Wie man den Code-Interpreter von Zhipu Qingyan nutzt, um Tabellenkalkulationen zu analysieren und visuelle Diagramme zu erstellen

Zhipu Qingyan (智谱清言), angetrieben von den GLM-Basismodellen von Zhipu AI, integriert eine automatisierte Code-Interpreter-Sandbox, die alltägliche tabellarische Tabellen in strukturierte Datenerkenntnisse und produktionsreife visuelle Diagramme verwandelt. Anstatt von den Benutzern zu verlangen, Python-Skripte zu schreiben, lokale Entwicklungsumgebungen zu konfigurieren oder komplexe Tabellenkalkulationsformeln zu beherrschen, ermöglicht die Plattform Analysten, Marketingfachleuten und Betriebsexperten, unformatierte Tabellen wie Excel- und CSV-Dateien hochzuladen und den Assistenten in natürlicher Sprache anzuweisen. Durch die sichere Ausführung von Code in einer dedizierten Python-Laufzeitumgebung, die mit wesentlichen Data-Science-Bibliotheken wie pandas, numpy und matplotlib ausgestattet ist, schließt Zhipu Qingyan die Lücke zwischen unstrukturierten Geschäftsdaten und klarer visueller Entscheidungsfindung.

Die Architektur des Code Interpreters verstehen

Der Code Interpreter in Zhipu Qingyan fungiert als isolierte Ausführungsumgebung, die mit einem intelligenten Sprachmodell-Agenten gekoppelt ist. Wenn ein Benutzer eine analytische Frage zusammen mit einer Tabelle einreicht, rät das System die Antwort nicht einfach mittels Textvorhersage. Stattdessen wandelt es die Absicht des Benutzers in ausführbaren Python-Code um, führt das Skript in einer virtuellen Sandbox-Umgebung aus, erfasst die Standardausgabe sowie generierte Grafiken und gibt die überprüften Ergebnisse direkt im Chat-Verlauf zurück.

Diese Architektur bietet Geschäftsbenutzern mehrere konkrete Vorteile:

• Algorithmische Präzision: Numerische Berechnungen, Aggregationen und statistische Metriken werden von Python berechnet und nicht durch probabilistische Token-Generierung geschätzt, wodurch arithmetische Halluzinationen ausgeschlossen werden.
• Umfassender Data-Science-Stack: Die Laufzeitumgebung ist mit Standard-Analysebibliotheken vorinstalliert, darunter pandas für die Tabellenmanipulation, numpy für numerische Operationen sowie matplotlib und seaborn für die Diagrammerstellung und visuelle Darstellung.
• Duale Artefakterstellung: Die Sandbox erzeugt sowohl grafische Ausgaben – wie hochauflösende Diagramme direkt im Chat – als auch strukturierte tabellarische Dateien, sodass Benutzer geänderte Arbeitsmappen oder Übersichtstabellen herunterladen können.
• Transparente Ausführungsprotokolle: Benutzer können den generierten Python-Code hinter jeder Antwort einsehen, um Datentransformationen, Filterbedingungen und die mathematische Logik nachzuvollziehen.

Vorbereitung und Hochladen tabellarischer Tabellen

Um eine reibungslose Analyse zu gewährleisten und Parsing-Fehler in der Python-Umgebung zu vermeiden, ist es unerlässlich, die eingegebene Tabelle nach den Prinzipien sauberer Datenstrukturen vorzubereiten.

Unterstützte Dateiformate

Zhipu Qingyan akzeptiert über seine Chat-Dateianhang-Schnittstelle mehrere strukturierte Datenformate:

• Microsoft Excel-Arbeitsmappen (.xlsx, .xls): Ideal für Geschäftsberichte mit mehreren Spalten, formatierten Werten und Datumsfeldern.
• Kommagetrennte und begrenzte Dateien (.csv, .tsv): Empfohlen für große Datensätze, die aus Datenbanken, CRM-Systemen (Customer Relationship Management) oder ERP-Plattformen (Enterprise Resource Planning) exportiert wurden.
• Direkter tabellarischer Text: Für kleinere Auszüge können Benutzer Markdown-Tabellen oder tabulatorgetrennten Text direkt in das Eingabefeld der Konversation einfügen.

Best Practices für Datenhygiene

Bevor Dateien auf Zhipu Qingyan hochgeladen werden, minimiert die Standardisierung von Layoutelementen Reibungsverluste bei der Verarbeitung:

1. Einzeilige Kopfzeile: Platzieren Sie aussagekräftige Spaltenüberschriften direkt in der allerersten Zeile. Vermeiden Sie gestapelte oder mehrstufige Kopfzeilen, da diese in pandas eine komplexe MultiIndex-Verwaltung erfordern können.
2. Zellverbünde aufheben: Verbundene Zellen in Excel führen beim Laden in Standard-DataFrame-Strukturen häufig zu leeren Werten. Füllen Sie die Werte über die getrennten Zeilen hinweg auf oder normalisieren Sie sie vor dem Hochladen.
3. Konsistente Datentypen: Stellen Sie sicher, dass einzelne Spalten homogene Daten enthalten. Vermeiden Sie es beispielsweise, Währungssymbole oder Textanmerkungen in rein numerische Spalten einzumischen.
4. Datenbereinigung und Datenschutz: Entfernen oder maskieren Sie personenbezogene Daten (PII), vertrauliche Kundennamen, interne Passwörter und sensible Finanzdaten, bevor Sie Dateien auf eine cloudbasierte Konversationsplattform hochladen.

Schritt-für-Schritt-Workflow: Von Rohdaten zu visuellen Diagrammen

Die Nutzung des Code Interpreters von Zhipu Qingyan für tabellarische Analysen folgt einem strukturierten Ablauf von der ersten Bestandsaufnahme bis zum abschließenden visuellen Export.

Schritt 1: Erste Profilerstellung und Schemaprüfung

Nachdem eine Tabelle an die Chat-Eingabe angehängt wurde, besteht der erste Schritt darin, ein Verständnis für die Struktur, die Dimensionen und potenzielle Anomalien des Datensatzes zu gewinnen.

Anstatt sofort komplexe Diagramme anzufordern, weisen Sie den Assistenten an, eine vorläufige Prüfung durchzuführen:

„Ich habe unsere Quartalsumsatztabelle hochgeladen. Bitte überprüfe den Datensatz, zeige die Gesamtzahl der Zeilen und Spalten an, liste jeden Spaltennamen zusammen mit dem erkannten Datentyp auf und prüfe, ob fehlende oder Null-Werte vorhanden sind.“

Der Code Interpreter lädt die Datei mithilfe von pandas (pd.read_excel() oder pd.read_csv()), prüft das Schema über Methoden wie .info() und .isnull().sum() und präsentiert eine übersichtliche Zusammenfassung. Dieser Diagnoseschritt stellt sicher, dass Zahlen und Daten korrekt erkannt wurden.

Schritt 2: Datenbereinigung und Feature-Engineering

Reale Tabellen liegen selten in einem für die Analyse perfekten Zustand vor. Der Assistent kann automatisierte Transformationen durchführen, um Daten zu bereinigen und neue Geschäftskennzahlen abzuleiten:

• Umgang mit fehlenden Einträgen: Füllen leerer Werte mit dem Spaltenmedian, spezifischen Kategorie-Flags oder das Verwerfen unvollständiger Zeilen, sofern angemessen.
• Datumsstandardisierung: Konvertieren unregelmäßiger Textdaten (wie 09/19/26 oder 2026.09.19) in standardisierte Datetime-Objekte, um chronologisches Sortieren und Zeitreihengruppierungen zu ermöglichen.
• Abgeleitete Berechnungen: Erstellen berechneter Spalten, z. B. zur Berechnung von Bruttomargen ((Revenue - Cost) / Revenue), Customer Lifetime Values oder Abweichungen gegenüber Planbudgets.

Ein praxisnaher Prompt für diese Phase:

„Bitte bereinige die Spalte Transaction_Date in das Standardformat YYYY-MM-DD. Falls in der Spalte Discount Werte fehlen, ersetze sie durch 0. Erstelle dann eine neue Spalte namens Net_Revenue, die Gross_Sales * (1 - Discount) entspricht.“

Schritt 3: Statistische Zusammenfassungen und Aggregation

Sobald die Daten bereinigt sind, können Benutzer durch Gruppierung und Aggregation geschäftliche Erkenntnisse gewinnen. Zhipu Qingyan führt Pivot-Tabellen, Group-by-Operationen und statistische Kennzahlen auf Abruf aus.

Nützliche analytische Abfragen umfassen:

• Gruppierte Aggregationen: Berechnung von Summen-, Mittelwert- oder Median-Metriken über geografische Regionen, Produktkategorien oder Kundenstufen hinweg.
• Ranking und Filterung: Identifizierung der erfolgreichsten Vertriebsmitarbeiter, Produkte mit den niedrigsten Margen oder leistungsschwacher Marketingkampagnen.
• Verteilungsanalyse: Berechnung von Quartilen und Standardabweichungen sowie Erkennung statistischer Ausreißer, die Durchschnitte verzerren könnten.

Beispielanweisung:

„Gruppiere die Datensätze nach Region und Product_Line. Berechne den gesamten Nettoumsatz, den durchschnittlichen Bestellwert und das gesamte Transaktionsvolumen für jede Gruppe. Stelle die Ergebnisse in einer übersichtlich formatierten Tabelle dar, sortiert nach Gesamterlös in absteigender Reihenfolge.“

Schritt 4: Erstellung visueller Diagramme

Nachdem die Schlüsselmetriken feststehen, weisen Sie Zhipu Qingyan an, visuelle Darstellungen zu erstellen. Der Code Interpreter schreibt Plotting-Skripte mit matplotlib oder seaborn, rendert die Grafik und gibt sie direkt im Chat aus.

Auswahl geeigneter Diagrammtypen

Umgang mit Typografie und Layouts

Eine häufige Herausforderung bei der automatisierten Diagrammerstellung mit Python ist der Umgang mit nicht-lateinischen Zeichen und überfüllten Achsenbeschriftungen. Zhipu Qingyan konfiguriert Schrifteigenschaften nativ, sodass chinesische und englische Schriftzeichen gestochen scharf und ohne fehlerhafte Kästchen dargestellt werden. Um die Diagrammdarstellung weiter zu verfeinern, geben Sie Formatierungspräferenzen in Ihrem Prompt an:

„Erstelle ein horizontales Balkendiagramm, das die Top 10 Produkte nach Net_Revenue zeigt. Sortiere die Balken so, dass der höchste Umsatz ganz oben steht. Füge explizite Zahlenwerte am Ende jedes Balkens hinzu, formatiere die x-Achse mit Währungszeichen und wende eine saubere, professionelle Corporate-Farbpalette an.“

Schritt 5: Iterative Verfeinerung und Anpassung

Eine der größten Stärken des dialogbasierten Code Interpreters liegt in der Möglichkeit, Diagramme schrittweise anzupassen, ohne von vorne beginnen zu müssen:

• Farbschemata anpassen: „Wechsle die Farbpalette zu einem kontrastreichen Marineblau- und Petrol-Thema, das für eine Vorstandspräsentation geeignet ist.“
• Wichtige Schwellenwerte hervorheben: „Füge im monatlichen Trenddiagramm eine horizontale gestrichelte rote Linie hinzu, die unser Quartalsziel von 50.000 $ darstellt.“
• Fokusbereiche filtern: „Schließe das Segment ‚Nicht kategorisiert‘ (Uncategorized) aus und erstelle das Kreisdiagramm neu, sodass nur die fünf wichtigsten Kategorien angezeigt werden.“
• Achsenbeschriftungen optimieren: „Drehe die Datumsbeschriftungen der x-Achse um 45 Grad, damit sie sich nicht überlappen, und entferne die oberen und rechten Rahmenlinien für eine minimalistische Ästhetik.“

Schritt 6: Exportieren von Ergebnissen und verarbeiteten Dateien

Am Ende einer Analysesitzung benötigen Benutzer typischerweise sowohl die visuellen Grafiken als auch die zugrunde liegenden bereinigten Daten:

• Speichern visueller Assets: Generierte Diagramme können in voller Auflösung angezeigt und direkt über das Kontextmenü des Browsers oder über Download-Aufforderungen als Bilddateien (.png) gespeichert werden.
• Herunterladen transformierter Daten: Benutzer können Zhipu Qingyan auffordern, den geänderten Datensatz oder die Pivot-Zusammenfassung wieder in ein Dateiformat zu exportieren.

Beispiel-Prompt für die Dateierstellung:

„Bitte speichere den bereinigten Datensatz mit den neu berechneten Metriken und der regionalen Übersichtstabelle als zwei separate Tabellenblätter in einer neuen Excel-Datei namens Quarterly_Sales_Analysis_Cleaned.xlsx und stelle einen Download-Link bereit.“

Der Assistent führt df.to_excel() in der Sandbox aus und stellt einen anklickbaren Link zum Herunterladen der fertigen Tabelle bereit.

Praktische Geschäftsszenarien und Prompt-Vorlagen

Die folgenden Vorlagen veranschaulichen, wie Fachleute aus verschiedenen Abteilungen ihre Interaktionen mit dem Code Interpreter von Zhipu Qingyan strukturieren können:

Finanzielle Performance und Budget-Tracking

• Kontext: Hochladen eines Hauptbuchexports, der budgetierte und tatsächliche Ausgaben der Abteilungen enthält.
• Prompt: „Vergleiche Actual_Spend mit Budget_Allocated für jede Abteilung. Berechne die absolute Abweichung und die prozentuale Abweichung. Erstelle ein Doppelbalkendiagramm, das Budget und Ist-Werte für jede Abteilung nebeneinander darstellt, und hebe Abteilungen, die ihr Budget um mehr als 10 % überschreiten, rot hervor.“

E-Commerce-Umsatz und Bestandsüberwachung

• Kontext: Hochladen täglicher Bestellexporte aus einem Online-Shop.
• Prompt: „Aggregiere den Gesamtumsatz und die Anzahl der Bestellungen nach Wochentag. Ermittle, welcher Wochentag den höchsten durchschnittlichen Bestellwert generiert. Erstelle dann ein kombiniertes Linien- und Balkendiagramm, das den täglichen Umsatz auf der primären y-Achse und die Anzahl der Transaktionen auf der sekundären y-Achse anzeigt.“

Kundensupport und operative Effizienz

• Kontext: Hochladen eines Support-Ticket-Protokolls mit Zeitstempeln für Erstellung und Lösung sowie Zufriedenheitsbewertungen.
• Prompt: „Berechne die Lösungszeit in Stunden für jedes Ticket. Filtere Datensätze mit dem Status ‚Cancelled‘ heraus. Erstelle einen Boxplot, der die Verteilung der Lösungszeiten über verschiedene Support-Ebenen hinweg darstellt, und fasse die mittlere Lösungszeit (Median) sowie das 90. Perzentil für jede Ebene zusammen.“

Best Practices und operative Grenzen

Um die Effizienz zu maximieren und die analytische Genauigkeit aufrechtzuerhalten, beachten Sie folgende Grundsätze:

• Code auf Korrektheit prüfen: Klicken Sie stets auf die Code-Ansicht, um das generierte Python-Skript zu überprüfen. Das Kontrollieren der Formeln stellt sicher, dass Filterlogik, Nullwertbehandlung und Aggregationsfunktionen den internen Rechnungslegungs- und Geschäftsstandards entsprechen.
• Arbeitsmappen mit mehreren Blättern explizit steuern: Wenn Sie eine Excel-Arbeitsmappe mit mehreren Tabellenblättern hochladen, geben Sie den Namen des Zielblatts im Prompt an (z. B. „Lies das Tabellenblatt namens ‚Q3_Raw_Data‘“).
• Ressourcenbeschränkungen der Sandbox beachten: Die Cloud-Ausführungsumgebung unterliegt Speicher- und Zeitbeschränkungen. Bei Datensätzen von mehreren Gigabyte sollten Sie die Daten vor dem Hochladen lokal vorfiltern oder aggregieren oder repräsentative Stichprobenzeilen für die explorative Visualisierung auswählen.
• Data Governance gewährleisten: Halten Sie die Informationssicherheitsrichtlinien Ihres Unternehmens ein. Behandeln Sie öffentliche Konversations-KI-Instanzen als externe Verarbeitungsumgebungen und stellen Sie sicher, dass vertrauliche Kundendaten vor der Analyse anonymisiert oder pseudonymisiert werden.

Durch die Kombination der natürlichsprachlichen Flexibilität von GLM-Modellen mit der deterministischen Rechenleistung von Python ermöglicht Zhipu Qingyan den Benutzern, mühsame Tabellenkalkulationsprozesse zu umgehen, Datenmuster rasch aufzudecken und überzeugende visuelle Diagramme für fundierte Geschäftsentscheidungen zu liefern.