把ChatGPT當作你的排班經理

戴谷州 Ken Tai

  • 恆逸教育訓練中心-資深講師
  • 技術分類：AI

 

 

前言

當前連鎖壽司分店的排班工作，已不再只是安排「誰哪天上班」這麼單純。隨著人員組成多元（Full Time 「全職」 與 Part Time 「兼職」混合）、固定休與臨時請假增加、技能分布不均，以及食品安全與勞動法規的要求日益嚴格，排班變成一項高度複雜的營運決策。部門主管往往需要在公平性、成本控制、技能輪值、疲勞管理與營運穩定之間反覆權衡，一旦條件稍有變動，整張班表就可能失衡。傳統依賴經驗與手動調整的方式，不僅耗時，也難以全面檢查潛在風險，長期下來容易造成工時不公平、關鍵職務集中、或疲勞累積等隱性問題。

客戶目標是將排班從「經驗導向」轉型為「系統化、數據化、可驗證」的管理流程。透過結合 AI 與 Google Sheets，我們希望建立一套能自動檢查規則、平衡工時、分散技能、預防風險的智能排班系統，使每一次排班都能兼顧公平性與營運效率。同時，讓排班決策透明化、標準化，降低人為疏漏與主觀偏差，最終達成——穩定營運、降低風險、提升團隊信任與專業管理水準的長期目標。


大型語言模型簡介

近年來，大型語言模型（Large Language Models, LLM）已從單純的文字生成工具，發展為具備語意理解、多條件推理與結構化輸出能力的智能輔助系統。主流模型不僅能理解複雜規則與限制條件，還能同時考量公平性、風險與效率，並將結果轉換為可直接使用的表格或報告。發展趨勢也顯示，LLM 正逐步從「內容生成」走向「決策支援」，並與既有工具（如 Google Sheets、Excel）整合，協助企業在不更換系統的前提下提升管理效率。

在壽司分店排班案例中，LLM 能解析固定休、指定請假、疲勞限制與技能輪值等多項條件，生成符合規則的班表，同時自動檢查工時公平性與潛在風險。這讓排班從依賴經驗與反覆人工調整，轉變為系統化、可驗證、可優化的流程。透過人機協作，部門主管不僅節省時間，也能以更數據化與結構化的方式做出營運決策，提升穩定性與專業度。


客戶的現況

每週各壽司分店經理平均需要花1小時以上排班，每個分店排班規則與限制會有些許差異，如果要建立一個排班系統需要大量預算與時間。客戶正積極尋找其他替代方案，既可以解決預算問題與時間成本，又可以滿足不同壽司分店的需求。


解決方案與現階段目標

這個案例是使用大型語言模型來擔任輔助角色，我們使用ChatGPT 5.2來完成。做後訓練壽司分店經理使用我們提供的prompt使用大型語言模型來輔助排班工作。


如何使用ChatGPT來完成排班工作

目前分店經理會使用excel排好班表，截圖並用通訊軟體公布在群組中，如圖：


接下來，我們依照下列步驟來完成並驗證排班任務的Prompt。

  1. 請ChatGPT分析報表

    Prompt： 分析班表

    產出結果：

    會產出結構化分析報告，依照總工時分析、職務輪值分析、每日總工時結構、角色公平性分析、風險分析（營運角度）、優化建議、整體評分以及結論。

    Note： 這階段可以看看當前班表的現狀，可以檢視有無潛在問題。
  2. 請ChatGPT理解任務並提供可以請他排班的Prompt

    Prompt： 給請寫出排班Prompt，這些內容方便你擔任排班經理排班

    產出結果：

    🍣 壽壽司部門 AI 排班經理 Prompt（標準完整版）

    請你擔任壽司部門排班經理，依照以下規則產出一週班表。

    1. 一、營運基本設定
      • 營業時間：9:00 – 20:00
      • 每天需要 4 位員工
      • 每個職務 1 人
      • 每班 8 小時
      • 職務：
        • 1 = 卷1/切魚
        • 2 = 出飯/卷2
        • A = 蒸飯/煮魚
        • B = 拍飯/出餐/備貨
      • OFF 必須標示
    2. 二、人員資料

      列出人員如下：
      （貼入當週人員）
      例如：

      • Fanny (Full Time)
      • Annie (Part Time)
      • Yonge (Part Time)
      • May (Part Time)
      • Ben (Part Time)
      • Cindy (Part Time)
      • Eric (Part Time)
    3. 三、固定規則
      1. Full Time 每週排 5 天（40 小時）
      2. Part Time 每週目標 34–36 小時
      3. Part Time 工時差距不得超過 4 小時
      4. 每人每週至少：
        1. 1 次 1
        2. 1 次 A
        3. 1 次 B
      5. 同一人不可連續 3 天同一職務
      6. 高峰日（Fri / Sat）規範：
        • 至少 1 位熟手 A
        • 至少 1 位熟手 B
        • 不可同一天安排兩位新人在 A/B
    4. 四、請假與限制

      （每週貼上）
      例如：

      • Ken：週六 OFF
      • Eden：週日固定 OFF
      • April：每週只排 4 天
      • 某人只能做 1 / 2
    5. 五、優化目標（重要）

      請在排班時優先考慮：

      • 工時公平性
      • 職務輪值均衡
      • 避免能力集中
      • 降低營運風險
      • 成本控制（避免 PT 超過 40 小時）
    6. 六、輸出格式要求

      請輸出：

      • 週一至週日完整表格
        （包含：姓名、每日職務、OFF、每日總工時、個人總工時）
      • 角色統計表 | 人員 | 1 | 2 | A | B | 總時數 |
      • 工時公平性分析
      • 風險評估更靈活
    Note: 檢視輸出結果後，我們發現與客戶的需求有落差，需要加入額外條件以符合客戶公司規範。
  3. 加入額外條件

    Prompt： 請加入放假條件

    產出結果(產出的Prompt多增加了)：

    1. 四、放假條件（新增核心規則）
      1. 連續工作限制
        1. 不可連續上班超過 5 天
        2. 若已連上 4 天，第 5 天優先安排 OFF
        3. 不可連續 6 天上班
      2. 每週休假天數
        1. Full Time：2 天 OFF
        2. Part Time：至少 2 天 OFF
        3. PT 若 36 小時以下，需至少 3 天 OFF
      3. 高峰日放假限制（重要）
        1. 週五 / 週六：
          1. 不可同時安排 2 位強手 OFF
          2. A 或 B 熟手不得同日 OFF
          3. 不可超過 2 人 OFF
      4. 能力平衡放假
        1. 同一天不可：
          1. 兩位只會 A 的人同時 OFF
          2. 兩位只會 1 的人同時 OFF
        2. 避免某職務當日無人能接替
      5. 固定休假優先
        1. 固定 OFF 必須優先安排
        2. 指定請假不可變動
        3. （在此貼上固定休與請假）
      6. OFF 分布均衡
        1. 不可將所有 OFF 集中在同兩天
        2. OFF 應平均分布在週中與週末
    Note：大型語言模型所產出的內容，並不一定完成符合我們的現況，所以一定要再檢視以及人工修改，以符合需求。
  4. 微調與測試Prompt

    經微調與測試，下列為DTCL分店適合的Prompt。

    Prompt：

    🍣 壽司部門 AI 排班經理 Prompt（最終完整版）

    請你擔任壽司部門排班經理，依照以下規則產出下一週班表 （2/22-2/28）。

    1. 一、營運基本設定
      • 營業時間：9:00 – 20:00
      • 每天需要 4 位員工
      • 每個職務 1 人
      • 每班 8 小時
      • 職務：
        • 1 = 卷1/切魚
        • 2 = 出飯/卷2
        • A = 蒸飯/煮魚
        • B = 拍飯/出餐/備貨
      • OFF 必須標示
    2. 二、人員資料

      列出人員如下：

      • Fanny (Full Time)
      • Annie (Part Time)
      • Yonge (Part Time)
      • May (Part Time)
      • Ben (Part Time)
      • Cindy (Part Time)
      • Eric (Part Time)
    3. 三、固定規則
      1. Full Time 每週排 5 天（40 小時）
      2. Part Time 每週目標 34–36 小時
      3. Part Time 工時差距不得超過 4 小時
      4. 每人每週至少：
        1. 1 次 1
        2. 1 次 A
        3. 1 次 B
      5. 同一人不可連續 3 天同一職務
      6. 高峰日（Fri / Sat）規範：
        • 至少 1 位熟手 A
        • 至少 1 位熟手 B
        • 不可同一天安排兩位新人在 A/B
    4. 四、請假與限制
      • Ben 週六 OFF
      • Eric 週日固定 OFF
      • May 每週只排 4 天，週日 OFF
      • Cindy, Eric 只能做 1 / 2（職務）
    5. 五、放假條件（新增核心規則）
      1. 連續工作限制
        1. 不可連續上班超過 5 天
        2. 若已連上 4 天，第 5 天優先安排 OFF
        3. 不可連續 6 天上班
      2. 每週休假天數
        1. Full Time：2 天 OFF
        2. Part Time：至少 2 天 OFF
        3. PT 若 36 小時以下，需至少 3 天 OFF
      3. 高峰日放假限制（重要）
        1. 週五 / 週六：
          1. 不可同時安排 2 位強手 OFF
          2. A 或 B 熟手不得同日 OFF
          3. 不可超過 2 人 OFF
      4. 能力平衡放假
        1. 同一天不可：
          1. 兩位只會 A 的人同時 OFF
          2. 兩位只會 1 的人同時 OFF
        2. 避免某職務當日無人能接替
      5. 固定休假優先
        1. 固定 OFF 必須優先安排
        2. 指定請假不可變動
        3. （在此貼上固定休與請假）
      6. OFF 分布均衡
        1. 不可將所有 OFF 集中在同兩天
        2. OFF 應平均分布在週中與週末

    6. 六、優化目標（重要）

      請在排班時優先考慮：

      • 工時公平性
      • 職務輪值均衡
      • 避免能力集中
      • 降低營運風險
      • 成本控制（避免 PT 超過 40 小時）
    7. 七、輸出格式要求

      請輸出：

      • 週一至週日完整表格
        （包含：姓名、每日職務、OFF、每日總工時、個人總工時）
      • 角色統計表 | 人員 | 1 | 2 | A | B | 總時數 |
      • 工時公平性分析
      • 風險評估更靈活

    產出結果：




    最後，各分店經理只需要在最終版Prompt中，修改：二、人員資料 與 三、固定規則 兩小節部分即可以成為分店版的最終排班Prompt。至於每週排班只需要修改日期區間，以及視狀況更新：四、請假與限制。

    Note：以DTCL分店為例，過去人工排班至少需要半小時到一小時不等，現在使用大型語言模型含檢查只要10分鐘以內就完成。還有一個好處是代理人排班時是用同一套Prompt，也避免了交接或是不同人排班會有發生錯誤的可能。

結論

這套 Prompt 不只是排班工具，而是將排班管理升級為數據驅動的營運控制系統。若後續結合自動公式或 Apps Script，可進一步實現半自動化排班與即時風險預警。一樣的處理邏輯可以套用在其他領域，善用Prompt使大型語言模型進行資料分析與洞察，輔助工作上規律且耗時的任務，例如回信給客戶，找出銷售前三名產品等等，產出的結果，我們再進行檢查即可。善用大型語言模型可以事半功倍，增加工作效率。



您可在下列課程中了解更多技巧喔！

相關學習資源