Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Mitme allika andmete automaatne analüüs

Õppetund 5 / 12 Värskendatud 5. november 2026 Kesktase
Sellel lehel
  1. Muuda toored andmed tegevusjuhisteks
  2. Hajusate andmete probleem
  3. Kolm viisi oma allikate esitamiseks
  4. Teosta analüüs neljas etapis
  5. Ristviide, mida sa poleks osanud küsida
  6. Sinu kord
  7. Peamised punktid

Muuda toored andmed tegevusjuhisteks

Üks kõrgele põhjendamistasemele seadistatud mudeli suurimaid tugevusi on võime tarbida erinevatest allikatest pärit andmeid, neid omavahel ristviidata ja teha kooskõlalisi järeldusi. Selles õppetükis näitame, kuidas seda võimet oma analüüside automatiseerimiseks ära kasutada – alates andmete esitamise viisist kuni mudeli väljundi tõlgendamiseni.

Hajusate andmete probleem

Äris ei paikne andmed kunagi ühes kohas. Käibenumbrid seisavad Exceli tabelis, turu-uuringud PDF-failis, klienditagasiside meiliahelas ja veebimõõdikud CSV-eksportfailis. Kõige selle käsitsi kooskõlastamine võtab tunde ja seda tööd tuleb iga perioodi järel korrata.

Kõrge põhjendamistasemega mudel töötleb need heterogeensed allikad ühes vestluses ja loob integreeritud ülevaate. ChatGPT-s saad lisada arvutustabelid, PDF-dokumendid, tekstifailid ja pildid; arvutused teostab Data Analysis, mis käivitab Pythoni koodi. Allikana võib kasutada ka dashboard’i fotot, kuid ühe hoiatusega: OpenAI hoiatab, et pildil olevast tabelist ei eraldata täpseid väärtusi usaldusväärselt, seega on numbrite olulisuse korral parem esitada algne fail.

Kolm viisi oma allikate esitamiseks

Esimene ja kõige otsesem meetod on failide üleslaadimine. ChatGPT aktsepteerib ühes vestluses mitut faili – Exceli töövihikuid ja CSV-sid, PDF-dokumente, graafikute või ekraanitõmmiste pilte ja tekstifaile – ning mudel analüüsib neid samaaegselt. Laadi need koos üles ja sõnasta oma ristviitamise taotlus ühe lausega.

“Siin on minu Q1 müügifail (Excel), tööstuse aruanne (PDF) ja Google Analyticsi mõõdikud (CSV). Ristviida need kolm allikat ja tuvasta 5 peamist trendi koos tuginevate andmetega.”

Teine meetod, struktureeritud kopeerimine-kleepimine, sobib väiksemate andmestike jaoks, mida kleepid otse sisendisse. Võti on iga ploki selge nimetamine; vastasel juhul peab mudel arvama, mis millele kuulub.

“Allikas 1 — Müük piirkonniti: [tabel] Allikas 2 — Kliendirahulolu piirkonniti: [tabel] Allikas 3 — Turunduseelarve piirkonniti: [tabel] Analüüsi seost turunduseelarve, müügi ja rahulolu vahel piirkonniti.”

Kolmas meetod muutub vajalikuks, kui dokumendid on liiga mahukad, et neid muutumatul kujul esitada: võta need ise kokku ja edasta vaid võtmeandmed. Kaotad detailid, kuid säilitad analüüsi juhtiva tuuma, nagu järgmises näites, kus tegelik probleem on turu kasvu ja sisemise kasvu vaheline lõhe.

“Mul on kolm allikat. Tööstuse aruanne näitab turu kasvu 12% aastal 2025. Meie sisemine müük näitab +8%. Klienditagasisides mainitakse liiga pikki tarneaegu (NPS langes 42-lt 35-le). Analüüsi lõhet turu kasvu ja meie kasvu vahel, arvestades klienditagasisidet.”

Kui automatiseerid analüüsi API kaudu, võimaldab Responses API ühendada tööriistu (koodi täitmine, otsing, failide juurdepääs) kõrge jõupingutusega mudeliga. Programmaatilise tööriistade kutsumise (Programmatic Tool Calling) abil kirjutab ja käivitab mudel JavaScripti koodi isoleeritud V8 keskkonnas, et neid tööriistu kasutada, võimalusel paralleelselt. Seejärel filtreerib, rühmitab või agregeerib see vahepealsed tulemused enne mudelile kompaktsema tulemuse tagastamist. OpenAI soovitab seda lähenemist, kui mitut tulemust saab koodiga sorteerida või agregeerida, ja nõuab otsest kutsumist, kui iga tulemus nõuab mudeli uut hinnangut.

Ristviida mitut allikat Neli sammu: raamista, mida otsid; esita algfailid joondatud perioodide ja ühikutega; küsi leidude, põhjuste ja tegevuste sünteesi; süvene ühte punkti, siis teise. MITME ALLIKA ANALÜÜS Ristviida mitut allikat 1 Raamista Mida sa otsid 2 Esita Algfailid, joondatud 3 Sünteesi Leiud, põhjused, tegevused 4 Süvene Üks punkt, siis teine Arvutused teostab Data Analysis; pildil olev tabel ei ole usaldusväärne täpse numbrini.
Põhineb OpenAI abikeskuse artiklil "Data analysis with ChatGPT" (november 2026).

Teosta analüüs neljas etapis

Kõik algab raamistamisest ja see samm toimub enne failide üleslaadimist. Ütle mudelile, mida otsid – „Ma laadin üles 3 faili. Soovin võrdlevat analüüsi, mis tuvastab meie piirkondade tulemuslikkuse lõhed, seosed turunduseelarvega ja annab tegevusjuhised“ – ning ta teab, mida igast allikast kinni pidada, selle asemel et kõike pinnapealselt kokku võtta.

Järgmiseks esita andmed kõrge põhjendamistasemega (Chat’is „High“, API-s high), et tagada range ristviitamine. Seejärel küsi struktureeritud sünteesi, mitte vaba mõttevoolu teksti: „Koosta aruanne 3 osas: (1) Faktilised leiud numbritega, (2) Põhjuste analüüs, (3) Prioriteetsed soovitused. Kasuta seal, kus asjakohane, tabeleid.“ Lõpuks iteratsiooni. Mudel säilitab kogu vestluse konteksti, võimaldades sul süveneda konkreetsetesse punktidesse – „Süvene Île-de-France’i piirkonda. Miks NPS langeb, samal ajal kui müük kasvab?“ – ilma kõike uuesti laadimata. Esimene analüüs on harva parim; kasulikud insights’id tekivad edasi-tagasi suhtluse käigus.

Ristviide, mida sa poleks osanud küsida

Kõrgetasemelise põhjendamise tegelik jõud avaldub siis, kui kutsud mudelit ühendama mõõtmeid, mida sa poleks ehk arvesse võtnud, näiteks: „Kas on seost päevade vahel, mil veebiliiklus on suur, ja päevade vahel, mil kaebusi on rohkem? Kui jah, paku välja selgitav hüpotees.“ Mudel joondab seejärel ajaread, arvutab korrelatsioonid, formuleerib põhjuslikud hüpoteesid ja, mis kõige tähtsam, eristab selgelt korrelatsiooni ja põhjuslikkust, selle asemel et kiirustada järeldustega. Siiski on see kaitse osaline: põhjuslikkuse tuvastamine on sinu valdkonna ekspertiis, mitte mudeli oma.

Sinu kord

Kolm allikat, üks ristviide. Valmista ette kolm allikat oma tööst, isegi lihtsaid. Lisa Exceli fail müügi või mõõdikutega, lisa teine fail, mis käsitleb teist mõõdet – eelarve, rahulolu, personal – ja küsi kõrge põhjendamistasemega ristviidet, kus arvutused teostab Data Analysis. Kui sul pole midagi käepärast, palu mudelil genereerida esmalt realistlik fiktiivne andmestik sinu tööstuse jaoks ja analüüsi seda nii, nagu oleks see reaalne.

Kaks lõksu rikuvad enamiku esimestest katsetest. Esimene on kümne faili suunamata mahalaadimine: ilma raamistamiseta toodab mudel üldise kokkuvõtte. Teine on salakavalam: ebajärjekindlad andmed. Veendu enne käivitamist, et perioodid, ühikud ja kategooriad on sinu allikates joondatud; vastasel juhul saad täiuslikult põhjendatud analüüsi, mis põhineb võrreldamatutel numbritel.

Ametlikud allikad: Data analysis with ChatGPT (OpenAI abikeskus: failid, Python, tabelid piltidel) · Programmatic Tool Calling (OpenAI API: programmid, mis orkestreerivad tööriistu, millal kasutada) · Reasoning models (jõupingutuse tasemed)

Peamised punktid

  • Kõrge põhjendamistase ristviitab arvutustabeleid, PDF-e, CSV-sid ja pilte; arvutused teostab Data Analysis
  • Raamista oma analüüs enne andmete esitamist ja lülita ristviitamiseks sisse kõrge põhjendamistase
  • Responses API kaudu võimaldab Programmaatiline tööriistade kutsumine isoleeritud JavaScripti programmil orkestreerida tööriistu ja filtreerida vahepealseid tulemusi
  • Küsi struktureeritud sünteesi (leiud, analüüs, soovitused) ja iteratsiooni huvitavate punktide üle
  • Erista tulemustes alati korrelatsiooni ja põhjuslikkust