Analysera data från flera källor automatiskt
På denna sida
Förvandla rådata till handlingsbara insikter
En av de största styrkorna hos en modell inställd på hög resonemangsnivå är dess förmåga att ta in data från olika källor, korsreferera den och dra sammanhängande slutsatser. Den här lektionen visar dig hur du utnyttjar denna kapacitet för att automatisera dina analyser, från hur du tillhandahåller data till hur du tolkar modellens output.
Problemet med spridd data
Inom affärsvärlden finns data aldrig på ett enda ställe. Intäktsiffror ligger i ett Excel-ark, marknadsundersökningar i en PDF, kundfeedback i en e-posttråd och webbmetrik i en CSV-export. Att manuellt stämma av allt detta tar timmar, och du måste göra om arbetet varje period.
En modell med hög resonemangsförmåga bearbetar dessa heterogena källor i en enda konversation och producerar en integrerad syntes. I ChatGPT bifogar du kalkylblad, PDF-filer, dokument och bilder; beräkningar körs via Data Analysis, som exekverar Python-kod. En fotograferad instrumentpanel kan fungera som källa, men med en viktig brasklapp: OpenAI varnar för att exakta värden från en tabell i en bild inte extraheras tillförlitligt, så det är bättre att tillhandahålla originalfilen när siffror är avgörande.
Tre sätt att tillhandahålla dina källor
Den första och mest direkta metoden är filuppladdning. ChatGPT accepterar flera filer i en enda konversation – Excel-arbetsböcker och CSV-filer, PDF-dokument, bilder på diagram eller skärmdumpar, samt textfiler – och modellen analyserar dem samtidigt. Du släpper in dem tillsammans och formulerar din begäran om korsreferens i en mening.
“Här är min försäljningsfil för Q1 (Excel), branschrapporten (PDF) och metrik från Google Analytics (CSV). Korsreferera dessa tre källor och identifiera de 5 främsta trenderna med underlag från datan.”
Den andra metoden, strukturerad kopiera-klistra, fungerar för lättare dataset som du klistrar in direkt i prompten. Nyckeln är att explicit namnge varje block; annars måste modellen gissa vad som hör till vad.
“Källa 1 — Försäljning per region: [tabell] Källa 2 — Kundnöjdhet per region: [tabell] Källa 3 — Marknadsföringsbudget per region: [tabell] Analysera korrelationen mellan marknadsföringsbudget, försäljning och nöjdhet per region.”
Den tredje metoden blir nödvändig när dokument är för stora för att tillhandahållas i sin helhet: du sammanfattar dem själv och skickar endast nyckeldata. Du förlorar detaljrikedomen, men behåller det som driver analysen, som i följande exempel där gapet mellan marknadstillväxt och intern tillväxt är den egentliga frågan.
“Jag har tre källor. Branschrapporten indikerar en marknadstillväxt på 12 % år 2025. Vår interna försäljning visar +8 %. Kundfeedback nämner leveranstider som är för långa (NPS föll från 42 till 35). Analysera gapet mellan marknadstillväxten och vår tillväxt, med beaktande av kundfeedbacken.”
Om du automatiserar analys via API:et låter Responses API dig koppla verktyg (kodexekvering, sökning, filåtkomst) till en modell inställd på hög ansträngning. Med Programmatic Tool Calling skriver och exekverar modellen JavaScript i en isolerad V8-miljö för att anropa dessa verktyg, potentiellt parallellt. Den filtrerar, grupperar eller aggregerar sedan mellanliggande resultat innan den returnerar ett mer kompakt utfall till modellen. OpenAI rekommenderar detta tillvägagångssätt när flera resultat kan sorteras eller aggregeras av kod, och råder direkt anrop när varje resultat kräver färsk bedömning från modellen.
Genomför analysen i fyra steg
Allt börjar med att du sätter ramen, och detta steg sker innan du laddar upp några filer. Berätta för modellen vad du letar efter – “Jag kommer att tillhandahålla 3 filer. Jag vill ha en jämförande analys som identifierar prestandagap mellan våra regioner, korrelationer med marknadsföringsbudgeten och handlingsbara rekommendationer.” – så vet den vad den ska behålla från varje källa istället för att sammanfatta allt platt.
Tillhandahåll sedan datan på en hög resonemangsnivå (High i Chat, high i API:et) för att säkerställa rigorös korsreferens. Be sedan om en strukturerad syntes snarare än en text som flödar fritt: “Producera en rapport i 3 delar: (1) Faktamässiga fynd med siffror, (2) Orsaksanalys, (3) Prioriterade rekommendationer. Använd tabeller där det är relevant.” Avsluta med att iterera. Modellen behåller kontexten för hela konversationen, vilket låter dig fördjupa dig i en specifik punkt – “Zooma in på regionen Île-de-France. Varför sjunker NPS medan försäljningen ökar?” – utan att behöva ladda om allt. Den första analysen är sällan den bästa; användbara insikter dyker upp under tur-och-retur-processen.
Den korsreferens du inte hade bett om
Den verkliga kraften hos resonemang på hög nivå visar sig när du bjuder in modellen att kombinera dimensioner du kanske inte hade övervägt, till exempel: “Finns det en korrelation mellan dagar med hög webbtrafik och dagar med ökade klagomål? Om så är fallet, föreslå en förklarande hypotes.” Modellen linjerar då tidsserierna, beräknar korrelationer, formulerar kausala hypoteser och, vilket är avgörande, skiljer explicit på korrelation och kausalitet istället för att dra förhastade slutsatser. Denna säkerhetsåtgärd är dock delvis: att fastställa kausalitet är ditt område av expertis, inte modellens.
Din tur
Tre källor, en korsreferens. Förbered tre källor från ditt eget arbete, även enkla sådana. Bifoga en Excel-fil med försäljning eller metrik, lägg till en andra fil som täcker en annan dimension – budget, nöjdhet, personalstyrka – och begär en korsreferens på hög resonemangsnivå, med beräkningar utförda av Data Analysis. Om du inte har något till hands, be modellen att först generera ett realistiskt fiktivt dataset för din bransch, och analysera det sedan som om det vore på riktigt.
Två fallgropar förstör de flesta första försök. Den första är att dumpa tio filer utan riktning: utan en ram producerar modellen en generisk sammanfattning. Den andra är mer lömsk: inkonsekvent data. Verifiera att perioder, enheter och kategorier stämmer överens mellan dina källor innan du sätter igång något; annars får du en perfekt resonerad analys baserad på siffror som inte går att jämföra.
Officiella källor: Data analysis with ChatGPT (OpenAI Help Center: filer, Python, tabeller i bilder) · Programmatic Tool Calling (OpenAI API: program som orkestrerar verktyg, när de ska användas) · Reasoning models (ansträngningsnivåer)
Viktiga punkter
- En hög resonemangsnivå korsrefererar kalkylblad, PDF-filer, CSV-filer och bilder; beräkningar körs via Data Analysis
- Sätt ramen för din analys innan du tillhandahåller data, och aktivera hög resonemangsnivå för korsreferenser
- Via Responses API låter Programmatic Tool Calling ett isolerat JavaScript-program orkestrera verktyg och filtrera mellanliggande resultat
- Begär strukturerade synteser (fynd, analys, rekommendationer) och iterera över intressanta punkter
- Skilj alltid mellan korrelation och kausalitet i resultaten