Przejdź do głównej treści
Polski— Wybierz język
Menu

Zadawaj pytania swoim danym w języku naturalnym

Lekcja 2 z 14 Zaktualizowano 5 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Odpytuj swoje dane tak, jak rozmawiasz z kolegą z pracy
  2. Zasada: od języka naturalnego do kodu Python
  3. Rodzaje pytań, które możesz zadać
  4. Formułowanie skutecznych pytań
  5. Iteracja nad wynikami
  6. Więcej myślenia dla złożonych analiz
  7. Czas na Ciebie
  8. Kluczowe wnioski

Odpytuj swoje dane tak, jak rozmawiasz z kolegą z pracy

Największą zaletą ChatGPT w analizie danych jest jedna rzecz: rozumie Twoje pytania zapisane zwykłym językiem. Nie potrzebujesz SQL-a, Pythona ani trójpoziomowych, zagnieżdżonych formuł w Excelu. Po prostu opisz, czego szukasz, dokładnie tak, jak powiedziałbyś koledze analitykowi patrzącemu na ten sam plik, a ChatGPT przełoży Twoją intencję na kod gotowy do wykonania. Ta zmiana jest realna i przekształca charakter pracy: Twój wysiłek przenosi się z walki z składnią na formułowanie właściwych pytań.

Zasada: od języka naturalnego do kodu Python

Gdy zadajesz pytanie dotyczące swoich danych, oto co dzieje się „pod maską“:

Od języka naturalnego do wyniku Cztery kroki: zadajesz pytanie w zwykłym języku; ChatGPT pisze kod w Pythonie, często z użyciem pandas; kod uruchamia się w notatniku Jupyter; wynik pojawia się jako tabela, liczba lub wykres. ZASADA Od języka naturalnego do wyniku 1 Pytanie W zwykłym języku 2 Kod Python, często pandas 3 Wykonanie W notatniku Jupyter 4 Wynik Tabela, liczba, wykres Wyświetl kod i przejrzyj założenia przed zaufaniem wynikowi.
Na podstawie artykułu „Data analysis with ChatGPT“ z Centrum Pomocy OpenAI (listopad 2026).

Ten kod nie jest czarną skrzynką: możesz go wyświetlić, przejrzeć i poprosić ChatGPT o dostosowanie metody. Pamiętaj, że środowisko Python nie ma dostępu do internetu: jeśli Twoja analiza wymaga danych zewnętrznych, musisz je zaimportować lub podłączyć odpowiednie źródło.

Rodzaje pytań, które możesz zadać

Pytania podsumowujące pomagają zorientować się w pliku przed zagłębieniem się w szczegóły: „Ile wierszy i kolumn ma ten plik?“, „Daj mi ogólny przegląd danych“ lub „Jakie kolumny są dostępne i jakie mają typy?“. Takie pytania zapobiegają rozpoczęciu analizy opartej na założeniach dotyczących ziarnistości, których Twoje dane nie posiadają – nie obliczysz średniej wartości koszyka na klienta, jeśli plik jest już zagregowany według regionów.

Kolejne to pytania o agregację, które kondensują tysiące wierszy w liczby nadające się do działania: „Jaka jest całkowita sprzedaż według kategorii produktów?“, „Jaka jest średnia wartość koszyka w ujęciu miesięcznym?“, „Ilu było unikalnych klientów w każdym kwartale?“. To sedno miesięcznych raportów i często połowa pracy, o którą zostaniesz poproszony.

Pytania o filtrowanie izolują następnie odpowiedni podzbiór – „Pokaż mi tylko sprzedaż powyżej 10 000 €“, „Które produkty nie miały sprzedaży w marcu?“, „Wymień klientów z regionu Île-de-France“ – podczas gdy pytania o ranking porządkują dane, aby wyróżnić skrajne wartości: „Kim jest 10 najlepszych handlowców?“, „Uszereguj regiony według przychodów malejąco“, „Który miesiąc wypadł najlepiej?“. W praktyce rzetelna analiza łączy wszystkie cztery typy: podsumowujesz, agregujesz, filtrujesz wykrytą anomalię, a następnie stosujesz ranking, aby ustalić priorytety działań. Możesz też zaznaczyć wiersze, kolumny lub komórki w interaktywnym podglądzie tabeli, a następnie zadać pytanie dotyczące tylko tego zaznaczenia – np. o najczęstszą wartość w kolumnie czy średnią z kilku komórek.

Formułowanie skutecznych pytań

Jakość odpowiedzi zależy bezpośrednio od jasności Twojego pytania. Twoim pierwszym odruchem powinno być nazywanie kolumn, a nie posługiwanie się ogólnikami. „Przeanalizuj sprzedaż“ pozostawia ChatGPT domysły, która kolumna zawiera kwotę; ta formułacja nie留wia miejsca na interpretację:

Oblicz sumę kolumny "amount_incl_tax" pogrupowaną według "region"
i posortowaną od najwyższej do najniższej wartości.

Twoim drugim odruchem jest określenie pożądany formatu wyjścia. W przeciwnym razie otrzymasz odpowiedź tekstową, gdy potrzebowałeś tabeli do wklejenia do raportu, i stracisz czas zaoszczędzony na obliczeniach, formatując wynik ponownie:

Podaj wynik jako tabelę z następującymi kolumnami:
region, całkowita sprzedaż, liczba transakcji, średnia wartość koszyka.

Trzeci, często pomijany krok, to dostarczenie kontekstu biznesowego, którego plik nie zawiera. ChatGPT nie wie, że某些 wierszy nie należy uwzględniać w obliczeniach:

Kolumna "status" zawiera wartości: "approved", "pending" i "cancelled".
Uwzględnij tylko zatwierdzone zamówienia.

Bez tego wyjaśnienia anulowane zamówienia sztucznie zawyżą przychody, a błąd pozostanie niezauważony: wynik będzie wyglądał na całkowicie wiarygodny. To rodzaj pomyłki, która może umknąć uwadze podczas spotkania zarządu.

Iteracja nad wynikami

Analiza danych rzadko przebiega liniowo i nie oczekuje się, że znajdziesz właściwe pytanie za pierwszym razem. Zaczynasz od zapytania o całkowity przychód w ujęciu miesięcznym, zauważasz spadek w lutym, a następnie pytasz o przyczynę tego spadku. Jeśli odpowiedź pozostaje niejasna, filtrujesz dane do kategorii „premium“ i przeliczasz wynik, a potem porównujesz go z tym samym okresem rok wcześniej, aby ustalić, czy jest to znana sezonowość, czy incydent.

ChatGPT utrzymuje kontekst rozmowy i przesłany plik, więc każde kolejne pytanie buduje na poprzednich. Umożliwia to stopniowe badanie: lutowy spadek, po odizolowaniu go do segmentu premium, może okazać się wynikiem przejścia jednego dużego klienta do konkurencji – wniosku, do którego nie doszlibyśmy, zadając tylko pierwsze pytanie.

Więcej myślenia dla złożonych analiz

Niektórych pytań nie da się rozwiązać za pomocą prostej agregacji. Korelacje krzyżowe, analizy wieloźródłowe, subtelne interpretacje: whenever potrzebne jest rozumowanie wieloetapowe, wybierz wyższy poziom myślenia w selektorze ChatGPT – Wysoki lub Bardzo Wysoki, w zależności od Twojego planu, lub przycisk Myśl (Think) w wersjach Free i Go. Dodatkowe myślenie pomaga rozważyć czynniki, które mogą wyjaśniać związek między dwiema zmiennymi przed wyciągnięciem wniosku o przyczynowości, wykryć subtelne wzorce – sezonowość przesuniętą o trzy tygodnie, segment spadający z kwartału na kwartał – i zbudować rekomendacje na podstawie obliczonych liczb. Żadne ustawienie nie zamieni jednak korelacji w przyczynowość: tutaj decyduje Twoja wiedza branżowa, a czasem test.

Czas na Ciebie

Twoje pierwsze pytania.

  1. Zaimportuj plik, który dobrze znasz.
  2. Zadaj jedno pytanie z każdej rodziny: podsumowujące, agregujące, filtrujące, rankingowe.
  3. Przeformułuj jedno z nich, nazywając kolumny i określając format wyjścia, a następnie porównaj obie odpowiedzi.
  4. Dodaj regułę biznesową – na przykład wyklucz anulowane zamówienia – i zmierz różnicę.
  5. Wyświetl kod dla jednego z obliczeń i zweryfikuj go ręcznie na dwóch lub trzech wierszach.

Źródła oficjalne: Data analysis with ChatGPT · Extracting Insights with ChatGPT Data Analysis (Centrum Pomocy OpenAI) · Prompting (dokumentacja ChatGPT)

Kluczowe wnioski

  • Zadawaj pytania w zwykłym języku; ChatGPT tłumaczy je na kod.
  • Bądź precyzyjny: nazywaj kolumny, określaj filtry, wskazuj pożądany format.
  • Iteruj w ramach tej samej rozmowy, aby pogłębić analizę.
  • Zwiększ poziom myślenia dla analiz wieloetapowych.
  • Zawsze weryfikuj wyniki – ChatGPT może błędnie zinterpretować kolumnę.