AUC w Excelu: jak ocenić model ML bez programowania

Towards Data Science opublikowało poradnik, który przypomina żart: "AUC w Excelu". Bo przecież machine learning to Python, biblioteki, skrypty.

A tu nagle arkusz kalkulacyjny.

Ale to wcale nie żart. AUC (Area Under the Curve) to jedna z najważniejszych metryk w ocenie modeli AI. I da się ją policzyć w narzędziu, które masz na komputerze od lat. Bez instalowania Pythona. Bez uczenia się programowania.

Czym jest AUC i dlaczego to ważne

model AI, który przewiduje, czy klient kupi Twój produkt. Model daje każdemu klientowi "wynik" – liczbę od 0 do 1. Im wyższa, tym większe prawdopodobieństwo zakupu.

Problem w tym, że musisz gdzieś postawić granicę. Powiedzmy: jeśli wynik powyżej 0,5 – to "kupi". Poniżej – "nie kupi".

AUC mierzy coś innego. Nie patrzy na konkretną granicę. Sprawdza, jak dobrze model RANKINGUJE ludzi. Czy ci z wyższym wynikiem rzeczywiście częściej kupują? Czy model potrafi odróżnić potencjalnych klientów od tych niezainteresowanych?

To jak test: bierzesz losowego klienta, który kupił, i losowego, który nie kupił. AUC mówi Ci, z jakim prawdopodobieństwem model da wyższy wynik temu pierwszemu.

Jeśli AUC = 0,5 – model zgaduje losowo. Jak rzut monetą.

Jeśli AUC = 1,0 – model jest perfekcyjny. Zawsze stawia kupujących wyżej niż niekupujących.

Większość modeli ma AUC gdzieś między 0,7 a 0,9. I to jest całkiem OK.

Po co Excel, skoro jest Python

Bo nie każdy musi być programistą, żeby rozumieć AI.

Załóżmy, że jesteś managerem w firmie. Twój zespół data science zbudował model. Dali Ci raport: "AUC wynosi 0,83". Kiwasz głową, ale tak naprawdę — nie wiesz, co to znaczy.

Excel pozwala Ci ZOBACZYĆ, jak to działa. Krok po kroku. Bez czarnej skrzynki.

Albo jesteś przedsiębiorcą, który eksperymentuje z AI. Masz dane, masz przewidywania z jakiegoś narzędzia. Chcesz sprawdzić, czy to w ogóle ma sens. Nie musisz instalować Pythona. Otwierasz Excela.

To jak nauka jazdy na symulatorze przed wejściem do prawdziwego samochodu.

Jak to policzyć — krok po kroku

Masz arkusz. Dwie kolumny: "rzeczywisty wynik" (0 lub 1 – kupiło czy nie) i "przewidywany wynik" (liczba od 0 do 1 z Twojego modelu).

Najpierw sortujesz dane według przewidywanego wyniku – od najwyższego do najniższego.

Potem obliczasz, ile "pozytywnych" przypadków (tych z 1) znajduje się powyżej każdego "negatywnego" (tych z 0). W Excelu to kilka formuł.

Na końcu sumujesz te wartości i dzielisz przez liczbę wszystkich możliwych par pozytywny-negatywny.

Wynik? Twoje AUC.

Poradnik z Towards Data Science pokazuje to krok po kroku. Z formułami. Z przykładami. Możesz pobrać dane, otworzyć Excela i policzyć to sam.

Co to daje w praktyce

Jeśli budujesz modele AI – nic. Dalej będziesz używać Pythona i scikit-learn. To szybsze, bardziej automatyczne.

Ale jeśli OCENIASZ modele, ROZMAWIASZ o nich z zespołem, TŁUMACZYSZ wyniki szefowi – Excel daje Ci coś cennego.

Transparentność.

Zamiast "model ma AUC 0,83" mówisz: "Zobacz, posortowaliśmy klientów według wyniku modelu. W 83% przypadków ten z wyższym wynikiem rzeczywiście kupił, a ten z niższym – nie".

To różnica między "zaufaj mi" a "zobacz sam".

Kiedy Excel odpada

Jeśli masz milion wierszy danych – Excel się zawiesi. To narzędzie ma limity.

Jeśli budujesz produkcyjne systemy AI – nie będziesz liczył AUC w arkuszu. To byłoby absurdalne.

Ale jeśli uczysz się, testujesz, eksperymentujesz z małymi zbiorami danych (kilka tysięcy wierszy) – Excel jest wystarczający. I o wiele bardziej przystępny niż instalowanie środowiska Pythona.

Most między techniką a biznesem

Mamy 2026 rok. AI jest wszędzie. Modele generują teksty, obrazy, przewidują przyszłość.

A jednocześnie większość ludzi nie rozumie, jak te modele są OCENIANE. Co to znaczy, że model jest "dobry"? Jak to zmierzyć?

Poradniki w Excelu to most. Nie dla wszystkich, nie na zawsze. Dla kogoś, kto zaczyna – bezcenne.

Bo AI nie powinno być czarną magią dostępną tylko dla programistów. Powinno być narzędziem, które rozumiesz na tyle, żeby podejmować świadome decyzje.

I czasem do tego wystarczy arkusz kalkulacyjny.

Źródła

• Towards Data Science – The Machine Learning Advent Calendar Bonus 1: AUC in Excel