Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Analizza automaticamente dati da più fonti

Lezione 5 di 12 Aggiornata il 5 novembre 2026 Intermedio
In questa pagina
  1. Trasforma i dati grezzi in insight azionabili
  2. Il problema dei dati frammentati
  3. Tre modi per fornire le tue fonti
  4. Conduci l’analisi in quattro passaggi
  5. L’incrocio che non avresti richiesto
  6. A te la parola
  7. Punti chiave

Trasforma i dati grezzi in insight azionabili

Uno dei punti di forza maggiori di un modello impostato su un livello di ragionamento elevato è la capacità di acquisire dati da fonti diverse, incrociarli e trarre conclusioni coerenti. Questa lezione ti mostra come sfruttare questa funzionalità per automatizzare le tue analisi, dal modo in cui fornisci i dati a come interpreti l’output del modello.

Il problema dei dati frammentati

In ambito aziendale, i dati non risiedono mai in un unico luogo. I fatturati si trovano in un foglio Excel, le ricerche di mercato in un PDF, il feedback dei clienti in una catena di email e le metriche web in un’esportazione CSV. Riconciliare manualmente tutto questo richiede ore e devi rifare il lavoro ogni periodo.

Un modello ad alto ragionamento elabora queste fonti eterogenee in un’unica conversazione e produce una sintesi integrata. In ChatGPT, alleghi fogli di calcolo, PDF, documenti e immagini; i calcoli vengono eseguiti tramite Data Analysis, che esegue codice Python. Una dashboard fotografata può fungere da fonte, con una precisazione: OpenAI avverte che i valori esatti da una tabella in un’immagine non vengono estratti in modo affidabile, quindi è meglio fornire il file originale quando i numeri sono importanti.

Tre modi per fornire le tue fonti

Il primo metodo, più diretto, è il caricamento dei file. ChatGPT accetta più file in un’unica conversazione—cartelle di lavoro Excel e CSV, documenti PDF, immagini di grafici o screenshot e file di testo—e il modello li analizza simultaneamente. Li carichi tutti insieme e formuli la tua richiesta di incrocio in una sola frase.

“Ecco il mio file vendite Q1 (Excel), il report di settore (PDF) e le metriche di Google Analytics (CSV). Incrocia queste tre fonti e identifica le prime 5 tendenze con i dati a supporto.”

Il secondo metodo, il copia-incolla strutturato, funziona per dataset più leggeri che incolli direttamente nel prompt. La chiave è nominare esplicitamente ogni blocco; altrimenti, il modello deve indovinare a cosa appartiene cosa.

“Fonte 1 — Vendite per regione: [tabella] Fonte 2 — Soddisfazione clienti per regione: [tabella] Fonte 3 — Budget marketing per regione: [tabella] Analizza la correlazione tra budget marketing, vendite e soddisfazione per regione.”

Il terzo metodo diventa necessario quando i documenti sono troppo grandi per essere forniti così come sono: li riassumi tu stesso e trasmetti solo i dati chiave. Perdi il dettaglio, ma mantieni ciò che guida l’analisi, come nell’esempio seguente in cui il divario tra crescita del mercato e crescita interna è il vero problema.

“Ho tre fonti. Il report di settore indica una crescita del mercato del 12% nel 2025. Le nostre vendite interne mostrano un +8%. Il feedback dei clienti menziona tempi di consegna troppo lunghi (l’NPS è sceso da 42 a 35). Analizza il divario tra la crescita del mercato e la nostra crescita, integrando il feedback dei clienti.”

Se automatizzi l’analisi tramite API, le Responses API ti permettono di collegare strumenti (esecuzione di codice, ricerca, accesso ai file) a un modello impostato su sforzo elevato. Con il Programmatic Tool Calling, il modello scrive ed esegue JavaScript in un ambiente V8 isolato per chiamare questi strumenti, potenzialmente in parallelo. Filtra, raggruppa o aggrega poi i risultati intermedi prima di restituire un esito più compatto al modello. OpenAI raccomanda questo approccio quando più risultati possono essere ordinati o aggregati via codice, e consiglia la chiamata diretta quando ogni risultato richiede un nuovo giudizio del modello.

Incrocia più fonti Quattro passaggi: inquadra cosa cerchi; fornisci file originali con periodi e unità allineati; richiedi una sintesi di riscontri, cause e azioni; approfondisci un punto, poi un altro. ANALISI MULTI-FONTE Incrocia più fonti 1 Inquadra Cosa cerchi 2 Fornisci File originali, allineati 3 Sintetizza Riscontri, cause, azioni 4 Approfondisci Un punto, poi un altro I calcoli vengono eseguiti tramite Data Analysis; una tabella in un'immagine non è affidabile fino all'ultima cifra.
Basato sull'articolo "Data analysis with ChatGPT" dell'OpenAI Help Center (novembre 2026).

Conduci l’analisi in quattro passaggi

Tutto inizia dall’inquadramento, e questo passaggio avviene prima di caricare qualsiasi file. Dichiara al modello cosa stai cercando—“Sto per fornire 3 file. Voglio un’analisi comparativa che identifichi i gap di performance tra le nostre regioni, le correlazioni con il budget marketing e raccomandazioni azionabili”—e saprà cosa trattenere da ogni fonte invece di riassumere tutto in modo piatto.

Successivamente, fornisci i dati a un livello di ragionamento elevato (High in Chat, high nell’API) per garantire un incrocio rigoroso. Chiedi poi una sintesi strutturata piuttosto che un testo a flusso di coscienza: “Produci un report in 3 parti: (1) Riscontri fattuali con cifre, (2) Analisi delle cause, (3) Raccomandazioni prioritarie. Usa tabelle dove rilevante.” Infine, itera. Il modello mantiene il contesto dell’intera conversazione, permettendoti di approfondire un punto specifico—“Approfondisci la regione Île-de-France. Perché l’NPS sta scendendo mentre le vendite salgono?”—senza ricaricare tutto. La prima analisi è raramente la migliore; gli insight utili emergono durante il botta e risposta.

L’incrocio che non avresti richiesto

Il vero potere del ragionamento di alto livello appare quando inviti il modello a combinare dimensioni che potresti non aver considerato, ad esempio: “C’è una correlazione tra i giorni con alto traffico web e i giorni con un aumento dei reclami? Se sì, proponi un’ipotesi esplicativa.” Il modello allinea quindi le serie temporali, calcola le correlazioni, formula ipotesi causali e, cosa cruciale, distingue esplicitamente correlazione da causalità invece di saltare alle conclusioni. Tuttavia, questa salvaguardia rimane parziale: stabilire la causalità è dominio della tua expertise, non del modello.

A te la parola

Tre fonti, un incrocio. Prepara tre fonti dal tuo lavoro, anche semplici. Allega un file Excel di vendite o metriche, aggiungi un secondo file che copra un’altra dimensione—budget, soddisfazione, organico—e richiedi un incrocio a un livello di ragionamento elevato, con i calcoli eseguiti da Data Analysis. Se non hai nulla a portata di mano, chiedi al modello di generare prima un dataset fittizio realistico per il tuo settore, poi analizzalo come se fosse reale.

Due errori rovinano la maggior parte dei primi tentativi. Il primo è scaricare dieci file senza direzione: senza inquadramento, il modello produce un riassunto generico. Il secondo è più insidioso: dati incoerenti. Verifica che periodi, unità e categorie siano allineati tra le tue fonti prima di lanciare qualsiasi cosa; altrimenti, otterrai un’analisi perfettamente ragionata basata su numeri non confrontabili.

Fonti ufficiali: Data analysis with ChatGPT (OpenAI Help Center: file, Python, tabelle nelle immagini) · Programmatic Tool Calling (OpenAI API: programmi che orchestrano strumenti, quando usarli) · Reasoning models (livelli di sforzo)

Punti chiave

  • Un livello di ragionamento elevato incrocia fogli di calcolo, PDF, CSV e immagini; i calcoli vengono eseguiti tramite Data Analysis
  • Inquadra la tua analisi prima di fornire i dati e abilita il ragionamento elevato per l’incrocio
  • Tramite le Responses API, il Programmatic Tool Calling permette a un programma JavaScript isolato di orchestrare strumenti e filtrare risultati intermedi
  • Richiedi sintesi strutturate (riscontri, analisi, raccomandazioni) e itera sui punti interessanti
  • Distingui sempre tra correlazione e causalità nei risultati