決策支援系統跟 BI 報表差在哪？中小企業先做報表、儀表板還是試算

作者｜瞻新資訊　張安邦執行長（台大醫工背景・十年以上IT服務公司創辦人）

老闆在週會上問了一句：「如果下個月全面漲價 5%，公司是多賺還是少賺？」會議室安靜了幾秒。財務說要先確認上個月的毛利，業務說他手上的出貨表跟倉管的對不起來，最後的結論是「下週再報告」。

很多公司在這種時候會想：是不是該做一套決策支援系統，或者買一套 BI、弄個戰情室？

先講答案。報表和儀表板回答的是「發生了什麼」，決策支援系統多做一步，讓你先試算「如果這樣改，結果會怎樣」。 可是上面那場會議卡住的地方不在試算，在更前面：上個月的毛利到底是多少，沒有人說得準。多數中小企業該先把報表這一層做對，再往上補。 這篇把資料、報表、儀表板、試算、建議這幾層各自在回答什麼講清楚，再給一套判斷自己該做到哪一層的方法。

決策支援系統在做什麼：把資料和算式接起來，讓人先試算再決定

一句話定義：決策支援系統（Decision Support System，簡稱 DSS）是幫人做決定的資訊系統。它把資料整理好、把算式準備好，讓你可以換不同的條件試算，最後的決定還是人來下。

這個詞不新。研究決策支援系統歷史的 D. J. Power 教授整理過，它最早出現在 Gorry 與 Scott Morton 1971 年的文章。兩位作者認為，當時的管理資訊系統主要在處理有固定作法的決策；沒有標準答案、要靠人判斷的那些決策，需要另一種系統來支援，他們把它叫做決策支援系統。

拿導航來比。導航 App 不會替你決定要去哪裡，也不會逼你走哪一條路。它做三件事：手上有地圖和路況（資料），會算每條路要開多久（算式），還給你一個畫面，讓你改條件再算一次，像是「避開收費路段」「晚一小時出發」（操作介面）。你看完幾個選項，自己挑。

決策支援系統的三個零件正好就是這三樣。資訊系統學者 Ralph Sprague 在 1980 年把它歸納成資料、模型、對話介面三塊；喬治亞大學的 Hugh Watson 在 2018 年回顧這套架構的論文裡說，它的核心到了商業智慧與大數據分析的年代仍然適用。

「模型」聽起來很學術，其實就是把幾個數字之間的關係寫成算式。「毛利等於售價減成本，再乘上賣出的數量」就是一個模型。

決策支援系統跟一般報表最大的不同，是它裡面有算式，而且算式的條件可以讓你自己改。 只能看、不能改條件重算的，是報表。

決策支援系統不替你做決定，它讓你在下決定之前，先看到每個選項會帶來什麼結果。

決策支援系統跟 BI 報表、儀表板差在哪：四層各回答一個問題

先把名詞對齊。BI 是商業智慧（Business Intelligence）的縮寫。照 Power 的整理，這個詞是 1989 年由顧問公司 Gartner 的分析師 Howard Dresner 推廣開來的，泛指用事實資料幫助商業決策的一整套觀念與方法。在學術分類裡，BI 系統一般被歸在「資料驅動」的決策支援系統；另外還有一支「模型驅動」的，重點在財務、最佳化或模擬的算式。

照學術的講法，BI 是決策支援系統這個大家族的一員。但你在市面上聽到的 BI，多半指的是報表與儀表板工具。這篇採用市面上的說法，並且把「能改條件試算」的那一塊單獨叫做決策支援，這樣比較好判斷錢要花在哪裡。

分的方法很簡單：看它回答哪一種問題。哈佛商學院線上學習部門的一篇教學文章，把資料分析分成四種，各回答一個問題：發生了什麼、為什麼會這樣、之後可能會怎樣、接下來該怎麼做。把這幾個問題疊起來，剛好是四層樓：

用一家賣五金零件的公司來看（這是假設的例子）：

• 報表告訴你：上個月出了幾顆、毛利多少。
• 儀表板告訴你：今天接了幾張單，哪幾項庫存已經低於安全量。
• 決策支援讓你試：如果漲價 5%，出貨量掉多少以內都還划算。
• 建議則是系統直接提醒：這三項該補貨了，各訂多少。

這四層是照「回答哪一種問題」分的，跟技術高低沒有關係。 一樓在回顧，二樓在盯現況，三樓在比較還沒發生的選項，四樓在替你出主意。

一樓和二樓最容易被混在一起講，可以借工具的定義來分。Power BI 的官方說明把儀表板定義成只有一頁的畫布：因為只有一頁，設計得好的儀表板只放最重要的東西，還可以設定條件，數字一超過就發信提醒。報表則可以有很多頁，能篩選，也能一路查到明細。換成白話，儀表板是用來瞄一眼的，報表是用來查清楚的。

還有一件事表格沒寫出來：樓要一層一層蓋，下面那層沒蓋好，上面那層蓋了也沒人敢用。 接下來兩節講每一層的前提。

報表與儀表板的前提：資料集中、口徑一致、有人負責

報表層看起來最不起眼，卻是最常沒做好的一層。它要三個前提。

先講資料要集中。 訂單在 ERP，收款在會計軟體，客戶聯絡紀錄在業務自己的 Excel，退貨寫在 LINE 群組裡。資料散成這樣，每一份報表都得靠人去四個地方複製貼上。這種各部門各有一份、兜不起來的狀況怎麼形成、怎麼盤點，資訊管理系統在管什麼那一篇有完整的說明；如果公司的主要資料還放在共用的 Excel 裡，可以先看什麼時候該從 Excel 換成資料庫。

再來是口徑要一致。 口徑的意思是「同一個名詞，全公司用同一種算法」。營收是開出訂單就算，還是收到錢才算？含不含稅？退貨和折讓扣掉了沒？業務、財務、老闆心裡各有一個答案，三個人拿出來的數字就會不一樣，而且三個人都沒有算錯。

這種情況很普遍，連工具商自己的文件都把它列為要先處理的事：微軟在說明怎麼讓 Power BI 內建的 AI 助理答得準時舉了一個例子，使用者問「銷售表現如何？」，這句話可能指營收、訂單量、成長或利潤率，要先定義預設指的是哪一個。文件還寫明，資料模型本身的問題，沒辦法靠多下幾句指令來修正。口徑沒有先講好，換再厲害的工具，問出來的還是三個不同的答案。

最後，每個數字要有人負責。 這個數字誰算的、多久更新一次、發現不對要找誰。沒有人負責的數字，過三個月就沒有人敢引用。

💡 小提醒

口徑不必寫成厚厚一本。一張表、五個欄位就夠起步：指標名稱、算法（含哪些、不含哪些）、資料從哪個系統來、多久更新一次、誰負責。先寫老闆每週一定會問的那五到十個數字。

儀表板在這之上多一個前提：資料要能自動更新。報表可以月底由人整理一次；儀表板如果還要人每天手動貼資料，撐不過兩個星期。至於要多即時，看那件事多久需要反應一次。庫存和接單可能要每小時看，毛利一個月看一次就夠。儀表板不是越即時越好，決定多久做一次，資料就多久更新一次。

決策支援的試算多了什麼前提：一條講得清楚的算式

到了三樓，多出來的東西只有一樣：算式。

回到開頭那個問題。假設這家五金零件公司有一項主力商品，一顆賣 80 元，進貨成本 56 元，每個月出 5,000 顆。算式是：

每月毛利 ＝（售價 − 進貨成本）× 出貨量

現在每顆賺 24 元，每月毛利是 24 × 5,000 ＝ 120,000。漲價 5% 之後一顆賣 84 元，每顆賺 28 元。問題變成：出貨量掉到多少，毛利才會比現在少？把 120,000 除以 28，答案大約是 4,286 顆。也就是說，漲價 5% 之後，只要每個月少賣的量不超過一成四左右，毛利就不會比原來差。 少賣一成，毛利反而多出 6,000；少賣一成五，才會少 1,000。

這就是試算。它沒有告訴你客人會不會跑，它告訴你的是「客人跑掉多少以內，這個決定還站得住」。老闆要判斷的事，從「漲價好不好」縮小成「客人會不會因為 5% 跑掉超過一成四」。後面這一題，業務通常答得出來。

這個例子順便說明了三件事。

試算不需要大數據。 上面只用了三個數字。Power 教授對模型驅動的決策支援系統的描述就是這樣：用有限的資料和決策者提供的參數來分析情況，一般不需要大型的資料庫。中小企業做不了試算，原因很少是資料不夠多。

但是那三個數字要可信。 進貨成本 56 元是不是真的？運費算進去了沒？出貨 5,000 顆是訂單數還是實際出貨數？這些都來自一樓的報表。報表不準，試算只是把錯的數字算得更精細。

假設要寫出來。 「客人會跑掉多少」是假設，不是資料。好的試算會把假設放在看得到、改得動的地方，讓開會的人可以當場換一個數字再算一次。把假設藏在公式深處的試算表，只有做表的人看得懂。

至於四樓的「建議」，可以想成把三樓的算式再加上一條規則，讓系統自己執行：庫存低於安全量就提醒補貨，報價低於成本就擋下來。一個判斷如果條件講得清楚、每次都該得到同樣的結果，就值得寫成規則交給系統；要看情況的，留在三樓讓人試算後決定。 哪些判斷適合寫成規則、哪些該交給機器學習或語言模型，專家系統那一篇有完整的分法，這裡不重複。

決策支援系統的三種冤枉錢：跳過報表，先做戰情室、預測或買整套平台

樓層搞錯，錢通常是這樣花掉的。

第一種：地基還沒打，就先蓋戰情室。 花了一筆預算做出大螢幕上的儀表板，圖表很漂亮，但上面的營收跟財務報的差了一截。第一次開會有人問「這個數字怎麼跟我的不一樣」，沒有人答得出來，之後就沒有人看了。儀表板本身沒做錯，錯在一樓的口徑沒有先定。

第二種：報表還對不上，就想做預測。 想用過去三年的銷售資料預測下一季，結果發現三年裡商品編號改過兩次，有半年的退貨沒有登記。預測模型照樣跑得出數字，只是沒有人知道能不能信。

第三種：只是要一張週報，卻買了整套平台。 公司真正的需要，是每週一早上有一張對得上的業績表。這件事用現有系統的匯出功能，加一份整理好的試算表就做得到，卻簽了一整年的平台授權，最後用到的只有匯出報表那一項。

這三種情況有一個共通點：錢花在比現況高兩層的地方，中間那一層是空的。

台灣的中小企業大概落在哪一層，有一則報導可以參考。根據中時新聞網 2025 年 12 月的報導，經濟部中小及新創企業署委託工研院調查了 1,207 家 199 人以下的公司，尚未數位化的只佔 0.7%；而關鍵營運資料已經達到「可視化」「可預測或模擬」與「數據加值應用」程度的企業，是 15%。原始的調查報告本文沒有取得，數字以這則報導為準。它至少說明一件事：幾乎每家公司都有系統、有資料，但把關鍵數字整理成看得見的樣子的，還是少數。

反過來的情況也有，就是做得太少。同一份試算每個月都要重做，每次都要有人花半天從三套系統匯出資料、貼進試算表，那就該往上補一層，讓資料自動進來。有沒有做錯層，只要看一件事：每一層有沒有踩在下面那一層上。

⚠️ 注意

系統商或顧問來提案時，如果第一頁就是預測、AI 建議或戰情室，先問一句：公司現在每個月的毛利，各部門算出來是同一個數字嗎？答案是否定的話，那份提案至少跳過了一層。

中小企業該做到哪一層：五個問題判斷報表、儀表板還是決策支援

照順序問自己五個問題，停在第一個答不出「是」的地方，那裡就是現在該做的。

1. 同一個數字，各部門拿出來的一樣嗎？ 不一樣，先整理資料與口徑。這一步不用買任何東西。
2. 老闆想看的數字，當天拿得到嗎？ 要等人花半天以上去拼，先把報表自動化。
3. 晚一天知道就會出事的狀況，現在盯得到嗎？ 像缺貨、產線停機、客訴暴增。盯不到，這幾件事值得做儀表板；公司沒有這種事，維持每週或每月的報表就好。
4. 反覆出現的決定，有現成的試算可以用嗎？ 像是定價、進貨量、急單接不接、下個月排幾個人。每次都從頭算，而且一樓的數字已經可信，就可以做試算。
5. 條件講得清楚、每次都該一樣的判斷，交給系統了嗎？ 還沒有，把它寫成規則；要看情況的判斷留在試算，讓人看完再決定。

多數中小企業會停在第一題或第二題。這不丟臉，也不代表落後，它只是告訴你錢該先花在哪裡。對中小企業來說，把一樓的報表做到「每週自動產出、各部門都認同」，通常比多蓋一層樓更有感。 開會時不用再花前二十分鐘對數字，光這一點就值得。

另一個判斷的角度是決定的頻率。一年才做一次的決定，例如要不要開第二個據點，找人用試算表認真算一次就夠，不必做成系統。每週、每天都在做的決定，才值得把試算固定下來，做成隨時可以重算的工具。

決策支援系統自己做還是委外開發：試算表、現成 BI 工具、客製系統各適合誰

知道該做哪一層之後，才輪到「用什麼做」。常見的做法有三種，沒有哪一種比較高級，只有適不適合。

試算表其實就是最早的個人決策支援工具。Power 的整理裡提到，1978 年發明的試算表軟體 VisiCalc，讓經理人可以用不高的成本自己動手做分析。現在的試算表軟體把常用的試算做成了內建功能。以 Excel 為例，官方的模擬分析說明列了三種工具：分析藍本（存幾組不同的假設來比較）、目標搜尋（知道想要的結果，反推某一個輸入值該是多少）、運算列表（一次列出一到兩個變數在各種數值下的結果）。前面「毛利要打平，出貨量最少多少」就是目標搜尋在做的事。

現成的 BI 工具主要做一樓和二樓，但多半也帶一點三樓的功能，名字通常叫「參數」。Power BI 的文件示範了用一個可以拉動的折扣百分比，看銷售額跟著怎麼變；Tableau 的文件對參數的定義，是可以取代計算、篩選器或參考線裡固定數值的預留位置。這裡舉這兩個例子，只是因為它們的官方文件寫得清楚，不代表推薦；同類的工具大多有類似的功能。不管用哪一套，工具只負責把數字算出來、畫出來，口徑和資料整理還是公司自己的功課。

用試算表做重要的決定，要留意一件事：錯誤比想像中常見。達特茅斯學院的三位研究者稽核了 50 份企業實際在用的試算表，用比較嚴格的標準（真的算出錯誤結果才算），只有 7 份找不到錯；依定義的寬嚴，出錯的公式格子佔全部的 0.9% 到 1.8%。他們同時提醒，公式有錯不代表最後的結論一定錯得離譜。試算表照樣可以用，只是要多一道手續：會影響定價、進貨或接單的試算表，至少要有第二個人看過一次公式。

什麼時候該考慮委外開發？通常是下面三種情況出現兩種以上：資料要從好幾套系統自動抓進來，人工貼已經貼不動；試算的邏輯是公司自己的作法，現成工具套不上去；試算的結果要直接出現在報價、接單或排程的畫面上，而不是另外開一份檔案。做這種系統，前面把需求講清楚的那一段最花時間，業主要參與哪些決定，可以參考系統設計在決定什麼這一篇。

費用沒有通用的數字，主要被四件事拉開：資料來源有幾個、口徑要花多少工夫整理、算式有多複雜、上線之後由誰維護。

導入決策支援系統之前，先列一張決策清單

不管最後用哪一種做法，動手之前有一件不花錢的事可以先做：列一張決策清單。

1. 寫下公司最常做、也最傷腦筋的三到五個決定。例如每季調不調價、每個月進多少貨、急單接不接。
2. 每個決定旁邊寫：現在是看哪幾個數字決定的、這些數字從哪裡來、多久更新一次。
3. 對照前面的四層樓，標出每個決定現在停在哪一層。
4. 每個決定只往上補一層。 停在「數字對不上」的先定口徑，停在「要等人拼報表」的先自動化，一樓已經穩了的再談試算。

這張清單有兩個用處。對內，它讓各部門第一次把「到底靠哪些數字做決定」攤在同一張紙上。對外，不管你找的是工具商還是開發團隊，拿著這張清單去談，對方就很難賣給你一層用不到的樓。

決策支援系統的起點不是選工具，是先說清楚要支援哪一個決定。 瞻新資訊的官網首頁寫過很多系統做完卻沒解決問題的原因：「在動手之前，沒有人好好想清楚『這個系統要解決什麼問題』。」列完清單之後，如果卡住的是資料要怎麼從幾套系統接起來、試算要怎麼放進每天在用的畫面，那就是值得找開發團隊一起看的部分。

常見問題

參考資料

• A Framework for Management Information Systems — G. A. Gorry、M. S. Scott Morton，MIT Sloan School of Management 工作論文 510-71，1971（英文，美國，2026-10-12 查證）
• A Brief History of Decision Support Systems — D. J. Power，DSSResources.COM，version 4.0，2007-03-10（英文，美國，2026-10-12 查證）
• Revisiting Ralph Sprague’s Framework for Developing Decision Support Systems — Hugh J. Watson，Communications of the Association for Information Systems 第 42 卷，2018（英文，美國，同儕審查期刊，2026-10-12 查證）
• 4 Types of Data Analytics to Improve Decision-Making — Harvard Business School Online，2021-10-19（英文，美國，2026-10-12 查證）
• 優化 Power BI 中的語意模型 Copilot — Microsoft Learn，2026-07-06（繁體中文機器翻譯頁，原廠文件，2026-10-12 查證）
• Power BI 服務的商業用戶儀表板 — Microsoft Learn，2025-12-01（繁體中文機器翻譯頁，原廠文件，2026-10-12 查證）
• 模擬分析簡介 — Microsoft Support（繁體中文，原廠文件，2026-10-12 查證）
• 使用參數視覺化變數 — Microsoft Learn，2025-10-01（繁體中文機器翻譯頁，原廠文件，2026-10-12 查證）
• 建立參數 — Tableau Help（繁體中文，原廠文件，2026-10-12 查證）
• Errors in Operational Spreadsheets — S. G. Powell、K. R. Baker、B. Lawson，Journal of Organizational and End User Computing 21(3)，2009（英文，美國，同儕審查期刊，2026-10-12 查證）
• 2025中小企業AI運用調查 13行業逾9成公司僅粗淺了解 — 中時新聞網（旺得富理財網），2025-12-26（繁體中文，台灣，新聞報導，2026-10-12 查證）

ℹ️ 關於本文

本文引用的論文、學術整理與各工具的官方文件，以查閱當日（2026 年 10 月 12 日）的版本為準；工具的功能名稱、選單與限制會隨版本更新，實際請以各原廠的最新說明為準。文中提到的試算表軟體與 BI 工具只用來舉例說明功能，並非推薦，也不比較優劣。漲價試算的例子是為了說明算法而假設的情境與數字，不是任何公司的實際資料。中小企業數位化程度的數字引自媒體對經濟部調查的報導，本文沒有取得原始調查報告。文中對「該先做哪一層」「自己做或委外」的判斷，屬一般性的實務經驗整理，實際情形會因產業、既有系統與資料狀況而有明顯差異，不構成任何成本、時程或成效的保證。