Cómo utilizan los analistas de negocio y trabajadores del conocimiento el análisis avanzado de datos de Zhipu Qingyan para inspeccionar hojas de cálculo, limpiar datos y generar gráficos

En el día a día corporativo, los analistas de negocio (Business Analysts) y los trabajadores del conocimiento dedican innumerables horas a resolver fricciones en hojas de cálculo: informes exportados de sistemas ERP con estructuras irregulares, cifras con símbolos monetarios mezclados, fórmulas VLOOKUP rotas, formatos de fecha heterogéneos y constantes peticiones de gráficos para comités directivos. Cuando se intenta procesar este tipo de tablas mediante modelos de lenguaje tradicionales (LLM) basados en chat convencional, surgen rápidamente limitaciones de contexto, cálculos aritméticos aproximados o alucinaciones estadísticas.

Zhipu Qingyan (智谱清言), desarrollado sobre la arquitectura de modelos GLM, supera estas barreras estructurales mediante su función de Análisis Avanzado de Datos (Code Interpreter o intérprete de código). En lugar de calcular resultados mediante probabilidades de texto, traduce las instrucciones en lenguaje natural a código Python real y lo ejecuta dentro de un entorno aislado (sandbox en la nube sobre Linux). Equipado con bibliotecas profesionales preinstaladas como pandas, openpyxl, matplotlib y seaborn, Zhipu Qingyan procesa archivos Excel (.xlsx, .xls) y CSV con rigor matemático, depura errores automáticamente mediante un bucle de agentes (Agent Loop), limpia estructuras complejas y genera visualizaciones profesionales junto con archivos transformados listos para descargar.

Ya sea a través de su interfaz web en chatglm.cn o directamente en Microsoft 365 mediante el complemento GLM in Excel (Beta), los profesionales pueden articular un flujo de trabajo analítico estructurado en cuatro fases.

1. El motor de ejecución: entorno sandbox y depuración automática

Para obtener resultados empresariales fiables, el analista debe entender la arquitectura operativa de Zhipu Qingyan:

• Entorno de ejecución aislado: Los archivos subidos se montan en un contenedor Linux con Python 3.11+. El modelo interactúa mediante llamadas a herramientas de ejecución de código.
• Precisión algorítmica frente a deducción probabilística: Ante una solicitud como "Calcula la desviación estándar y el percentil 90 de la columna D", un modelo de chat ordinario intentaría estimar el valor en su espacio lingüístico. Zhipu Qingyan escribe df['Columna_D'].std() y df['Columna_D'].quantile(0.90), ejecuta el script en el sandbox y entrega la cifra exacta.
• Bucle de autorrecuperación (Agent Loop): Si un script falla debido a una codificación imprevista (como archivos con BOM o codificación GBK) o a discrepancias de tipos de datos, el sandbox devuelve el registro stderr. El modelo GLM analiza el error, reescribe el código (por ejemplo, incorporando encoding='gb18030' o convirtiendo datos con pd.to_numeric(..., errors='coerce')) y lo ejecuta de nuevo hasta obtener el resultado correcto.
• Transparencia total del código: Debajo de cada respuesta analítica, el usuario puede desplegar el bloque de código Python para auditar la lógica empleada, verificar los supuestos de cálculo o copiar el script a un cuaderno Jupyter local.

2. Fase 1: Inspección estructural y diagnóstico inicial

El error más común al utilizar herramientas de IA con hojas de cálculo es formular peticiones globales e imprecisas nada más cargar el archivo (por ejemplo: "Analiza esta tabla y dime qué ves"). Los libros de trabajo corporativos suelen contener celdas combinadas, filas en blanco, cabeceras multinivel y múltiples pestañas, lo que puede confundir al modelo si no se delimita la estructura previamente.

El estándar profesional exige comenzar siempre con un diagnóstico exploratorio.

Secuencia práctica y comandos de inspección

1. Carga del archivo: Adjunte su archivo .xlsx o .csv en la ventana de chat de Zhipu Qingyan.
2. Instrucción de reconocimiento (Prompt):

   "Lee el libro de trabajo adjunto. Primero, enumera todas las hojas disponibles. Para la hoja principal, muestra las primeras 5 filas (head()), las dimensiones totales de filas y columnas (shape), los nombres de cada columna con sus tipos de datos (dtypes), y el recuento y porcentaje de valores nulos por columna. No apliques modificaciones todavía; entrega únicamente el diagnóstico estructural."

3. Evaluación del diagnóstico: Zhipu Qingyan ejecutará un script en Python y devolverá:
   • El catálogo de hojas (ej. ['Ventas_Q3', 'Maestro_Clientes', 'Resumen_Dinamico']).
   • La correspondencia entre la fila de cabecera real y las filas de datos útiles.
   • Inconsistencias de tipo: columnas que deberían ser numéricas pero se han cargado como cadenas de texto (object) debido a la presencia de símbolos como $ o ¥, comas o anotaciones de texto como "Pendiente".

Detección de fallos estructurales ocultos

Durante esta inspección, el sistema permite identificar:

• Espacios en blanco residuales: Nombres de columna como 'Region ', que provocan fallos silenciosos en búsquedas y cruces.
• Pérdida de datos por celdas combinadas: Al importar celdas combinadas a un DataFrame de Pandas, solo la primera fila retiene el valor y las demás quedan registradas como NaN.
• Filas de totales o firmas al pie: Filas al final del archivo como "Total General" o "Elaborado por Finanzas", que distorsionarían promedios y medianas si no se excluyen.

3. Fase 2: Limpieza de datos y normalización tabular

Una vez documentada la arquitectura del archivo, el analista guía a Zhipu Qingyan para sanear las anomalías y transformar los datos en un formato analítico normalizado.

Escenarios frecuentes y patrones de instrucciones

A. Extracción de caracteres no numéricos y unidades abreviadas

Las tablas operativas a menudo incluyen valores con símbolos o sufijos (ej. "$1,250.00", "¥3,400", "50w", "12.5k").

• Instrucción:

  "En las columnas 'Ingresos' y 'Coste', elimina todos los símbolos monetarios ('$', '¥'), comas y espacios. Si un valor finaliza en 'w' o 'W', multiplícalo por 10.000; si finaliza en 'k' o 'K', multiplícalo por 1.000. Convierte ambas columnas a formato float64, rellena los valores no convertibles con 0 y muestra una muestra comparativa antes y después del cambio."

B. Descombinación de celdas y propagación hacia adelante (ffill)

Cuando existen nombres de departamento o categorías combinados verticalmente:

• Instrucción:

  "La columna 'Unidad_Negocio' contiene celdas vacías debido a combinaciones previas en Excel. Aplica propagación hacia adelante (ffill) para que cada fila herede su categoría correspondiente. Posteriormente, elimina todas las filas donde 'ID_Transaccion' e 'Importe' estén simultáneamente vacíos."

C. Estandarización de fechas heterogéneas

Armonización de formatos dispares como 2026/03/15, 15-03-2026 o números de serie de Excel (como 45366).

• Instrucción:

  "Convierte la columna 'Fecha_Pedido' al formato estándar ISO (YYYY-MM-DD). Si detectas fechas inválidas o registros que no pertenezcan al año 2026, lístalos en una tabla de discrepancias con su número de fila original."

D. Desduplicación por clave compuesta

• Instrucción:

  "Identifica registros duplicados tomando como clave combinada ['ID_Cliente', 'Fecha_Operacion', 'Codigo_SKU']. En caso de duplicidad, conserva únicamente el registro con la 'Fecha_Actualizacion' más reciente e indica cuántas filas redundantes han sido eliminadas."

Exportación del archivo limpio

Los datos procesados se almacenan en el directorio de salida del sandbox. Para obtener el archivo, basta con solicitar:

"Exporta el conjunto de datos completamente saneado a un archivo Excel denominado ventas_q3_limpio.xlsx, con encabezados claros y formato numérico adecuado, y facilítame el enlace directo de descarga."

El modelo generará un enlace descargable para utilizar la tabla limpia de forma inmediata.

4. Fase 3: Generación de gráficos y narrativa visual

Tras depurar los datos, Zhipu Qingyan aprovecha bibliotecas como matplotlib y seaborn para diseñar visualizaciones de nivel ejecutivo.

Una ventaja determinante frente a herramientas anglosajonas es que el entorno Linux de Zhipu Qingyan incluye fuentes CJK completas (Noto CJK y WenQuanYi). Esto evita que los textos en caracteres chinos, japoneses o símbolos especiales se rendericen como rectángulos vacíos o signos de interrogación (□□), permitiendo generar gráficos multilingües impecables.

Criterios para solicitar gráficos eficaces

1. Definir ejes, métricas y ordenación: Especifique claramente la variable independiente (eje X), la dependiente (eje Y), el tipo de agregación (suma, promedio) y el criterio de ordenación.
2. Incorporar líneas de referencia y etiquetas: Solicite etiquetas de datos directas sobre las barras, líneas de umbral de objetivos o la línea de corte del 80% en diagramas de Pareto.
3. Calidad de exportación: Indique una resolución nítida (dpi=300) y dimensiones acordes a diapositivas corporativas.

Ejemplos de instrucciones para gráficos analíticos

Caso 1: Diagrama de Pareto (Eje dual: Barras + Línea acumulada)

• Instrucción:

  "Agrupa las ventas por 'Categoria_Producto' y ordena de mayor a menor. Crea un gráfico de doble eje Y: en el eje izquierdo, un gráfico de barras en azul marino que muestre las ventas totales con etiquetas de valor en cada barra; en el eje derecho, una línea naranja con el porcentaje acumulado y una línea discontinua roja en el 80% como referencia de Pareto. Exporta la imagen en 300 DPI."

Caso 2: Evolución mensual y margen de beneficio (Área sombreada y llamada de atención)

• Instrucción:

  "Agrupa los datos por mes y representa la evolución de los últimos 12 meses de 'Ingresos_Brutos' y 'Margen_Neto'. Sombrea el área bajo la curva del margen neto con un tono gris claro translúcido, y destaca el mes con menor rentabilidad mediante una flecha y una anotación de texto."

Caso 3: Matriz de correlación multivariable (Mapa de calor)

• Instrucción:

  "Calcula la matriz de correlación de Pearson entre 'Gasto_Marketing', 'Impresiones', 'CTR', 'Coste_Adquisicion' y 'Valor_Vida_Cliente'. Genera un mapa de calor con Seaborn utilizando la paleta coolwarm, mostrando los valores numéricos con 2 decimales en cada celda y rotando las etiquetas del eje X a 30 grados."

Ajustes iterativos y formatos de salida

Tras la entrega del gráfico, el analista puede refinar el diseño conversacionalmente:

• "Mueve la leyenda fuera del gráfico, en la esquina superior derecha."
• "Ajusta la paleta de colores al azul corporativo y atenúa la cuadrícula de fondo."
• "Genera tanto una versión PNG a 300 DPI como un archivo vectorial PDF descargable."

5. Integración directa: complemento GLM in Excel (Beta)

Para aquellos analistas cuyo flujo de trabajo principal reside dentro de hojas de cálculo sin salir a navegadores externos, existe el complemento GLM in Excel (Beta).

• Panel lateral integrado: Se ejecuta como un panel de tareas dentro de Microsoft 365 o Excel 2021+. No es necesario exportar ni subir archivos a plataformas externas; las operaciones se ejecutan directamente sobre la hoja abierta.
• Detección y corrección de errores de fórmula: Si la hoja presenta errores como #REF!, #VALUE!, #DIV/0! o referencias circulares, el complemento identifica la celda afectada, reconstruye la jerarquía de dependencias y reescribe la fórmula adecuada.
• Operaciones entre múltiples hojas (VLOOKUP / XLOOKUP): Reconoce claves relacionales entre distintas pestañas (por ejemplo, relacionar una hoja de pedidos con una de tarifas maestras) y construye automáticamente fórmulas como XLOOKUP o SUMIFS.
• Resaltado y trazabilidad para auditorías: Todas las modificaciones sugeridas o celdas insertadas por la IA se destacan visualmente con colores de relleno, permitiendo a los analistas y auditores revisar cada cambio antes de consolidar el archivo.

6. Buenas prácticas de gobernanza y seguridad de datos

Al utilizar herramientas de IA con datos corporativos, los analistas deben aplicar rigurosos criterios de control:

1. Anonimización previa: No cargue hojas de cálculo con información personal identificable (PII), números de cuentas bancarias, documentos de identidad o secretos comerciales sin encriptar. Sustituya identidades reales por códigos ficticios (Cliente_01, Empleado_A) de forma local antes de subir el archivo.
2. Estructurar las consultas por etapas: Evite solicitar diagnóstico, limpieza exhaustiva, cálculo de tablas dinámicas y múltiples gráficos en una sola orden. Dividir la tarea en cuatro fases (Inspeccionar → Limpiar → Calcular → Graficar) minimiza el riesgo de tiempos de espera excesivos y garantiza la verificación intermedia.
3. Auditar el código subyacente: Despliegue siempre el visor de código Python para comprobar supuestos críticos (por ejemplo, si los valores vacíos se descartaron con dropna o se rellenaron con fillna(0), o si los cruces de tablas generaron duplicados indeseados).
4. Dimensionar el volumen de datos: Para conjuntos de millones de registros, conviene realizar una agregación previa mediante SQL en la base de datos de la empresa y transferir al sandbox archivos tabulares manejables (habitualmente entre 20 MB y 50 MB).

Al utilizar el Análisis Avanzado de Datos de Zhipu Qingyan como un copiloto técnico de Python en la nube, los analistas de negocio y trabajadores del conocimiento pueden automatizar la laboriosa fontanería de datos, garantizar la exactitud de sus cálculos y centrarse en la interpretación estratégica del negocio.

Referencias

• 智谱清言
• GLM in Excel（Beta）
• 预装沙箱环境
• 工具
• 工具调用