Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Automatická analýza dat z více zdrojů

Lekce 5 z 12 Aktualizováno 5. listopadu 2026 Mírně pokročilý
Na této stránce
  1. Proměň surová data v akční poznatky
  2. Problém roztříštěných dat
  3. Tři způsoby, jak poskytnout své zdroje
  4. Proveď analýzu ve čtyřech krocích
  5. Křížové ověření, o které bys nepožádal
  6. Teď jsi na řadě
  7. Klíčové poznatky

Proměň surová data v akční poznatky

Jednou z největších předností modelu nastaveného na vysokou úroveň uvažování je jeho schopnost přijímat data z různých zdrojů, křížově je ověřovat a vyvozovat z nich soudržné závěry. Tato lekce ti ukáže, jak tuto schopnost využít k automatizaci tvých analýz – od způsobu poskytnutí dat až po interpretaci výstupů modelu.

Problém roztříštěných dat

Ve firmě data nikdy nežijí na jednom místě. Čísla o tržbách leží v Excelu, průzkum trhu v PDF, zpětná vazba od zákazníků v e-mailovém vlákně a webové metriky ve výstupu CSV. Ruční sladění všeho trvá hodiny a tuto práci musíš opakovat v každém období.

Model s vysokou úrovní uvažování zpracuje tyto heterogenní zdroje v jedné konverzaci a vytvoří integrovanou syntézu. V ChatGPT připojíš tabulky, PDF, dokumenty a obrázky; výpočty probíhají prostřednictvím nástroje Data Analysis, který spouští kód Pythonu. Zdrojem může být i vyfocený dashboard, ale s jedním upozorněním: OpenAI varuje, že přesné hodnoty z tabulky na obrázku nejsou spolehlivě extrahovány, takže pokud záleží na číslech, je lepší poskytnout původní soubor.

Tři způsoby, jak poskytnout své zdroje

První a nejpřímější metodou je nahrání souboru. ChatGPT přijme více souborů v jedné konverzaci – sešity Excel a soubory CSV, dokumenty PDF, obrázky grafů nebo screenshoty a textové soubory – a model je analyzuje současně. Všechny je tam nahraješ a svůj požadavek na křížové ověření formuluješ v jedné větě.

„Zde je můj soubor s tržbami za 1. čtvrtletí (Excel), odvětvová zpráva (PDF) a metriky Google Analytics (CSV). Zkřížově porovnej tyto tři zdroje a identifikuj 5 hlavních trendů s podpůrnými daty.“

Druhá metoda, strukturované kopírování a vkládání, funguje pro lehčí datové sady, které vložíš přímo do promptu. Klíčové je explicitně pojmenovat každý blok; jinak musí model hádat, co k čemu patří.

„Zdroj 1 – Tržby podle regionu: [tabulka] Zdroj 2 – Spokojenost zákazníků podle regionu: [tabulka] Zdroj 3 – Marketingový rozpočet podle regionu: [tabulka] Analyzuj korelaci mezi marketingovým rozpočtem, tržbami a spokojeností podle regionu.”

Třetí metoda je nezbytná, když jsou dokumenty příliš velké na to, aby byly poskytnuty v původním znění: sám je shrneš a přeneseš pouze klíčová data. Přijdeš o detaily, ale zachováš to, co pohání analýzu, jako v následujícím příkladu, kde je skutečným problémem rozdíl mezi růstem trhu a interním růstem.

„Mám tři zdroje. Odvětvová zpráva uvádí růst trhu o 12 % v roce 2025. Naše interní tržby vykazují +8 %. Zpětná vazba od zákazníků zmiňuje příliš dlouhé dodací lhůty (NPS klesl ze 42 na 35). Analyzuj rozdíl mezi růstem trhu a naším růstem s přihlédnutím ke zpětné vazbě od zákazníků.”

Pokud automatizuješ analýzu prostřednictvím API, Responses API ti umožní připojit nástroje (spouštění kódu, vyhledávání, přístup k souborům) k modelu nastavenému na vysoké úsilí. Pomocí Programmatic Tool Calling model napíše a spustí JavaScript v izolovaném prostředí V8, aby tyto nástroje zavolal, případně paralelně. Následně filtruje, seskupuje nebo agreguje dílčí výsledky, než modelu vrátí kompaktnější výsledek. OpenAI doporučuje tento přístup, když lze více výsledků seřadit nebo agregovat kódem, a radí přímé volání, když každý výsledek vyžaduje čerstvý úsudek modelu.

Křížově ověř více zdrojů Čtyři kroky: zarámuj, co hledáš; poskytni původní soubory se sladěnými obdobími a jednotkami; požádej o syntézu zjištění, příčin a opatření; ponoř se do jednoho bodu, pak do dalšího. ANALÝZA Z VÍCE ZDROJŮ Křížově ověř více zdrojů 1 Zarámuj Co hledáš 2 Poskytni Původní soubory, sladěné 3 Syntetizuj Zjištění, příčiny, opatření 4 Jdi do hloubky Jeden bod, pak další Výpočty probíhají prostřednictvím Data Analysis; tabulka na obrázku není spolehlivá až na přesné číslice.
Na základě článku „Data analysis with ChatGPT“ z centra nápovědy OpenAI (listopad 2026).

Proveď analýzu ve čtyřech krocích

Vše začíná rámcováním a tento krok probíhá předtím, než nahraješ jakékoli soubory. Řekni modelu, co hledáš – „Poskytnu 3 soubory. Chci srovnávací analýzu, která identifikuje rozdíly ve výkonnosti mezi našimi regiony, korelace s marketingovým rozpočtem a akční doporučení.“ – a on bude vědět, co si z každého zdroje ponechat, místo aby vše ploše shrnoval.

Dále poskytni data na vysoké úrovni uvažování (High v Chatu, high v API), aby bylo zajištěno důkladné křížové ověřování. Poté požádej o strukturovanou syntézu namísto textu ve stylu proudu vědomí: „Vypracuj zprávu ve 3 částech: (1) Faktická zjištění s čísly, (2) Analýza příčin, (3) Prioritní doporučení. Kde je to vhodné, použij tabulky.“ Nakonec iteruj. Model si pamatuje kontext celé konverzace, takže se můžeš ponořit do konkrétního bodu – „Zaměř se na region Île-de-France. Proč NPS klesá, zatímco tržby rostou?“ – aniž bys musel vše znovu nahrávat. První analýza je zřídka ta nejlepší; užitečné poznatky se objevují během vzájemné výměny.

Křížové ověření, o které bys nepožádal

Skutečná síla uvažování na vysoké úrovni se projeví, když pozveš model ke kombinaci dimenzí, které bys možná nezvažoval, například: „Existuje korelace mezi dny s vysokou webovou návštěvností a dny se zvýšeným počtem stížností? Pokud ano, navrhni vysvětlující hypotézu.“ Model poté slad časové řady, vypočítá korelace, formuluje kauzální hypotézy a co je nejdůležitější, explicitně rozlišuje mezi korelací a kauzalitou, místo aby dělal unáhlené závěry. Tato pojistka však zůstává částečná: prokazování kauzality je doménou tvé odbornosti, nikoli modelu.

Teď jsi na řadě

Tři zdroje, jedno křížové ověření. Připrav si tři zdroje z vlastní práce, i když budou jednoduché. Připoj soubor Excel s tržbami nebo metrikami, přidej druhý soubor pokrývající jinou dimenzi – rozpočet, spokojenost, počet zaměstnanců – a požádej o křížové ověření na vysoké úrovni uvažování s výpočty prováděnými nástrojem Data Analysis. Pokud nemáš nic po ruce, požádej model, aby nejprve vygeneroval realistický fiktivní datový soubor pro tvé odvětví, a poté jej analyzuj, jako by byl skutečný.

Většinu prvních pokusů kazí dvě úskalí. Prvním je naházet deset souborů bez směru: bez rámcování model vytvoří obecné shrnutí. Druhé je zákeřnější: nekonzistentní data. Před spuštěním čehokoli ověř, zda se období, jednotky a kategorie ve tvých zdrojích shodují; jinak získáš dokonale odůvodněnou analýzu založenou na číslech, která nelze porovnávat.

Oficiální zdroje: Data analysis with ChatGPT (Centrum nápovědy OpenAI: soubory, Python, tabulky v obrázcích) · Programmatic Tool Calling (OpenAI API: programy orchestrující nástroje, kdy je použít) · Reasoning models (úrovně úsilí)

Klíčové poznatky

  • Vysoká úroveň uvažování křížově ověřuje tabulky, PDF, CSV a obrázky; výpočty probíhají prostřednictvím Data Analysis
  • Před poskytnutím dat si analýzu zarámuj a pro křížové ověřování povol vysokou úroveň uvažování
  • Prostřednictvím Responses API umožňuje Programmatic Tool Calling izolovanému programu v JavaScriptu orchestraci nástrojů a filtrování dílčích výsledků
  • Požaduj strukturované syntézy (zjištění, analýza, doporučení) a iteruj na zajímavých bodech
  • Ve výsledcích vždy rozlišuj mezi korelací a kauzalitou