Łączenie wielu źródeł danych
Na tej stronie
Krzyżowe odniesienie danych dla bogatszej analizy
Najcenniejsze wnioski płyną z krzyżowego odniesienia wielu źródeł. Sprzedaż i CRM, budżet kontra wykonanie, analityka internetowa i konwersje: traktowane izolowanie, każdy plik opowiada tylko połowę historii. Ich połączenie ujawnia wzorce niewidoczne w żadnym pojedynczym źródle – na przykład odkrycie, że Twoi klienci o największym wolumenie zakupów są w rzeczywistości najmniej dochodowi pod względem marży.
Importowanie wielu plików
ChatGPT przyjmuje wiele plików w ramach jednej rozmowy. Najlepszą praktyką jest przesłanie ich na początku sesji i wyraźne określenie zawartości każdego z nich. Oszczędza to konieczności odpowiadania na pytania doprecyzowujące później, a co ważniejsze, zapobiega błędnej interpretacji roli pliku przez ChatGPT.
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.
Prześlij je pojedynczo lub wszystkie naraz; ChatGPT potrafi odczytać je wszystkie w swoim środowisku Python. Liczba plików dozwolonych w jednej rozmowie zależy od typu pliku, modelu, planu subskrypcji i Twojego limitu importu. Możesz także dołączyć pliki z Google Drive, OneDrive lub SharePoint, gdy odpowiednie wtyczki są dostępne dla Twojego konta. Podobnie jak w Lekcji 1, zachowaj tylko te kolumny z CRM, które są niezbędne do połączenia.
Łączenie tabel (złączenia)
Złączenie (join) łączy dwie tabele na podstawie wspólnej kolumny: jest to sedno każdego krzyżowego odniesienia. Poproś o nie, wyraźnie wskazując klucz, i zażądaj natychmiastowego zgłoszenia wierszy osieroconych – tych, dla których klucz nie znajduje odpowiednika.
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.
Wynik zależy od wybranego typu złączenia, a wybór ten nigdy nie jest neutralny: w zależności od przypadku albo tracisz dane sprzedażowe, albo zachowujesz niekompletne wiersze.
| Typ złączenia | Zachowanie | Kiedy stosować |
|---|---|---|
| Inner join | Zachowuje tylko pasujące wiersze | Ścisła analiza, brak niekompletnych danych |
| Left join | Zachowuje wszystkie wiersze z tabeli głównej | Wzbogacenie sprzedaży danymi klienta (nawet jeśli klient jest nieznany) |
| Outer join | Zachowuje wszystkie wiersze z obu tabel | Identyfikacja rozbieżności między dwoma źródłami |
Nie musisz znać tego żargonu, aby z niego korzystać. Po prostu opisz pożądany rezultat, określając, jak obsługiwać przypadki niedopasowane.
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 tłumaczy to żądanie na złączenie – w tym przypadku left join, ponieważ żadna sprzedaż nie powinna zniknąć z sumy; zweryfikuj to w kodzie. Sformułowanie ma znaczenie: gdybyś napisał po prostu „skrzyżuj oba pliki“ bez dalszych precyzji, złączenie inner join mogłoby usunąć z Twoich przychodów wszystkich klientów brakujących w CRM.
Porównanie budżetu z wykonaniem
Najczęstszym krzyżowym odniesieniem w zarządzaniu wynikami jest zestawienie dwóch plików stworzonych przez różne zespoły: celów ustalonych na początku roku po jednej stronie i zagregowanej sprzedaży po drugiej. Haczyk polega na kluczu złączenia, który jest złożony – region i miesiąc – ponieważ żadna z tych kolumn osobno nie wystarczy do identyfikacji wiersza.
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.
Wzbogacanie danymi zewnętrznymi
Plik referencyjny pozwala dodać wymiar, którego nie ma w żadnych Twoich danych sprzedażowych. Klasycznym przypadkiem jest kod pocztowy: obecny w każdym zamówieniu, odblokowuje analizę geograficzną po sparowaniu z tabelą wyszukiwania. Środowisko Python w ChatGPT nie ma dostępu do sieci: pobierz tę tabelę z oficjalnego źródła, a następnie ją dołącz.
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.
Ten sam mechanizm łączy dwa światy, które zazwyczaj funkcjonują w silosach: marketing cyfrowy i handel. Skorelowanie ruchu ze sprzedażą ujawnia strony, które przyciągają odwiedzających, ale nie konwertują – takie, których publiczność ładnie wygląda w raportach marketingowych, nigdy nie wypełniając księgi zamówień.
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?
Radzenie sobie z niespójnościami między źródłami
Źródła danych rzadko mają ten sam format i właśnie tutaj złączenia zawodzą – cicho. Trzy problemy powracają stale. Pierwszy dotyczy nazw kolumn, które oznaczają te same informacje inaczej, ponieważ dwa zespoły nadały im własne nazwy.
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 problem to daty, gdzie ziarnistość i formatowanie różnią się w zależności od systemu. Harmonizacja musi poprzedzać scalanie, a nie po nim następować: gdy wiersze są już niedopasowane, nic nie pozwoli Ci cofnąć się do źródła błędu.
Sales use the DD/MM/YYYY format.
Targets use the YYYY-MM format.
Harmonize both to month (YYYY-MM) before cross-referencing.
Trzeci problem dotyczy wartości kategorycznych, gdzie prosta różnica w wielkości liter lub akcentach powoduje niepowodzenie dopasowania, mimo że ludzki czytelnik nie widzi żadnej niejednoznaczności.
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.
Żadne z tych zabezpieczeń nie zastępuje konieczności przeprowadzenia końcowej kontroli. Nieudane złączenie nie generuje komunikatu o błędzie: produkuje mniejszą tabelę, która wygląda zupełnie poprawnie, i nikt nie zauważa problemu aż do spotkania. Dlatego systematycznie żądaj podsumowania.
After the join, how many rows were lost?
How many rows found no match?
Show 5 examples of non-matches.
Wielowymiarowa analiza krzyżowa
Gdy źródła zostaną połączone, możesz krzyżowo odnosić wymiary, które wcześniej były rozdzielone. To jest prawdziwa korzyść z całej tej pracy technicznej i moment, w którym staje się ona widoczna.
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)
Te analizy byłyby niemożliwe przy użyciu pojedynczego pliku: plik sprzedażowy ignoruje wielkość firmy klienta, a CRM ignoruje to, co klient kupuje. To właśnie krzyżowe odniesienie pozwala finalmente zadać pytanie, które interesuje kierownictwo handlowe: jaki typ klienta kupuje jaki typ produktu.
Twoja kolej
Twoje pierwsze krzyżowe odniesienie.
- Wybierz dwa pliki współdzielące klucz: sprzedaż i CRM, budżet i wykonanie.
- Przedstaw je ChatGPT, określając rolę każdego z nich.
- Ujednolić nazwy kolumn, daty i wartości przed złączeniem.
- Opisz, jak obsługiwać wiersze niedopasowane, a następnie wykonaj złączenie.
- Poproś o podsumowanie utraconych wierszy i przeanalizuj pięć przykładów.
Źródła oficjalne: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Centrum Pomocy OpenAI)
Kluczowe wnioski
- Zaimportuj wiele plików do tej samej rozmowy, aby móc je krzyżowo odnieść.
- Opisz logikę złączenia językiem naturalnym, a następnie zweryfikuj typ złączenia w kodzie.
- Ujednolić formaty (daty, nazwy, wielkość liter) przed scaleniem.
- Zawsze sprawdzaj liczbę wierszy przed i po złączeniu.
- Krzyżowe odniesienie wielu źródeł ujawnia wnioski niewidoczne w żadnym izolowanym źródle.