☕ 文章標題

「從咖啡香到數據圖：用描述統計看懂日照咖啡廳的故事」

✨ 引言

如果我們想研究一家日照咖啡廳，僅僅知道「客人很多」或「咖啡好喝」是不夠的。
要真正理解這間咖啡廳的經營現況與顧客特徵，我們需要先用 描述統計（Descriptive Statistics） 將資料整理成有意義的畫面。

首先，我們會決定哪些 欄位變數（Variables） 最能反映全貌：

顧客年齡與性別比例：了解主要族群（例如：年長者、社區家庭、學生）。

來訪頻率與消費金額：判斷忠誠度與定價策略是否合適。

到店時段與停留時間：檢視尖峰時段與人力安排。

座位偏好（室內/戶外、靠窗/靠牆）：改善空間規劃與舒適度。

參與日照活動的次數：評估咖啡廳與日照服務的結合成效。

是否攜伴同行：了解社交屬性，協助設計促銷方案。

當我們將這些資料整理成表格，就能像研究論文中的 Table 1 一樣，快速比較不同客群的特徵並找出重點。這樣的表格不僅是數字的堆疊，更是咖啡廳經營故事的縮影——從數據的排列組合中，看見每一杯咖啡背後的溫度與趨勢。

接下來，就是用類似下方的格式呈現結果：

這種呈現方式讓數據不再抽象，而是成為理解顧客行為與咖啡廳營運的重要工具。透過描述統計，我們不只是記錄銷售數字，而是發現模式、洞察需求，最終為日照咖啡廳的服務和體驗帶來改變。

🏠 故事情境：社區咖啡店的會員分析

想像你經營一間社區咖啡店，會員有三種消費習慣：

偶爾光顧型（Low）：一個月只來 1–2 次

常規客人（Medium）：一週固定來一次

忠實鐵粉（High）：一週來三次以上

你想了解他們的特徵，以便設計行銷策略或調整產品。於是你做了一張類似研究論文 Table 1 的表格：

🔎 為什麼要這樣設計欄位？

1. 變數 (Variables)

把會員特徵拆開，如年齡、性別、消費習慣、距離等，幫助看出族群差異。

2. 分類組別 (Educational Levels → 消費習慣等級)

研究中是「教育程度」，生活化案例改成「光顧頻率」分三組。這樣能快速比較不同類型顧客的特徵。

3. p-value

用來檢驗這些差異是不是「有意義」的。

例如：不同客群的年齡差異若 p < 0.05，表示這不只是隨機巧合。

4. Tukey’s 事後檢定 (Tukey’s post hoc test)

當三組之間有顯著差異時，它會告訴你「誰跟誰」差最多。

在咖啡店例子中，它幫你指出「偶爾光顧」比「忠實鐵粉」年齡明顯高。

5. 分層呈現（子欄位）

性別、飲品偏好、是否帶朋友同行，用分層方式顯示。

這讓細節一目了然，不必拆多張表。

6. 平均 ± 標準差

對「年齡」和「距離」等連續型變數，用「平均 ± SD」描述集中趨勢和分散程度。

對「性別」或「喜愛飲品類別」等類別型變數，用百分比呈現比例。

☕ 故事回到商業應用

看到 居住距離：忠實鐵粉住得更近，代表地段選擇很重要。

看到 是否帶朋友同行：忠實客人常帶人來，可以提供「好友分享券」。

看到 年齡差異：偶爾光顧的多是年紀較大的客人，也許需要更多舒適座位或輕食選項。

這種設計邏輯，不論是科學研究還是日常經營，都能把「雜亂的數字」變成「可行的行動」。

📌 專有名詞

p-value (p 值)：統計檢驗的結果，小於 0.05 代表差異很可能不是巧合。👉 白話：判斷差異有沒有「真材實料」。

Tukey’s post hoc test (Tukey 事後檢定)：用於多組比較，指出哪些組之間有顯著差異。👉 白話：像老師逐一比對哪兩組考得差最多。

標準差 (Standard Deviation)：衡量數據分散程度。👉 白話：看大家的習慣差異有多大。

分層呈現 (Nested Categories)：在同一表中用子欄位顯示細項。👉 白話：一眼看到細節，而不是翻很多頁。

在事後檢定（post hoc test，例如 Tukey’s post hoc test）裡看到的「大於（>）」和「小於（<）」符號，其實是用來標示組別之間的平均值比較結果。它告訴我們：
哪一組的平均值顯著高於或低於另一組，而不只是數字上的差異。

🔎 解釋流程

1. 先做整體檢定（ANOVA）

例如比較三組顧客（Low、Medium、High）的年齡差異。

ANOVA 只告訴你「三組之間有顯著差異」，但不指出哪兩組不同。

2. 再做 Tukey’s 事後檢定

這一步會兩兩比較：

Low vs. Medium

Low vs. High

Medium vs. High

3. 用 > / < 符號標示

Low > Medium > High：代表 Low 的平均值顯著大於 Medium，而 Medium 又顯著大於 High。

Low, Medium < High：代表 Low 與 Medium 兩組的平均值都顯著低於 High，但 Low 與 Medium 彼此沒有顯著差異。

☕ 生活化例子：咖啡店停留時間

假設三類顧客的平均停留時間：

Low：40 分鐘

Medium：55 分鐘

High：70 分鐘

ANOVA 告訴你「這三組的停留時間有顯著差異」。
Tukey’s 事後檢定則指出：

High 停留時間顯著長於 Medium 和 Low

Medium 停留時間顯著長於 Low

於是報告中就會寫：
「停留時間：Low < Medium < High」
👉 白話翻譯：偶爾光顧的人坐最短，常規客人中等，忠實鐵粉坐最久，這些差異不是偶然，而是統計上可靠的。

✅ 小結

符號用法：

A > B：A 的平均值顯著大於 B

A < B：A 的平均值顯著小於 B

A, B < C：A 和 B 顯著小於 C，但 A 與 B 彼此差異不顯著。

目的：讓讀者快速理解哪一組之間的差異最明顯。

應用：無論是研究報告、咖啡店顧客行為分析，或其他多組比較，都用