Kombiniranje više izvora podataka
Na ovoj stranici
Unakrsno referenciranje podataka za bogatiju analizu
Najmoćniji uvidi proizlaze iz unakrsnog referenciranja više izvora. Prodaja i CRM, plan naspram ostvarenja, web analitika i konverzije: promatrani izolirano, svaka datoteka priča samo pola priče. Njihovim spajanjem otkrivaju se obrasci nevidljivi u bilo kojem pojedinačnom izvoru – na primjer, otkriće da su vaši kupci s najvećim obujmom zapravo najmanje profitabilni s obzirom na maržu.
Uvoz više datoteka
ChatGPT prihvaća više datoteka u jednom razgovoru. Najbolja je praksa učitati ih na početku sesije i eksplicitno navesti što svaka od njih sadrži. Time štediš vrijeme odgovaranja na pitanja za razjašnjenje kasnije i, što je još važnije, sprječavaš ChatGPT da pogrešno protumači ulogu neke datoteke.
Here are 3 files:
1. sales_q1_2026.xlsx — sales transactions
2. clients_crm.csv — customer database with sector and size
3. targets_2026.csv — targets by region and month
I will ask you to cross-reference them for a complete analysis.
Učitaj ih jednu po jednu ili sve odjednom; ChatGPT može pročitati sve unutar svog Python okruženja. Broj datoteka dopuštenih po razgovoru varira ovisno o vrsti datoteke, modelu, planu pretplate i tvojoj kvoti za uvoz. Također možeš priložiti datoteke s Google Drivea, OneDrivea ili SharePointa kada su za tvoj račun dostupni odgovarajući dodaci. Kao i u Lekciji 1, zadrži samo stupce iz CRM-a potrebne za spajanje.
Spajanje tablica (joins)
Join (spajanje) kombinira dvije tablice na temelju zajedničkog stupca: to je srž svakog unakrsnog referenciranja. Zatraži ga eksplicitnim navođenjem ključa i zahtijevaj trenutno izvješćivanje o “osirotjelim” redcima – onima gdje ključ ne pronalazi podudaranje.
Merge the sales file with the clients file
using the "id_client" column as the join key.
Show a preview of the result and flag any sales
without a matching client.
Rezultat ovisi o odabranoj vrsti join operacije, a taj izbor nikada nije neutralan: ovisno o slučaju, ili gubiš podatke o prodaji ili zadržavaš nepotpune retke.
| Vrsta joina | Ponašanje | Kada koristiti |
|---|---|---|
| Inner join | Zadržava samo podudaranja | Stroga analiza, bez nepotpunih podataka |
| Left join | Zadržava sve retke iz primarne tablice | Obogaćivanje prodaje podacima o klijentu (čak i ako je klijent nepoznat) |
| Outer join | Zadržava sve retke iz obje tablice | Identificiranje odstupanja između dva izvora |
Ne moraš poznavati ovaj žargon da bi ga koristio. Jednostavno opiši željeni ishod, specificirajući kako postupiti s nepodudarnim slučajevima.
I want to enrich my sales data with client info.
Keep all sales, even those where the client
is not in the CRM (mark these as "Unknown").
ChatGPT prevodi ovaj zahtjev u join operaciju – u ovom slučaju left join, jer nijedna prodaja ne smije nestati iz ukupnog zbroja; provjeri to u kodu. Formulacija je bitna: da si jednostavno napisao „unakrsno referenciraj dvije datoteke“ bez daljnjih preciziranja, inner join mogao bi iz tvojih prihoda izbaciti sve klijente kojih nema u CRM-u.
Usporedba plana naspram ostvarenja
Najčešće unakrsno referenciranje u upravljanju učinkovitošću suprotstavlja dvije datoteke koje su izradili različiti timovi: ciljeve postavljene na početku godine s jedne strane i agregiranu prodaju s druge. Ovdje je kvaka u ključu spajanja, koji je složen – regija i mjesec – jer nijedan stupac sam po sebi nije dovoljan za identifikaciju retka.
Cross-reference the targets file (columns: region, month, target_revenue)
with the aggregated sales file (region, month, actual_revenue).
Calculate the variance in euros and percentage for each combination.
Flag any instances where the target was not met.
Obogaćivanje vanjskim podacima
Referentna datoteka omogućuje dodavanje dimenzije koja ne postoji nigdje u tvojim podacima o prodaji. Klasičan slučaj je poštanski broj: prisutan u svakoj narudžbi, otključava geografsku analizu jednom kada se upari s tablicom za pretraživanje. Python okruženje ChatGPT-a nema pristup webu: preuzmi ovu tablicu sa službenog izvora, a zatim je priloži.
Here is a reference file with postal codes
and French administrative regions.
Add a "region" column to my sales data
using the postal code as the key.
Isti mehanizam povezuje dva svijeta koja su obično odvojena: digitalni marketing i trgovinu. Korelacija prometa i prodaje otkriva stranice koje privlače posjetitelje, ali ne uspijevaju konvertirati – one čija publika uljepšava marketinška izvješća, a nikada ne ispunjava knjigu narudžbi.
File 1: Web traffic by product page (page_url, visits, bounce_rate)
File 2: Sales by product (product, revenue, quantity)
Cross-reference the two files on the product name.
Calculate the conversion rate (sales / visits) per product.
Which product has the best visits-to-sales ratio?
Rješavanje nedosljednosti između izvora
Izvori podataka rijetko dijele isti format, a upravo tu join operacije tiho failaju. Tri se problema stalno ponavljaju. Prvi se tiče naziva stupaca, koji označavaju iste informacije različito jer su ih dva tima imenovala odvojeno.
In the sales file, the column is named "client_id".
In the CRM, it is named "customer_identifier".
Perform the join by mapping these two columns.
Drugi se tiče datuma, gdje se granularnost i formatiranje razlikuju od sustava do sustava. Usklađivanje mora prethoditi spajanju, a nikada mu slijediti: jednom kada su redci neusklađeni, ništa ti ne omogućuje da pratiš izvor greške unatrag.
Sales use the DD/MM/YYYY format.
Targets use the YYYY-MM format.
Harmonize both to month (YYYY-MM) before cross-referencing.
Treći se tiče kategoričkih vrijednosti, gdje jednostavna razlika u veličini slova ili naglascima uzrokuje neuspjeh podudaranja, iako čitatelj čovjek ne bi vidio nikakvu dvosmislenost.
In sales, regions are uppercase (ILE-DE-FRANCE).
In the CRM, they are mixed case with accents (Île-de-France).
Normalize both before the join.
Nijedna od ovih mjera opreza ne zamjenjuje potrebu za konačnom provjerom. Neuspjeli join ne proizvodi poruku o grešci: on proizvodi manju tablicu, savršeno prezentabilnu, i nitko to ne primijeti sve do sastanka. Stoga sustavno zahtijevaj sažetak.
After the join, how many rows were lost?
How many rows found no match?
Show 5 examples of non-matches.
Višedimenzionalna unakrsna analiza
Kada se izvori spoje, možeš unakrsno referencirati dimenzije koje su prethodno bile odvojene. To je prava korist od svih ovih tehničkih priprema i trenutak kada to postaje vidljivo.
Now that I have sales enriched with CRM info:
1. Revenue by client industry sector AND by product category
2. Average order value by company size (Micro, Small, Medium, Large)
3. Top 10 most profitable combinations (sector × product)
Ove analize bile bi nemoguće s jednom datotekom: datoteka o prodaji ignorira veličinu tvrtke kupca, a CRM ignorira što oni kupuju. Unakrsno referenciranje je ono što ti konačno omogućuje postavljanje pitanja koje zanima komercijalno vodstvo – koja vrsta klijenta kupuje koju vrstu proizvoda.
Tvoj red
Tvoje prvo unakrsno referenciranje.
- Odaberi dvije datoteke koje dijele ključ: prodaja i CRM, plan i ostvarenje
- Predstavi ih ChatGPT-u, navodeći ulogu svake
- Uskladi nazive stupaca, datume i vrijednosti prije spajanja
- Opiši kako postupiti s nepodudarnim recima, zatim pokreni spajanje
- Zatraži sažetak izgubljenih redaka i pregledaj pet primjera
Službeni izvori: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)
Ključne točke
- Uvezi više datoteka u isti razgovor kako bi ih unakrsno referencirao
- Opiši logiku spajanja prirodnim jezikom, zatim provjeri vrstu joina u kodu
- Uskladi formate (datume, nazive, velika/mala slova) prije spajanja
- Uvijek provjeri broj redaka prije i nakon spajanja
- Unakrsno referenciranje iz više izvora otkriva uvide nevidljive u bilo kojem izoliranom izvoru