Automātiski analizēt daudzavotu datus
Šajā lapā
Pārvērt jēldatus izmantojamās atziņās
Viens no lielākajiem modeļa, kas iestatīts augstā spriešanas līmenī, stiprajiem punktiem ir spēja uzņemt datus no dažādiem avotiem, tos savstarpēji salīdzināt un izdarīt loģiskus secinājumus. Šajā nodarbībā tu uzzināsi, kā izmantot šo spēju, lai automatizētu savu analīzi – sākot no datu iesniegšanas veida līdz modeļa izvades interpretācijai.
Izklīdinātu datu problēma
Uzņēmējdarbībā dati nekad neatrodas vienā vietā. Ieņēmumu rādītāji glabājas Excel izklājlapā, tirgus izpēte – PDF failā, klientu atsauksmes – e-pasta sarakstē, bet tīmekļa metrika – CSV eksportfailā. Visu šo informāciju manuāli saskaņot aizņem stundas, un šis darbs ir jāatkārto katrā periodā.
Augsta līmeņa spriešanas modelis apstrādā šos neviendabīgos avotus vienā sarunā un ģenerē integrētu sintēzi. Vidē ChatGPT tu vari pievienot izklājlapas, PDF dokumentus, tekstfailus un attēlus; aprēķinus veic datu analīzes rīks (Data Analysis), kas izpilda Python kodu. No fotografēta informācijas paneļa var iegūt datus, taču ir viens brīdinājums: OpenAI norāda, ka precīzas vērtības no tabulas attēlā netiek izgūtas uzticami, tāpēc, ja skaitļiem ir izšķiroša nozīme, labāk iesniegt oriģinālo failu.
Trīs veidi, kā iesniegt savus avotus
Pirmais un tiešākais metode ir failu augšupielāde. ChatGPT vienā sarunā pieņem vairākus failus – Excel darbgrāmatas un CSV failus, PDF dokumentus, diagrammu attēlus vai ekrānuzņēmumus, kā arī tekstfailus – un modelis tos analizē vienlaicīgi. Tu vienkārši ievieto tos kopā un vienā teikumā formulē savu pieprasījumu datu savstarpējai salīdzināšanai.
„Šeit ir mans Q1 pārdošanas fails (Excel), nozares ziņojums (PDF) un Google Analytics metrika (CSV). Salīdzini šos trīs avotus un identificē 5 galvenās tendences, pamatojoties uz datiem.”
Otrā metode – strukturēta kopēšana un ielīmēšana – ir piemērota mazākiem datu kopumiem, kurus ielīmē tieši promptā. Galvenais ir skaidri nosaukt katru bloku; pretējā gadījumā modelim būs jāmin, kas kam pieder.
„1. avots – Pārdošana pa reģioniem: [tabula] 2. avots – Klientu apmierinātība pa reģioniem: [tabula] 3. avots – Mārketinga budžets pa reģioniem: [tabula] Analizē korelāciju starp mārketinga budžetu, pārdošanu un apmierinātību pa reģioniem.”
Trešā metode kļūst nepieciešama, kad dokumenti ir pārāk lieli, lai tos iesniegtu oriģinālformātā: tu pats tos apkopo un nosūti tikai galvenos datus. Tu zaudē detaļas, bet saglabā to, kas virza analīzi, kā redzams šajā piemērā, kur patiesā problēma ir plaisa starp tirgus izaugsmi un iekšējo izaugsmi.
„Man ir trīs avoti. Nozares ziņojums liecina par tirgus izaugsmi 12% apmērā 2025. gadā. Mūsu iekšējie pārdošanas rādītāji uzrāda +8%. Klientu atsauksmēs minēti pārāk ilgi piegādes laiki (NPS krities no 42 uz 35). Analizē plaisu starp tirgus izaugsmi un mūsu izaugsmi, iekļaujot klientu atsauksmes.”
Ja automatizē analīzi, izmantojot API, Responses API ļauj pieslēgt rīkus (koda izpildi, meklēšanu, piekļuvi failiem) modelim, kas iestatīts uz augstu piepūli. Izmantojot Programmatisko rīku izsaukšanu (Programmatic Tool Calling), modelis raksta un izpilda JavaScript kodu izolētā V8 vidē, lai izsauktu šos rīkus, potenciāli paralēli. Tas pēc tam filtrē, grupē vai apkopo starprezultātus, pirms atgriež kompaktāku rezultātu modelim. OpenAI iesaka šo pieeju, ja vairākus rezultātus var sakārtot vai apkopot, izmantojot kodu, un iesaka tiešo izsaukšanu, ja katram rezultātam nepieciešams jauns modeļa vērtējums.
Veic analīzi četros soļos
Viss sākas ar ietvaru definēšanu, un šis solis notiek pirms jebkādu failu augšupielādes. Pastāsti modelim, ko tu meklē – „Es iesniegšu 3 failus. Es vēlos salīdzinošu analīzi, kas identificē veiktspējas atšķirības starp mūsu reģioniem, korelācijas ar mārketinga budžetu un izmantojamas rekomendācijas.” – un tas zinās, ko saglabāt no katra avota, nevis vienkārši visu apkopot virspusēji.
Tālāk iesniedz datus, izmantojot augstu spriešanas līmeni (High vidē Chat vai high API), lai nodrošinātu rūpīgu datu savstarpēju salīdzināšanu. Tad pieprasi strukturētu sintēzi, nevis brīvas plūsmas tekstu: „Sagatavo ziņojumu 3 daļās: (1) Faktiski konstatējumi ar skaitļiem, (2) Cēloņu analīze, (3) Prioritāras rekomendācijas. Attiecīgajos gadījumos izmanto tabulas.” Visbeidzot, iterē. Modelis saglabā visas sarunas kontekstu, ļaujot tev iedziļināties konkrētā punktā – „Aplūko sīkāk Ildefransas reģionu. Kāpēc NPS krītas, kamēr pārdošana pieaug?” – nepārlādējot visu no jauna. Pirmā analīze reti ir labākā; noderīgas atziņas parasti rodas diskusiju gaitā.
Savstarpējā salīdzināšana, par ko tu nebūtu jautājis
Augsta līmeņa spriešanas patiesais spēks izpaužas, kad uzaicini modeli apvienot dimensijas, par kurām tu, iespējams, nebūtu aizdomājies, piemēram: „Vai pastāv korelācija starp dienām ar augstu tīmekļa trafiku un dienām, kad pieaug sūdzību skaits? Ja jā, piedāvā skaidrojošu hipotēzi.” Modelis tad saskaņo laika rindas, aprēķina korelācijas, formulē cēloniskas hipotēzes un, kas ir vis svarīgāk, skaidri nošķir korelāciju no cēlonības, nevis steidzas pie secinājumiem. Tomēr šī drošība ir tikai daļēja: cēlonības noteikšana ir tava jomas ekspertīze, nevis modeļa uzdevums.
Tava kārta
Trīs avoti, viena savstarpējā salīdzināšana. Sagatavo trīs avotus no savas darba vides, pat ja tie ir vienkārši. Pievieno Excel failu ar pārdošanas datiem vai metriku, pievieno otro failu, kas aptver citu dimensiju – budžetu, apmierinātību, darbinieku skaitu – un pieprasi datu savstarpēju salīdzināšanu augstā spriešanas līmenī, ļaujot aprēķinus veikt datu analīzes rīkam (Data Analysis). Ja tev nekas nav pa rokai, lūdz modelim ģenerēt reālistisku fiktīvu datu kopu tavai nozarei un pēc tam analizē to tā, it kā tā būtu reāla.
Divas kļūdas izposta lielāko daļu pirmo mēģinājumu. Pirmā ir desmit failu izgāšana bez virziena: bez iepriekšēja ietvara definēšanas modelis ģenerē vispārīgu kopsavilkumu. Otra ir mānīgāka: nesaskaņoti dati. Pirms jebkādas darbības uzsākšanas pārbaudi, vai periodi, mērvienības un kategorijas visos avotos sakrīt; pretējā gadījumā tu saņemsi perfektu loģisku analīzi, kas balstīta uz nesaistāmiem skaitļiem.
Oficiālie avoti: Data analysis with ChatGPT (OpenAI palīdzības centrs: faili, Python, tabulas attēlos) · Programmatic Tool Calling (OpenAI API: programmas, kas orchestrē rīkus, kad tos lietot) · Reasoning models (piepūles līmeņi)
Galvenās atziņas
- Augsts spriešanas līmenis savstarpēji salīdzina izklājlapas, PDF, CSV un attēlus; aprēķinus veic datu analīzes rīks (Data Analysis)
- Definē analīzes ietvaru pirms datu iesniegšanas un aktivizē augstu spriešanas līmeni datu savstarpējai salīdzināšanai
- Izmantojot Responses API, Programmatiskā rīku izsaukšana ļauj izolētai JavaScript programmai orchestrēt rīkus un filtrēt starprezultātus
- Pieprasi strukturētas sintēzes (konstatējumi, analīze, rekomendācijas) un iterē interesantos punktos
- Rezultātos vienmēr nošķir korelāciju no cēlonības