Salt la conținutul principal
Română— Alege o limbă
Meniu

Analizați automat date din mai multe surse

Lecția 5 din 12 Actualizată 5 noiembrie 2026 Intermediar
Pe această pagină
  1. Transformați datele brute în informații acționabile
  2. Problema datelor dispersate
  3. Trei moduri de a vă furniza sursele
  4. Desfășurați analiza în patru pași
  5. Corelarea pe care nu ați fi cerut-o
  6. Rândul dumneavoastră
  7. Puncte cheie

Transformați datele brute în informații acționabile

Una dintre cele mai mari puteri ale unui model configurat la un nivel ridicat de raționament este capacitatea sa de a ingera date din surse diferite, de a le corela și de a trage concluzii coerente. Această lecție vă arată cum să valorificați această capacitate pentru a vă automatiza analizele, de la modul în care furnizați datele până la interpretarea rezultatelor modelului.

Problema datelor dispersate

În afaceri, datele nu se află niciodată într-un singur loc. Cifrele de venituri se regăsesc într-o foaie de calcul Excel, studiile de piață într-un PDF, feedback-ul clienților într-un lanț de e-mailuri, iar metricile web într-un export CSV. Reconcilierea manuală a tuturor acestora durează ore întregi, iar munca trebuie refăcută la fiecare perioadă.

Un model cu raționament avansat procesează aceste surse eterogene într-o singură conversație și produce o sinteză integrată. În ChatGPT, atașați foi de calcul, PDF-uri, documente și imagini; calculele sunt executate prin Data Analysis, care rulează cod Python. Un tablou de bord fotografiat poate servi drept sursă, cu o singură rezervă: OpenAI avertizează că valorile exacte dintr-un tabel inclus într-o imagine nu sunt extrase în mod fiabil, așa că este mai bine să furnizați fișierul original atunci când cifrele contează.

Trei moduri de a vă furniza sursele

Prima și cea mai directă metodă este încărcarea fișierelor. ChatGPT acceptă mai multe fișiere într-o singură conversație—registre Excel și CSV, documente PDF, imagini cu grafice sau capturi de ecran și fișiere text—iar modelul le analizează simultan. Le încărcați împreună și formulați cererea de corelare într-o singură propoziție.

„Iată fișierul meu de vânzări pentru T1 (Excel), raportul sectorial (PDF) și metricile Google Analytics (CSV). Corelați aceste trei surse și identificați primele 5 tendințe împreună cu datele suport.“

A doua metodă, copierea și lipirea structurată, funcționează pentru seturi de date mai ușoare pe care le lipiți direct în prompt. Cheia este să numiți explicit fiecare bloc; altfel, modelul trebuie să ghicească ce aparține cui.

„Sursa 1 — Vânzări pe regiuni: [tabel] Sursa 2 — Satisfacția clienților pe regiuni: [tabel] Sursa 3 — Bugetul de marketing pe regiuni: [tabel] Analizați corelația dintre bugetul de marketing, vânzări și satisfacție pe regiuni.”

A treia metodă devine necesară atunci când documentele sunt prea mari pentru a fi furnizate ca atare: le rezumați dumneavoastră și transmiteți doar datele cheie. Pierdeți detaliul, dar păstrați ceea ce conduce analiza, ca în exemplul următor unde decalajul dintre creșterea pieței și creșterea internă este problema reală.

„Am trei surse. Raportul sectorial indică o creștere a pieței de 12% în 2025. Vânzările noastre interne arată +8%. Feedback-ul clienților menționează timpi de livrare prea lungi (NPS a scăzut de la 42 la 35). Analizați decalajul dintre creșterea pieței și creșterea noastră, integrând feedback-ul clienților.”

Dacă automatizați analiza prin API, API-ul Responses vă permite să conectați instrumente (execuție de cod, căutare, acces la fișiere) la un model setat pe efort ridicat. Cu Programmatic Tool Calling, modelul scrie și execută JavaScript într-un mediu izolat V8 pentru a apela aceste instrumente, potențial în paralel. Apoi filtrează, grupează sau agregă rezultatele intermediare înainte de a returna un rezultat mai compact modelului. OpenAI recomandă această abordare atunci când multiple rezultate pot fi sortate sau agregate prin cod și sfătuiește apelarea directă atunci când fiecare rezultat necesită o judecată proaspătă din partea modelului.

Corelați mai multe surse Patru pași: încadrați ce căutați; furnizați fișierele originale cu perioade și unități aliniate; solicitați o sinteză a constatărilor, cauzelor și acțiunilor; aprofundați un punct, apoi altul. ANALIZĂ MULTI-SURSĂ Corelați mai multe surse 1 Încadrare Ce căutați 2 Furnizare Fișiere originale, aliniate 3 Sinteză Constatări, cauze, acțiuni 4 Aprofundare Un punct, apoi altul Calculele rulează prin Data Analysis; un tabel dintr-o imagine nu este fiabil până la ultima cifră exactă.
Bazat pe articolul „Data analysis with ChatGPT“ din Centrul de ajutor OpenAI (noiembrie 2026).

Desfășurați analiza în patru pași

Totul începe cu încadrarea, iar acest pas are loc înainte de a încărca orice fișier. Spuneți modelului ce căutați—„Voi furniza 3 fișiere. Doresc o analiză comparativă care să identifice decalajele de performanță între regiunile noastre, corelațiile cu bugetul de marketing și recomandări acționabile.“—iar el va ști ce să rețină din fiecare sursă, în loc să rezume totul la fel.

Apoi, furnizați datele la un nivel ridicat de raționament (High în Chat, high în API) pentru a asigura o corelare riguroasă. În continuare, cereți o sinteză structurată, nu un text de tip flux al conștiinței: „Generați un raport în 3 părți: (1) Constatări factuale cu cifre, (2) Analiza cauzelor, (3) Recomandări prioritare. Folosiți tabele acolo unde este relevant.“ În final, iterați. Modelul reține contextul întregii conversații, permițându-vă să aprofundați un punct specific—„Aprofundați regiunea Île-de-France. De ce scade NPS în timp ce vânzările cresc?“—fără a reîncărca totul. Prima analiză este rareori cea mai bună; informațiile utile emerg în timpul schimbului de replici.

Corelarea pe care nu ați fi cerut-o

Adevărata putere a raționamentului de nivel înalt apare atunci când invitați modelul să combine dimensiuni pe care poate nu le-ați luat în considerare, de exemplu: „Există o corelație între zilele cu trafic web ridicat și zilele cu plângeri crescute? Dacă da, propuneți o ipoteză explicativă.“ Modelul aliniază apoi seriile temporale, calculează corelațiile, formulează ipoteze cauzale și, crucial, distinge explicit între corelație și cauzalitate, în loc să tragă concluzii pripite. Totuși, această protecție rămâne parțială: stabilirea cauzalității ține de expertiza dumneavoastră, nu de cea a modelului.

Rândul dumneavoastră

Trei surse, o singură corelare. Pregătiți trei surse din propria activitate, chiar simple. Atașați un fișier Excel cu vânzări sau metrici, adăugați un al doilea fișier care acoperă o altă dimensiune—buget, satisfacție, număr de angajați—și solicitați o corelare la un nivel ridicat de raționament, cu calcule efectuate de Data Analysis. Dacă nu aveți nimic la îndemână, cereți modelului să genereze mai întâi un set de date fictiv realist pentru industria dumneavoastră, apoi analizați-l ca și cum ar fi real.

Două capcane ruinează majoritatea primelor încercări. Prima este aruncarea a zece fișiere fără direcție: fără încadrare, modelul produce un rezumat generic. A doua este mai insidioasă: date inconsistente. Verificați dacă perioadele, unitățile și categoriile sunt aliniate între surse înainte de a lansa orice; altfel, veți obține o analiză perfect raționată, dar bazată pe numere care nu pot fi comparate.

Surse oficiale: Data analysis with ChatGPT (Centrul de ajutor OpenAI: fișiere, Python, tabele în imagini) · Programmatic Tool Calling (API OpenAI: programe care orchestrează instrumente, când să le folosiți) · Reasoning models (niveluri de efort)

Puncte cheie

  • Un nivel ridicat de raționament corelează foi de calcul, PDF-uri, CSV-uri și imagini; calculele rulează prin Data Analysis
  • Încadrați analiza înainte de a furniza datele și activați raționamentul ridicat pentru corelare
  • Prin API-ul Responses, Programmatic Tool Calling permite unui program JavaScript izolat să orchestreze instrumente și să filtreze rezultatele intermediare
  • Solicitați sinteze structurate (constatări, analiză, recomandări) și iterați asupra punctelor interesante
  • Distingeți întotdeauna între corelație și cauzalitate în rezultate