Pour les analystes de données, les chargés d'études de marché et les responsables opérationnels, l'exploitation manuelle de volumineux tableurs engendre une lourde charge : imbrication complexe de formules Excel, maintenance fastidieuse des tableaux croisés dynamiques et écriture de scripts récurrents en Python ou SQL. Développé par Baidu, Ernie Bot (文心一言) répond à ce défi en intégrant un environnement d'exécution isolé (Interpréteur de code / Code Interpreter) et des composants de visualisation natifs, notamment le plugin E-Chart (E言易图) fondé sur Apache ECharts. Cette architecture permet aux profils métier d'importer directement des fichiers .xlsx ou .csv et de réaliser, au moyen du langage naturel, l'audit de qualité des données, le traitement des valeurs aberrantes et la génération de graphiques de tendances interactifs.
Ce guide opérationnel présente aux équipes d'analyse et de recherche la démarche complète pour maîtriser ces outils : fonctionnement du moteur d'exécution, étapes méthodologiques de traitement, modèles d'invites (prompts), analyse comparative face aux solutions de BI classiques et principes de gouvernance des données.
1. Principes de traitement des données tabulaires par Ernie Bot
Les modèles de langage généralistes génèrent du texte par prédiction probabiliste de séquences, ce qui conduit fréquemment à des erreurs de calcul et à des hallucinations numériques lorsqu'ils réalisent des opérations directes. Ernie Bot élimine ce risque en dissociant la compréhension sémantique de l'exécution mathématique :
- Exécution déterministe en bac à sable (Code Interpreter) : Lorsqu'un utilisateur dépose un tableur avec une requête analytique, Ernie Bot n'effectue pas les calculs dans ses poids neuronaux. Il génère automatiquement un script Python structuré (faisant appel à des bibliothèques telles que
pandas,numpyetopenpyxl), l'exécute dans un bac à sable isolé et restitue des résultats numériques vérifiés. - Moteur de rendu graphique E-Chart : Les données calculées sont transmises aux composants de visualisation basés sur Apache ECharts. Le modèle peut ainsi générer des graphiques linéaires à courbes lissées, des diagrammes en aires empilées, des graphiques à barres à doubles axes et des cartes thermiques (heatmaps) interactives avec info-bulles au survol.
- Détection automatique de structure et métadonnées : Ernie Bot identifie la hiérarchie des feuilles de calcul, les étiquettes de colonnes, les formats d'horodatage et les valeurs numériques, signalant les données manquantes en amont de toute agrégation.
2. Procédure étape par étape : Du tableur brut à la courbe de tendance
Étape 1 : Structuration et téléversement du fichier
Pour permettre une lecture fluide par l'interpréteur de code, appliquez une mise en forme rigoureuse :
- Ligne d'en-tête unique : Placez sur la première ligne des libellés précis et sans doublon (ex. :
Date_Commande,Region,Categorie_Produit,Chiffre_Affaires_Net,Utilisateurs_Actifs). - Suppression des cellules fusionnées : Évitez toute fusion verticale ou horizontale et retirez les lignes de sous-totaux intermédiaires afin de préserver une structure tabulaire continue (Tidy Data).
- Formats supportés : Privilégiez les formats standards
.xlsxou.csv. Dans le cadre d'un usage web standard, limitez la taille du fichier aux seuils recommandés (généralement moins de 50 Mo).
Déposez le fichier en cliquant sur l'icône de trombone dans la zone de dialogue d'Ernie Bot ou chargez-le dans l'espace agent de Baidu Qianfan AppBuilder.
Étape 2 : Exploration préliminaire des données (EDA)
Ne sollicitez pas immédiatement des visualisations sophistiquées. Vérifiez d'abord la bonne interprétation du schéma par le modèle.
Invite recommandée (Prompt) :
« J'ai déposé le tableur des ventes trimestrielles. Effectue une analyse exploratoire préliminaire : liste l'ensemble des colonnes avec les types de données identifiés, indique le nombre total de lignes et de colonnes, calcule le taux de valeurs manquantes par colonne et affiche un extrait des 5 premières lignes sous forme de tableau. »
Résultat produit : Ernie Bot exécute un script de vérification Python et fournit :
- La dimension du jeu de données (ex. : 27 000 lignes × 12 colonnes).
- La confirmation de la détection des champs temporels et numériques.
- Des alertes sur la qualité des données (ex. : champs vides dans une colonne de remise ou variations typographiques dans les catégories).
Étape 3 : Nettoyage et agrégation en langage naturel
Une fois la structure validée, formulez vos critères de filtrage et de calcul.
Invite recommandée (Prompt) :
« Nettoie les données : exclus les commandes dont le statut est 'Annulé' ainsi que les lignes avec un montant inférieur ou égal à 0. Regroupe ensuite les dates par mois (AAAA-MM) et calcule pour les trois régions ('Nord', 'Est', 'Sud') le chiffre d'affaires total mensuel ainsi que le panier moyen par commande. »
Le modèle exécute les calculs dans le bac à sable et délivre un tableau de synthèse mensuel prêt pour la visualisation.
Étape 4 : Production du graphique de tendance
Indiquez le format graphique souhaité, l'échelle des axes et les éléments stratégiques à mettre en relief.
Invite recommandée (Prompt) :
« À l'aide du composant E-Chart, génère un graphique linéaire illustrant la progression mensuelle du chiffre d'affaires de janvier à décembre : l'axe horizontal représente les mois et l'axe vertical le chiffre d'affaires en milliers d'euros. Trace trois courbes lissées de couleurs distinctes pour chaque région, place un marqueur sur le mois culminant de chaque zone et résume en dessous 3 constats opérationnels majeurs. »
Rendu obtenu :
- Un graphique lisible mettant en évidence les fluctuations saisonnières et les accélérations de vente.
- Une identification visuelle des records d'activité.
- Un court commentaire analytique exploitable directement dans une note de synthèse ou un diaporama.
Étape 5 : Ajustements itératifs et exportation
Ernie Bot conservant la mémoire de l'échange, vous pouvez affiner le résultat au fil de la discussion :
- Changement de typologie : « Transforme ce graphique linéaire en graphique en aires empilées à 100 % pour visualiser l'évolution de la part relative de chaque région dans les ventes totales. »
- Ajout d'une moyenne mobile : « Intègre une moyenne mobile sur 3 mois sur la courbe globale afin d'atténuer les à-coups ponctuels. »
- Téléchargement des données : « Compile le tableau final des ventes mensuelles et des taux de variation mensuelle dans un fichier
.xlsxtéléchargeable. »
3. Modèles d'invites utiles pour les analystes
| Scénario d'analyse | Formulation recommandée |
|---|---|
| Contrôle d'intégrité | « Recherche les doublons sur la clé primaire, calcule les quartiles et valeurs extrêmes de la colonne chiffre d'affaires et signale les valeurs atypiques. » |
| Cohortes et fidélisation | « Regroupe les utilisateurs selon leur mois d'inscription et calcule le taux de rétention mensuel sur les 6 mois suivants, puis affiche le résultat sous forme de heatmap. » |
| Détection d'anomalies | « Détermine l'écart-type du volume quotidien des commandes et trace un graphique de dispersion mettant en exergue les journées s'écartant de plus de 2 écarts-types de la moyenne. » |
| Comparatif à double axe | « Agrège les ventes totales et le taux de dépenses promotionnelles par trimestre. Conçois un graphique combiné avec les ventes en barres et le taux de dépenses en courbe sur deux axes Y distincts. » |
4. Tableau comparatif : Ernie Bot face à la BI classique et aux LLMs purs
| Critère d'évaluation | Ernie Bot (Code Interpreter & E-Chart) | Outils de BI (Power BI / Tableau) | LLMs conversationnels sans bac à sable |
|---|---|---|---|
| Accessibilité | Maximale : Requêtes directes en langage naturel. | Exigeante : Maîtrise requise du modèle relationnel et du langage DAX. | Facile : Mais résultats mathématiques truffés d'erreurs. |
| Exactitude des calculs | Élevée : Exécution de code Python dans un environnement clos. | Maximale : Moteur de calcul déterministe certifié. | Nulle : Prédiction approximative de valeurs textuelles. |
| Prise en compte des contextes métiers | Native : Forte compréhension des temporalités (MoM, YoY) et des spécificités comptables. | Manuelle : Nécessite une configuration humaine des champs et métriques. | Variable : Nombreuses confusions sur les termes financiers spécialisés. |
| Agilité d'exploration | Instantanée : Modification des angles de vue en quelques secondes. | Rigide : Toute nouvelle mesure impromptue requiert une retouche du modèle. | Rapide : Incapacité toutefois à générer des fichiers de données exploitables. |
5. Gouvernance et sécurité des données d'entreprise
L'intégration d'Ernie Bot dans les pratiques professionnelles nécessite le respect de règles déontologiques précises :
- Anonymisation préalable des données (PII) : Supprimez toute information nominative (numéros de carte, coordonnées téléphoniques, identifiants personnels) avant de téléverser des fichiers dans des interfaces publiques, en privilégiant des identifiants anonymisés.
- Déploiement sécurisé sur Baidu Qianfan : Pour les données financières stratégiques ou soumises à des audits réglementaires, privilégiez la plateforme Qianfan et AppBuilder avec isolation réseau (VPC) et engagement de non-rétention des données.
- Audit du code exécuté : Prenez l'habitude de consulter l'encadré « Afficher le code » dans l'interface pour vérifier les choix d'agrégation appliqués (traitement des valeurs nulles, bases de calcul des ratios).
- Adéquation de la volumétrie : L'interpréteur de code est particulièrement adapté aux fichiers de travail opérationnels comprenant jusqu'à quelques centaines de milliers de lignes. Pour les bases colossales de plusieurs dizaines de millions d'enregistrements, pré-agrégez les données via SQL en amont avant de confier la table de synthèse à Ernie Bot.