Cómo utilizar el intérprete de código de Zhipu Qingyan para analizar hojas de cálculo y generar gráficos visuales

Zhipu Qingyan (智谱清言), impulsado por los modelos fundacionales GLM de Zhipu AI, integra un entorno de pruebas automatizado de intérprete de código (Code Interpreter) que transforma hojas de cálculo tabulares cotidianas en conocimientos de datos estructurados y gráficos visuales listos para producción. En lugar de exigir a los usuarios que escriban scripts en Python, configuren entornos de desarrollo locales o dominen fórmulas complejas de hojas de cálculo, la plataforma permite a analistas, profesionales de marketing y especialistas en operaciones subir hojas de cálculo sin procesar, como archivos Excel y CSV, e instruir al asistente en lenguaje natural. Al ejecutar código de forma segura en un entorno de ejecución de Python dedicado y equipado con bibliotecas esenciales de ciencia de datos como pandas, numpy y matplotlib, Zhipu Qingyan acorta la brecha entre los registros comerciales sin procesar y la toma de decisiones visual y clara.

Comprensión de la arquitectura del intérprete de código

El intérprete de código dentro de Zhipu Qingyan funciona como un entorno de ejecución aislado coordinado con un agente inteligente de modelos de lenguaje. Cuando un usuario plantea una pregunta analítica junto con una hoja de cálculo, el sistema no se limita a adivinar la respuesta mediante predicción de texto. En su lugar, traduce la intención del usuario en código Python ejecutable, ejecuta el script dentro de un entorno virtual seguro, captura la salida estándar y los gráficos generados, y devuelve los resultados verificados directamente al flujo de conversación.

Esta arquitectura ofrece varias ventajas concretas para los usuarios de negocios:

• Precisión algorítmica: Los cálculos numéricos, agregaciones y métricas estadísticas son procesados por Python en lugar de estimarse mediante generación probabilística de tokens, lo que elimina las alucinaciones aritméticas.
• Pila completa de ciencia de datos: El entorno de ejecución incluye bibliotecas analíticas estándar preinstaladas, como pandas para manipulación tabular, numpy para operaciones numéricas y matplotlib y seaborn para trazado de gráficos y renderizado visual.
• Generación dual de artefactos: El sandbox produce tanto salidas gráficas (como gráficos de alta resolución integrados en el chat) como archivos tabulares estructurados, lo que permite a los usuarios descargar libros de trabajo modificados o tablas de resumen.
• Registros de ejecución transparentes: Los usuarios pueden inspeccionar el código Python generado detrás de cualquier respuesta para verificar las transformaciones de datos, las condiciones de filtrado y la lógica matemática.

Preparación y carga de hojas de cálculo tabulares

Para garantizar un análisis fluido y evitar errores de análisis sintáctico en el entorno de Python, es esencial preparar la hoja de cálculo de entrada de acuerdo con los principios de datos limpios.

Formatos de archivo compatibles

Zhipu Qingyan admite diversos formatos de datos estructurados a través de su interfaz de archivos adjuntos de chat:

• Libros de Microsoft Excel (.xlsx, .xls): Ideales para informes comerciales con múltiples columnas, valores formateados y campos de fecha.
• Archivos delimitados y separados por comas (.csv, .tsv): Recomendados para grandes conjuntos de datos exportados desde bases de datos, sistemas de gestión de relaciones con clientes (CRM) o plataformas de planificación de recursos empresariales (ERP).
• Texto tabular directo: Para fragmentos más pequeños, los usuarios pueden pegar tablas en formato Markdown o texto delimitado por tabulaciones directamente en el mensaje de la conversación.

Prácticas recomendadas para la higiene de datos

Antes de subir archivos a Zhipu Qingyan, estandarizar los elementos de diseño minimiza las fricciones de procesamiento:

1. Fila única de encabezado: Coloque encabezados de columna descriptivos en la primera fila. Evite encabezados apilados o multinivel, que pueden requerir un manejo complejo de índices múltiples en pandas.
2. Descombinar celdas: Las celdas combinadas en Excel frecuentemente provocan valores en blanco al cargarse en estructuras de dataframes estándar. Rellene los valores en las filas desagrupadas o normalícelos antes de subirlos.
3. Tipos de datos consistentes: Asegúrese de que cada columna contenga datos homogéneos. Por ejemplo, evite mezclar símbolos de moneda o anotaciones de texto en columnas puramente numéricas.
4. Desinfección de datos y privacidad: Elimine o enmascare información de identificación personal (PII), nombres confidenciales de clientes, contraseñas internas y credenciales financieras confidenciales antes de subir archivos a cualquier interfaz conversacional en la nube.

Flujo de trabajo paso a paso: De los datos sin procesar a los gráficos visuales

El uso del intérprete de código de Zhipu Qingyan para el análisis tabular sigue una progresión estructurada desde la evaluación inicial hasta la exportación visual definitiva.

Paso 1: Perfilado inicial e inspección del esquema

Tras adjuntar una hoja de cálculo a la entrada del chat, el primer paso consiste en comprender la estructura del conjunto de datos, sus dimensiones y las posibles anomalías.

En lugar de solicitar de inmediato gráficos complejos, pida al asistente que realice una inspección preliminar:

"He subido nuestra hoja de cálculo de ventas trimestrales. Por favor, inspecciona el conjunto de datos, muestra el recuento total de filas y columnas, enumera el nombre de cada columna junto con el tipo de datos detectado y comprueba si hay valores faltantes o nulos."

El intérprete de código carga el archivo usando pandas (pd.read_excel() o pd.read_csv()), inspecciona el esquema mediante métodos como .info() y .isnull().sum(), y presenta una visión general clara. Este paso de diagnóstico verifica que los números y las fechas se hayan reconocido correctamente.

Paso 2: Limpieza de datos e ingeniería de características

Rara vez las hojas de cálculo del mundo real se presentan en un estado analítico perfecto. El asistente puede llevar a cabo transformaciones automatizadas para limpiar datos y calcular nuevas métricas comerciales:

• Tratamiento de registros faltantes: Rellenar valores vacíos con la mediana de la columna, marcas de categoría específicas o eliminar registros incompletos cuando corresponda.
• Estandarización de fechas: Convertir fechas en texto irregular (como 09/19/26 o 2026.09.19) en objetos datetime estándar para permitir la ordenación cronológica y la agrupación en series temporales.
• Cálculos derivados: Generar columnas calculadas, como el margen bruto ((Revenue - Cost) / Revenue), el valor del ciclo de vida del cliente o la desviación frente a los presupuestos previstos.

Un prompt práctico para esta fase:

"Por favor, limpia la columna Transaction_Date al formato estándar YYYY-MM-DD. Si hay valores faltantes en la columna Discount, reemplázalos por 0. Luego, crea una nueva columna llamada Net_Revenue equivalente a Gross_Sales * (1 - Discount)."

Paso 3: Resúmenes estadísticos y agregación

Una vez limpios los datos, los usuarios pueden extraer conclusiones comerciales mediante agrupaciones y agregaciones. Zhipu Qingyan ejecuta tablas dinámicas, operaciones de agrupación y estadísticas resumidas a petición.

Entre las consultas analíticas útiles se incluyen:

• Agregaciones agrupadas: Cálculo de sumas, promedios o medianas en función de regiones geográficas, categorías de productos o niveles de clientes.
• Clasificación y filtrado: Identificación de representantes de ventas con mejor rendimiento, productos de menor margen o campañas de marketing con resultados insuficientes.
• Análisis de distribución: Cálculo de cuartiles, desviaciones estándar e identificación de valores atípicos estadísticos que puedan distorsionar los promedios.

Ejemplo de instrucción:

"Agrupa los registros por Region y Product_Line. Calcula los ingresos netos totales, el valor promedio del pedido y el volumen total de transacciones para cada grupo. Presenta los resultados en una tabla de resumen con formato claro y ordenada por ingresos totales de forma descendente."

Paso 4: Generación de gráficos visuales

Tras identificar las métricas clave, indique a Zhipu Qingyan que elabore representaciones visuales. El intérprete de código redacta scripts de visualización con matplotlib o seaborn, renderiza la figura y la devuelve integrada en el chat.

Selección del tipo de gráfico adecuado

Manejo de tipografía y diseño

Un desafío habitual en la generación automatizada de gráficos con Python es el manejo de caracteres no latinos y las etiquetas de ejes saturadas. Zhipu Qingyan configura de forma nativa las propiedades tipográficas para garantizar que los caracteres chinos e ingleses se muestren nítidos sin presentar recuadros de error. Para perfeccionar aún más la presentación de los gráficos, especifique sus preferencias de formato en el prompt:

"Crea un gráfico de barras horizontales que muestre los 10 productos principales según Net_Revenue. Ordena las barras de modo que el mayor ingreso aparezca en la parte superior. Añade etiquetas explícitas con los valores al final de cada barra, aplica formato de moneda al eje x y utiliza una paleta de colores corporativa limpia y profesional."

Paso 5: Refinamiento iterativo y personalización

Una de las mayores fortalezas del intérprete de código conversacional es la capacidad de modificar gráficos de manera iterativa sin tener que empezar desde cero:

• Ajuste de combinaciones de colores: "Cambia la paleta de colores a un tema de alto contraste en azul marino y verde azulado adecuado para una presentación ejecutiva."
• Destacar umbrales clave: "Añade una línea discontinua roja horizontal que represente nuestro objetivo trimestral de 50.000 $ en el gráfico de tendencias mensuales."
• Filtrar áreas de enfoque: "Excluye el segmento 'Sin clasificar' (Uncategorized) y regenera el gráfico circular mostrando únicamente las cinco categorías principales."
• Perfeccionar etiquetas de ejes: "Gira las etiquetas de fecha del eje x 45 grados para que no se superpongan y elimina las líneas superior y derecha del marco del gráfico para lograr una estética minimalista."

Paso 6: Exportación de entregables y archivos procesados

Al concluir una sesión analítica, los usuarios suelen requerir tanto los gráficos visuales como los datos limpios subyacentes:

• Guardar recursos visuales: Los gráficos generados pueden visualizarse a resolución completa y guardarse directamente como archivos de imagen (.png) mediante el menú contextual del navegador o las opciones de descarga.
• Descargar datos transformados: Los usuarios pueden solicitar a Zhipu Qingyan que vuelva a exportar el conjunto de datos modificado o el resumen dinámico a un formato de archivo.

Ejemplo de prompt para la generación de archivos:

"Por favor, guarda el conjunto de datos limpio con las métricas recién calculadas y la tabla de resumen regional como dos hojas de trabajo separadas en un nuevo archivo de Excel llamado Quarterly_Sales_Analysis_Cleaned.xlsx y proporciona un enlace de descarga."

El asistente ejecuta df.to_excel() en el entorno de pruebas y proporciona un enlace interactivo para descargar la hoja de cálculo completa.

Escenarios empresariales prácticos y plantillas de prompts

Las siguientes plantillas muestran cómo profesionales de diferentes departamentos pueden estructurar sus interacciones con el intérprete de código de Zhipu Qingyan:

Rendimiento financiero y seguimiento presupuestario

• Contexto: Carga de un balance de comprobación o libro mayor que contiene los gastos presupuestados frente a los reales en todos los departamentos.
• Prompt: "Compara Actual_Spend frente a Budget_Allocated para cada departamento. Calcula la varianza absoluta y el porcentaje de varianza. Traza un gráfico de barras dobles que muestre el presupuesto junto a los gastos reales de cada departamento y resalta en rojo cualquier departamento que supere su presupuesto en más del 10 %."

Ventas de comercio electrónico y monitoreo de inventario

• Contexto: Carga de exportaciones diarias de pedidos desde una tienda en línea.
• Prompt: "Agrega las ventas totales y el recuento de pedidos por día de la semana. Determina qué día genera el mayor valor promedio de pedido. A continuación, traza un gráfico combinado de líneas y barras que muestre los ingresos diarios en el eje y principal y el recuento de transacciones en el eje y secundario."

Atención al cliente y eficiencia operativa

• Contexto: Carga de un registro de tickets de soporte al cliente con marcas de tiempo de apertura, marcas de tiempo de resolución y calificaciones de satisfacción.
• Prompt: "Calcula el tiempo de resolución en horas para cada ticket. Filtra los registros cuyo estado sea 'Cancelled'. Crea un diagrama de caja que ilustre la distribución de los tiempos de resolución en los diferentes niveles de soporte y resume la mediana del tiempo de resolución y el percentil 90 para cada nivel."

Prácticas recomendadas y límites operativos

Para maximizar la eficiencia y mantener el rigor analítico, tenga en cuenta estos principios operativos:

• Inspeccionar el código para garantizar el rigor: Haga clic siempre en el control para ver el código y revisar el script de Python generado. Comprobar las fórmulas garantiza que la lógica de filtrado, el tratamiento de valores cero y las funciones de agregación se ajusten a los estándares contables y comerciales de la organización.
• Gestionar explícitamente hojas de cálculo con múltiples pestañas: Al subir un libro de Excel con varias hojas de trabajo, especifique el nombre de la hoja de destino en su prompt (por ejemplo, "Lee la hoja llamada 'Q3_Raw_Data'").
• Tener en cuenta los límites de recursos del sandbox: El entorno de ejecución en la nube opera bajo restricciones de memoria y límites de tiempo de ejecución. Para conjuntos de datos de varios gigabytes, filtre o agregue previamente los datos de forma local antes de subirlos, o seleccione una muestra representativa de filas para la visualización exploratoria.
• Mantener la gobernanza de datos: Cumpla con las políticas de seguridad de la información de su empresa. Trate las instancias públicas de IA conversacional como entornos de procesamiento externos, asegurándose de que los datos de clientes patentados o confidenciales se anonimicen o seudonicen antes del análisis.

Al combinar la agilidad en lenguaje natural de los modelos GLM con la potencia de cálculo determinista de Python, Zhipu Qingyan permite a los usuarios superar las fricciones de las hojas de cálculo, descubrir patrones con rapidez y generar gráficos visuales convincentes para la toma de decisiones empresariales.