Analysoi automaattisesti monilähteistä dataa
Tällä sivulla
Muuta raakadata toimintakelpoiseksi tiedoksi
Yksi korkealle päättelytasolle asetetun mallin suurimmista vahvuuksista on kyky syöttää dataa eri lähteistä, ristiviitata sitä ja tehdä johdonmukaisia johtopäätöksiä. Tämä oppitunti näyttää, miten hyödynnät tätä kykyä analyysiesi automatisoinnissa – siitä, miten toimitat datan, siihen, miten tulkitset mallin tuotoksen.
Hajallaan olevan datan ongelma
Liiketoiminnassa data ei koskaan asu yhdessä paikassa. Liikevaihtoluvut ovat Excel-taulukossa, markkinatutkimus PDF-dokumentissa, asiakaspalaute sähköpostiketjussa ja verkkomittarit CSV-vientitiedostossa. Kaiken tämän manuaalinen yhteensovittaminen vie tunteja, ja joudut tekemään työn uudelleen joka jaksolla.
Korkean päättelytason malli käsittelee nämä heterogeeniset lähteet yhdessä keskustelussa ja tuottaa integroidun synteesin. ChatGPT:ssä liität taulukoita, PDF-dokumentteja, asiakirjoja ja kuvia; laskennat suoritetaan Data Analysis -toiminnon kautta, joka ajaa Python-koodia. Valokuvattu kojelauta voi toimia lähteenä, mutta yhtä varoitusta on noudatettava: OpenAI varoittaa, ettei kuvassa olevan taulukon tarkkoja arvoja poimita luotettavasti, joten lukujen ollessa kyseessä on parempi toimittaa alkuperäinen tiedosto.
Kolme tapaa toimittaa lähteesi
Ensimmäinen ja suoraviivaisin menetelmä on tiedostojen lataus. ChatGPT hyväksyy useita tiedostoja yhdessä keskustelussa – Excel-työkirjoja ja CSV-tiedostoja, PDF-dokumentteja, kaavioiden kuvia tai kuvakaappauksia sekä tekstitiedostoja – ja malli analysoi niitä samanaikaisesti. Pudotat ne sisään yhdessä ja muotoilet ristiviittaamispyyntösi yhdellä lauseella.
“Tässä on Q1-myyntitiedostoni (Excel), toimialaraportti (PDF) ja Google Analytics -mittarit (CSV). Ristiviittaa nämä kolme lähdettä ja tunnista 5 tärkeintä suuntausta tukidatoineen.”
Toinen menetelmä, strukturoitu kopioi-liitä, toimii kevyemmille dataseteille, jotka liität suoraan kehotteeseen. Avainasemassa on kunkin lohkon nimeäminen eksplisiittisesti; muuten mallin on arvattava, mikä kuuluu mihinkin.
“Lähde 1 — Myynti alueittain: [taulukko] Lähde 2 — Asiakastyytyväisyys alueittain: [taulukko] Lähde 3 — Markkinointibudjetti alueittain: [taulukko] Analysoi korrelaatio markkinointibudjetin, myynnin ja tyytyväisyyden välillä alueittain.”
Kolmas menetelmä tulee tarpeelliseksi, kun dokumentit ovat liian suuria toimitettavaksi sellaisinaan: tiivistät ne itse ja välität vain keskeiset tiedot. Menetät yksityiskohdat, mutta säilytät analyysiä ohjaavat tekijät, kuten seuraavassa esimerkissä, jossa markkinakasvun ja sisäisen kasvun välinen kuilu on todellinen ongelma.
“Minulla on kolme lähdettä. Toimialaraportti osoittaa markkinakasvun olevan 12 % vuonna 2025. Sisäinen myyntimme näyttää +8 %. Asiakaspalaute mainitsee liian pitkät toimitusajat (NPS laski 42:sta 35:een). Analysoi kuilua markkinakasvun ja kasvumme välillä ottaen huomioon asiakaspalautteen.”
Jos automatisoit analyysin API:n kautta, Responses API:n avulla voit yhdistää työkaluja (koodin suoritus, haku, tiedostojen käyttö) korkeaan ponnisteluun asetettuun malliin. Programmatic Tool Calling -toiminnolla malli kirjoittaa ja suorittaa JavaScriptiä eristetyssä V8-ympäristössä kutsuakseen näitä työkaluja, mahdollisesti rinnakkain. Se suodattaa, ryhmittelee tai aggregoi välitulokset ennen kompaktimman tuloksen palauttamista mallille. OpenAI suosittelee tätä lähestymistapaa, kun useita tuloksia voidaan lajitella tai aggregoida koodilla, ja neuvoo suoraa kutsumista, kun jokainen tulos vaatii mallin tuoretta harkintaa.
Suorita analyysi neljässä vaiheessa
Kaikki alkaa rajaamisesta, ja tämä vaihe tapahtuu ennen kuin lataat yhtäkään tiedostoa. Kerro mallille, mitä etsit – “Aion toimittaa 3 tiedostoa. Haluan vertailevan analyysin, joka tunnistaa suorituskykyerot alueidemme välillä, korrelaatiot markkinointibudjettiin sekä toimintakelpoiset suositukset” – jolloin se tietää, mitä kustakin lähteestä kannattaa pitää mielessä sen sijaan, että se tiivistäisi kaiken litteästi.
Seuraavaksi toimita data korkealla päättelytasolla (High chatissa, high API:ssa) varmistaaksesi perusteellisen ristiviittauksen. Pyydä sitten strukturoitua synteesiä vapaan assosiaation sijaan: “Tuota raportti kolmessa osassa: (1) Faktapohjaiset havainnot lukuineen, (2) Syyanalyysi, (3) Priorisoidut suositukset. Käytä taulukoita tarvittaessa.” Lopuksi iteroidaan. Malli säilyttää koko keskustelun kontekstin, joten voit sukeltaa tiettyyn kohtaan – “Tarkastele lähemmin Île-de-Francen aluetta. Miksi NPS laskee myynnin noustessa?” – lataamatta kaikkea uudelleen. Ensimmäinen analyysi on harvoin paras; hyödylliset oivallukset syntyvät edestakaisen vuorovaikutuksen aikana.
Ristiviittaus, jota et olisi osannut pyytää
Korkean tason päättelyn todellinen voima paljastuu, kun pyydät mallia yhdistämään ulottuvuuksia, joita et ehkä ole harkinnut, esimerkiksi: “Onko korrelaatiota päivien välillä, joina verkkoliikenne on suurta, ja päivien välillä, joina valitukset lisääntyvät? Jos on, ehdota selittävää hypoteesia.” Malli synkronoi aikasarjat, laskee korrelaatiot, muotoilee kausaaliset hypoteesit ja – mikä tärkeintä – erottaa eksplisiittisesti korrelaation kausaliteetista sen sijaan, että se tekisi hätäisiä johtopäätöksiä. Tämä suojamekanismi on kuitenkin osittainen: kausaliteetin vahvistaminen on sinun asiantuntemuksesi aluetta, ei mallin.
Sinun vuorosi
Kolme lähdettä, yksi ristiviittaus. Valmistele kolme lähdettä omasta työstäsi, vaikka ne olisivat yksinkertaisia. Liitä Excel-tiedosto myynnistä tai mittareista, lisää toinen tiedosto, joka kattaa toisen ulottuvuuden – budjetti, tyytyväisyys, henkilöstömäärä – ja pyydä ristiviittausta korkealla päättelytasolla siten, että laskennat suorittaa Data Analysis. Jos sinulla ei ole mitään käsillä, pyydä mallia generoimaan realistinen kuvitteellinen datasetti toimialallesi ensin ja analysoi sitä sitten kuin se olisi totta.
Kaksi sudenkuoppaa pilaa useimmat ensimmäiset yritykset. Ensimmäinen on kymmenen tiedoston dumppaaminen ilman suuntaa: ilman rajaamista malli tuottaa geneerisen yhteenvedon. Toinen on salakavalampi: epäjohdonmukainen data. Varmista, että jaksot, yksiköt ja kategoriat täsmäävät lähteidesi välillä ennen kuin käynnistät mitään; muuten saat täydellisesti perustellun analyysin, joka pohjautuu lukuihin, joita ei voi verrata toisiinsa.
Viralliset lähteet: Data analysis with ChatGPT (OpenAI Help Center: tiedostot, Python, taulukot kuvissa) · Programmatic Tool Calling (OpenAI API: työkaluja orkestroivat ohjelmat, milloin käyttää) · Reasoning models (ponnistelutasot)
Keskeiset asiat
- Korkea päättelytaso ristiviittaa taulukoita, PDF-tiedostoja, CSV-tiedostoja ja kuvia; laskennat suoritetaan Data Analysisin kautta
- Rajaa analyysisi ennen datan toimittamista ja ota käyttöön korkea päättelytaso ristiviittausta varten
- Responses API:n kautta Programmatic Tool Calling antaa eristetyn JavaScript-ohjelman orkestroida työkaluja ja suodattaa välituloksia
- Pyydä strukturoituja synteesejä (havainnot, analyysi, toimenpiteet) ja iteroi mielenkiintoisia kohtia
- Erota tuloksissa aina korrelaatio ja kausaliteetti toisistaan