Jak analizować arkusze kalkulacyjne za pomocą AI w Whizi

Sprofiluj dane, zanim o cokolwiek zapytasz

Najczęstszy sposób, w jaki analiza arkusza kalkulacyjnego idzie nie tak, nie ma nic wspólnego z AI. Chodzi o to, że plik zawiera 14 wierszy ze spacją na końcu nazwy regionu, dwa formaty dat, wiersz z sumą częściową zostawiony pośrodku i 300 pustych pól w kolumnie, którą zaraz uśrednisz. Zadaj pytanie jako pierwsze, a dostaniesz pewną siebie odpowiedź obliczoną na śmieciach.

Dlatego pierwszy prompt jest taki sam przy każdym pliku.

Prompt: profil

Sprofiluj ten plik, zanim cokolwiek przeanalizujemy. Zwróć: liczbę wierszy, nazwy kolumn z rozpoznanym typem, liczbę i procent brakujących wartości w każdej kolumnie, liczbę dokładnych duplikatów wierszy, unikalne wartości dla każdej kolumny z mniej niż 25 unikalnymi wartościami, minimum i maksimum każdej kolumny liczbowej i datowej oraz każdą kolumnę, w której wartości wyglądają na niespójne (mieszane formaty, spacje na końcu, mieszane jednostki, mieszane formaty dat). Nie analizuj ani nie interpretuj jeszcze niczego. Po prostu powiedz mi, co jest w pliku i co wygląda na nim podejrzanie.

Ten jeden prompt wyłapuje większość tego, co inaczej zrujnowałoby analizę. Lista unikalnych wartości jest miejscem, w którym w szczególności odkrywasz, że "UK", "U.K." i "United Kingdom" to trzy osobne regiony w twoich danych.

Prompt: napraw to, co znalazł

Ustandaryzuj zidentyfikowane problemy: przytnij białe znaki, ujednolij [kolumnę] do jednego formatu i skonsoliduj te warianty: [wymień je]. Pokaż mi zastosowane mapowanie jako tabelę, zanim je zastosujesz. Nie usuwaj żadnych wierszy bez informowania mnie, których i dlaczego.

Zadawaj pytania, które dają odpowiedzi możliwe do sprawdzenia

Niejasne pytania dają niejasne odpowiedzi. Skuteczne prompty nazywają kolumnę, operację i format wyniku, a także proszą o pokazanie sposobu obliczeń.

Prompt: agregacja z pokazanym sposobem obliczeń

Zgrupuj według [kolumny] i oblicz [metrykę]. Zwróć tabelę w formacie Markdown z grupą, liczbą wierszy w niej i metryką. Pod tabelą podaj dokładnie, jak obliczyłeś metrykę, które wiersze wykluczyłeś i dlaczego oraz jak obsłużyłeś puste wartości. Posortuj malejąco według [kolumny].

Prompt: pytanie o kohorty

Dla każdej [wymiar kohorty, na przykład miesiąc rejestracji] oblicz [metrykę] w [interwale]. Pokaż wielkość kohorty obok każdej liczby. Oznacz każdą kohortę z mniej niż [n] wierszami jako zbyt małą do interpretacji, zamiast podawać dla niej procent.

Ta ostatnia instrukcja zapobiega najbardziej mylącemu wynikowi w analizie arkuszy: kohorcie liczącej czterech użytkowników opisanej jako "75% retencji" i umieszczonej w tabeli obok kohorty liczącej dziewięć tysięcy.

Prompt: wyszukiwanie anomalii

Co jest podejrzane w tych danych? Szukaj: wartości poza wiarygodnym zakresem, nagłych nieciągłości w szeregu czasowym, kolumn, w których rozkład zmienia się w połowie, wierszy będących dokładnymi lub niemal dokładnymi duplikatami, wartości, które wyglądają na zbyt okrągłe, oraz wszystkiego, co sugeruje zmianę w sposobie zbierania danych. Dla każdego przypadku zacytuj konkretne wiersze.

To najbardziej wartościowy prompt na tej stronie i nie ma odpowiednika w zwykłym procesie pracy z arkuszem kalkulacyjnym. Regularnie odnajduje dzień, w którym zepsuło się śledzenie, dostawcę, który zaczął raportować w innej walucie, oraz zduplikowany import, który zawyżył wynik kwartału.

Prompt: specyfikacja wykresu

Poleć odpowiedni wykres dla tego pytania i tego kształtu danych i wyjaśnij, dlaczego oczywista alternatywa jest tu gorsza. Następnie podaj mi specyfikację: typ wykresu, oś x, oś y, serie, agregację, kolejność sortowania i sposób oznaczenia osi. Nie używaj podwójnej osi. Nie ucinaj osi wykresu słupkowego.

Gdzie faktycznie psują się obliczenia

To zasługuje na jasną odpowiedź, ponieważ stwierdzenie, że "AI jest słabe w matematyce", jest zarówno prawdziwe, jak i niepomocnie ogólnikowe.

Model językowy rozumujący na liczbach zapisanych w tekście wykonuje uzupełnianie wzorców, a nie obliczenia. Jest wiarygodny w opisywaniu struktury, kategoryzowaniu wierszy i wskazywaniu, jakie obliczenie jest potrzebne. Jest znacznie mniej wiarygodny w wykonywaniu długiego łańcucha działań arytmetycznych na setkach wierszy i zawodzi po cichu: wynikiem jest starannie sformatowana tabela błędnych liczb bez żadnego sygnału ostrzegawczego.

Praktyczne zasady:

• Poproś o metodę, nie tylko o wynik. "Podaj dokładnie, jak to obliczyłeś i co wykluczyłeś" sprawia, że błąd staje się widoczny, jeśli występuje.
• Sprawdź ręcznie jedną grupę. Wybierz najmniejszą grupę w tabeli wyników i zweryfikuj ją w rzeczywistym arkuszu. Jeśli się zgadza, metoda jest prawdopodobnie poprawna; jeśli nie, niczemu w tabeli nie można ufać.
• Weryfikuj wszystko, co istotne, za pomocą drugiego modelu. Dwa niezależne modele dochodzące do tej samej liczby to znacząco lepszy dowód niż jeden model powtarzający swój wynik. Widok obok siebie w Whizi istnieje dokładnie po to.
• Uważaj na podwójne liczenie. Wiersze z sumami częściowymi pozostawione w pliku i połączenia jeden do wielu to dwaj zwykli winowajcy, a model nie będzie wiedział, że są błędne.
• Dla wszystkiego, co musi być dokładne, poproś o formułę lub kod. Podaj mi formułę Excela lub podaj mi kod pandas przenosi arytmetykę do deterministycznego silnika, a model zostawiasz do tego, w czym jest dobry: wskazywania, jakie obliczenie uruchomić.

Ten ostatni punkt to prawdziwa odpowiedź dla pracy finansowej lub raportowej. Użyj modelu do zaprojektowania analizy, a arkusza kalkulacyjnego lub skryptu do jej wykonania.

Który model czyta który plik i jak duży to za duży?

CSV i Excel przesyłasz bezpośrednio, a trzy modele dzielą pracę w czytelny sposób.

Model	Okno kontekstu	Kredyty za wiadomość	Użyj do
GPT-5.6 Terra	1M tokenów	4	Ścisłe formaty: czyste tabele, JSON, dokładne mapowania kolumn
Claude Sonnet 5	1M tokenów	10	Przebieg weryfikacyjny przy wieloetapowej agregacji
Gemini 3.5 Flash	1M tokenów, około 1900 stron maszynopisu	8	Największe pliki lub arkusz plus PDF w jednym wątku

Dane o kontekście i kredytach pochodzą z indeksu kosztów modeli Whizi, stawki cennikowe pobrane 2026-08-20.

Kilka praktycznych uwag:

• Podaj czysty prostokąt danych. Jeden wiersz nagłówka, brak scalonych komórek, brak pustych wierszy odstępu, brak notatek w kolumnie K. Wielonagłówkowe, złożenie sformatowane raporty mylą ekstrakcję bardziej niż jakikolwiek limit rozmiaru pliku.
• Wyślij surowy arkusz, nie arkusz prezentacyjny. Wersja z formatowaniem i sumami częściowymi to ta, która powoduje podwójne liczenie.
• Bardzo szerokie pliki zyskują na liście kolumn na początku. Zapytaj, co oznacza każda kolumna przed analizą, jeśli nazwy są niejasne, i powiedz modelowi, co pomylił.
• Do bardzo dużych plików użyj Gemini 3.5 Flash, który czyta ten sam kontekst 1M tokenów co Claude Sonnet 5 i GPT-5.6 Terra przy najniższym koszcie za odpowiedź spośród trzech. Powyżej tego, próbkuj celowo: przeanalizuj losową próbkę 5000 wierszy i powiedz mi, jakiego błędu próbkowania powinienem się spodziewać przy każdej liczbie jest lepsze niż ciche obcinanie danych.
• Najpierw usuń dane osobowe. Imiona, adresy e-mail i identyfikatory prawie nigdy nie są potrzebne do analizy, a ich usunięcie jest szybsze niż spieranie się, czy wolno ci było je przesłać.

Mechanika przesyłania plików jest opisana w przesyłaniu dokumentów.

Pełna sekwencja ośmiu kroków na prawdziwym pliku

Cały proces na prawdziwym pliku, krok po kroku:

1. Prześlij plik. Uruchom prompt profilujący. Uważnie przeczytaj unikalne wartości i liczby braków.
2. Napraw to, co znalazł, sprawdzając tabelę mapowania przed jej zastosowaniem.
3. Poproś o podsumowanie tego, czego dotyczą dane, i trzy pytania, które według modelu powinieneś zadać. Ten krok jest szybki i często przeformułowuje analizę.
4. Zadaj swoje właściwe pytanie, wymagając w odpowiedzi metody i wykluczeń.
5. Zawsze uruchamiaj prompt o anomaliach. To tutaj kryją się niespodzianki.
6. Sprawdź ręcznie najmniejszą grupę.
7. Zweryfikuj kluczową liczbę za pomocą drugiego modelu.
8. Poproś o specyfikację wykresu lub formułę, jeśli liczba musi być dokładna i odtwarzalna.

Kroki 1, 5 i 6 to te, które ludzie pomijają, a to one odróżniają analizę, której możesz bronić, od ładnie sformatowanego zgadywania.