Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Užduokite savo duomenims klausimų natūraliąja kalba

Paskaita 2 iš 14 Atnaujinta 2026 m. lapkričio 5 d. Vidutinis lygis
Šiame puslapyje
  1. Užklauskite savo duomenis taip, lyg kalbėtumėte su kolega
  2. Principas: nuo natūraliosios kalbos iki Python kodo
  3. Klausimų, kuriuos galite užduoti, tipai
  4. Efektyvių klausimų formuluavimas
  5. Rezultatų iteravimas
  6. Daugiau mąstymo sudėtingoms analizėms
  7. Jūsų eilė
  8. Svarbiausi punktai

Užklauskite savo duomenis taip, lyg kalbėtumėte su kolega

Didžiausias „ChatGPT“ privalumas duomenų analizėje slypi viename dalyke: jis supranta jūsų klausimus paprasta kalba. Jums nereikia SQL, Python ar trijų lygių įdėtųjų „Excel“ formulių. Tiesiog aprašykite, ko ieškote, būtent taip, kaip pasakytumėte kolegai analitikui, žiūrinčiam į tą patį failą, o „ChatGPT“ jūsų ketinimą pavers vykdomuoju kodu. Šis pokytis yra realus ir keičia darbo pobūdį: jūsų pastangos persikelia nuo sintaksės prie tinkamo klausimo suformulavimo.

Principas: nuo natūraliosios kalbos iki Python kodo

Kai užduodate klausimą apie savo duomenis, štai kas vyksta užkulisiuose:

Nuo natūraliosios kalbos iki rezultato Keturi žingsniai: užduodate klausimą paprasta kalba; „ChatGPT“ parašo Python kodą, dažnai naudodamas „pandas“; kodas vykdomas „Jupyter“ užrašų knygelėje; rezultatas pateikiamas kaip lentelė, skaičius arba diagrama. PRINCIPAS Nuo natūraliosios kalbos iki rezultato 1 Klausimas Paprasta kalba 2 Kodas Python, dažnai „pandas“ 3 Vykdymas Užrašų knygelėje Jupyter 4 Rezultatas Lentelė, skaičius, diagrama Prieš pasitikėdami rezultatu, rodykite kodą ir peržiūrėkite prielaidas.
Pagal straipsnį „Data analysis with ChatGPT“ iš „OpenAI“ pagalbos centro (2026 m. lapkritis).

Šis kodas nėra juoda dėžė: galite jį peržiūrėti, patikrinti ir paprašyti „ChatGPT“ pakoreguoti metodą. Atkreipkite dėmesį, kad Python aplinka neturi prieigos prie interneto: jei analizei reikia išorinių duomenų, importuokite juos arba prijunkite šaltinį.

Klausimų, kuriuos galite užduoti, tipai

Apibendrinimo klausimai padeda susipažinti su failu prieš gilinant į detales: „Kiek eilučių ir stulpelių turi šis failas?“, „Pateikite bendrą duomenų apžvalgą“ arba „Kokie stulpeliai yra ir kokie jų tipai?“. Šie klausimai apsaugo jus nuo analizės pradėjimo darant prielaidas apie duomenų granuliariąją struktūrą, kurios jie neturi – negalite apskaičiuoti vidutinio krepšelio dydžio vienam klientui, jei failas jau sugrupuotas pagal regionus.

Toliau eina agregavimo klausimai, kurie tūkstančius eilučių sutraukia į veiksmus skatinančius skaičius: „Kokia bendra pardavimų suma pagal produkto kategoriją?“, „Koks vidutinis krepšelio dydis pagal mėnesį?“, „Kiek unikalių klientų tenka ketvirčiui?“. Tai mėnesinių ataskaitų pagrindas ir dažnai sudaro pusę darbo, kurio jūsų bus prašoma atlikti.

Filtravimo klausimai tada išskiria svarbų poaibį – „Rodykite tik pardavimus, viršijančius 10 000 EUR“, „Kurie produktai kovą nebuvo parduoti?“, „Išvardykite klientus iš Il de Franso regiono“ – o reitingavimo klausimai surikiuoja duomenis, kad būtų išryškintos kraštutinumai: „Kas yra 10 geriausių pardavėjų?“, „Surikiuokite regionus pagal pajamas mažėjimo tvarka“, „Kuris mėnuo buvo sėkmingiausias?“. Praktiškai rimta analizė sujungia visus keturis tipus: apibendrinate, agreguojate, atfiltruojate pastebėtą anomaliją, tada reitinguojate, kad nustatytumėte veiksmų prioritetus. Taip pat interaktyvioje lentelės peržiūroje galite pasirinkti eilutes, stulpelius ar langelius ir užduoti klausimą tik apie tą pasirinkimą – pavyzdžiui, dažniausią reikšmę stulpelyje arba kelių langelių vidurkį.

Efektyvių klausimų formuluavimas

Atsakymo kokybė tiesiogiai priklauso nuo to, kiek aiškiai suformuluotas jūsų klausimas. Jūsų pirmasis refleksas turėtų būti įvardyti stulpelius, o ne kalbėti bendraisiais terminais. „Išanalizuokite pardavimus“ palieka „ChatGPT“ spėlioti, kuriame stulpelyje yra suma; ši formulė nepalieka vietos interpretacijai:

Apskaičiuokite stulpelio "amount_incl_tax" sumą, sugrupuotą pagal "region"
ir surikiuotą nuo didžiausios iki mažiausios.

Antrasis jūsų refleksas – nurodyti norimą išvesties formatą. Priešingu atveju gausite tekstinį atsakymą, kai jums reikėjo lentelės, kurią galėtumėte įklijuoti į ataskaitą, ir prarasite laiką, sutaupytą skaičiavimams, formatuodami iš naujo:

Pateikite rezultatą kaip lentelę su šiais stulpeliais:
regionas, bendri pardavimai, sandorių skaičius, vidutinis krepšelio dydis.

Trečiasis, dažnai pamirštamas žingsnis – pateikti verslo kontekstą, kurio faile nėra. „ChatGPT“ nežino, kad tam tikrų eilučių nereikėtų įtraukti į skaičiavimą:

Stulpelyje "status" yra reikšmės "approved", "pending" ir "cancelled".
Įtraukite tik patvirtintus užsakymus.

Be šio patikslinimo, atšaukti užsakymai dirbtinai padidins pajamas, o klaida liks nepastebėta: rezultatas vis tiek atrodys visiškai tikėtinas. Būtent tokio tipo klaidos gali nepastebėtos praslysti pro vadovų susirinkimą.

Rezultatų iteravimas

Duomenų analizė retai būna tiesinė, ir nesitikima, kad tinkamą klausimą rasite iš pirmo karto. Pradedate paprašydami bendrų pajamų pagal mėnesius, pastebite nuosmukį vasarį, tada klausiate, kodėl tas nuosmukis įvyko. Jei atsakymas lieka neaiškus, filtruojate pagal „premium“ kategoriją ir perskaičiuojate, tada palyginate su tuo pačiu praėjusių metų laikotarpiu, kad nustatytumėte, ar tai žinomas sezoniškumas, ar incidentas.

„ChatGPT“ išlaiko pokalbio kontekstą ir įkeltą failą, todėl kiekvienas klausimas remiasi ankstesniais. Tai leidžia nuosekliai tyrinėti: vasario nuosmukis, izoliuotas „premium“ segmente, gali būti paaiškintas vienu dideliu klientu, perėjusiu pas konkurentą – tokia išvada būtų nepasiekiama iš pirmojo klausimo.

Daugiau mąstymo sudėtingoms analizėms

Kai kurių klausimų negalima išspręsti paprastu agregavimu. Kryžminės koreliacijos, daugelio šaltinių analizės, niuansuotos interpretacijos: kai reikia daugiažingsnio samprotavimo, „ChatGPT“ parinkiklyje pasirinkite aukštesnį mąstymo lygį – „High“ arba „Extra High“, priklausomai nuo jūsų plano, arba mygtuką „Think“ naudojant „Free“ ir „Go“ planus. Papildomas mąstymas padeda atsižvelgti į veiksnius, galinčius paaiškinti ryšį tarp dviejų kintamųjų prieš darant išvadą apie priežastingumą, pastebėti subtilius dėsningumus – sezoniškumą, pasislinkusį trimis savaitėmis, segmentą, mažėjantį ketvirtį iš ketvirčio – ir suformuluoti rekomendacijas remiantis apskaičiuotais skaičiais. Joks nustatymas however nepaverčia koreliacijos priežastingumu: čia lemia jūsų srities žinios ir kartais – testas.

Jūsų eilė

Jūsų pirmieji klausimai.

  1. Importuokite failą, kurį gerai žinote
  2. Užduokite po vieną klausimą iš kiekvienos šeimos: apibendrinimo, agregavimo, filtravimo, reitingavimo
  3. Performuluokite vieną iš jų, įvardydami stulpelius ir nurodydami išvesties formatą, tada palyginkite abu atsakymus
  4. Pridėkite verslo taisyklę – pavyzdžiui, neįtraukite atšauktų užsakymų – ir įvertinkite skirtumą
  5. Rodykite skaičiavimo kodą ir rankiniu būdu patikrinkite jį dvejose ar trejose eilutėse

Oficialūs šaltiniai: Data analysis with ChatGPT · Extracting Insights with ChatGPT Data Analysis („OpenAI“ pagalbos centras) · Prompting („ChatGPT“ dokumentacija)

Svarbiausi punktai

  • Užduokite klausimus paprasta kalba; „ChatGPT“ juos pavers kodu
  • Būkite konkretūs: įvardykite stulpelius, nurodykite filtrus, nurodykite norimą formatą
  • Iteruokite tame pačiame pokalbyje, kad pagilintumėte analizę
  • Padidinkite mąstymo lygį daugiažingsnėms analizėms
  • Visada tikrinkite rezultatus – „ChatGPT“ gali neteisingai interpretuoti stulpelį