不同的數據集。
4. 期望值： 將結果乘以機率並加總，這是一種「加權平均」。
5. 常態分佈： 記住「鐘形曲線」，以及絕大多數數據都集中在平均值附近。

最後鼓勵： 數據分析聽起來可能很抽象，但請記住，每一個 \(x\) 和每一個 \(p\) 都代表現實世界中的商業事件。堅持練習這些公式，很快它們就會成為你的第二天性。你一定能做到！