Comment utiliser l'interpréteur de code de Zhipu Qingyan pour analyser des feuilles de calcul et générer des graphiques visuels

Zhipu Qingyan (智谱清言), propulsé par les modèles fondateurs GLM de Zhipu AI, intègre un bac à sable automatisé d'interpréteur de code (Code Interpreter) qui transforme les feuilles de calcul tabulaires du quotidien en enseignements de données structurés et en graphiques visuels prêts pour la production. Plutôt que d'obliger les utilisateurs à rédiger des scripts Python, à configurer des environnements de développement locaux ou à maîtriser des formules complexes de tableur, la plateforme permet aux analystes, aux spécialistes du marketing et aux professionnels des opérations de téléverser des feuilles de calcul brutes telles que des fichiers Excel et CSV et de piloter l'assistant en langage naturel. En exécutant le code en toute sécurité dans un environnement d'exécution Python dédié, doté des bibliothèques de science des données incontournables comme pandas, numpy et matplotlib, Zhipu Qingyan comble le fossé entre les enregistrements opérationnels bruts et une prise de décision visuelle limpide.

Comprendre l'architecture de l'interpréteur de code

L'interpréteur de code intégré à Zhipu Qingyan fonctionne comme un environnement d'exécution isolé, couplé à un agent intelligent de modèle de langage. Lorsqu'un utilisateur pose une question analytique accompagnée d'une feuille de calcul, le système ne tente pas de deviner la réponse par simple prédiction textuelle. Au lieu de cela, il convertit l'intention de l'utilisateur en code Python exécutable, lance le script dans un environnement virtuel sécurisé (sandbox), capture la sortie standard ainsi que les graphiques générés, et restitue directement les résultats vérifiés dans le fil de conversation.

Cette architecture offre plusieurs avantages concrets aux utilisateurs professionnels :

• Précision algorithmique : Les calculs numériques, les agrégations et les indicateurs statistiques sont traités par Python plutôt qu'estimés par une génération probabiliste de tokens, ce qui élimine les hallucinations arithmétiques.
• Pile complète de science des données : L'environnement d'exécution intègre d'office les bibliothèques d'analyse standard, notamment pandas pour la manipulation tabulaire, numpy pour les opérations numériques, ainsi que matplotlib et seaborn pour la création de graphiques et le rendu visuel.
• Génération double d'artefacts : Le bac à sable génère à la fois des sorties graphiques — telles que des graphiques haute résolution intégrés à la discussion — et des fichiers tabulaires structurés, permettant aux utilisateurs de télécharger des classeurs modifiés ou des tableaux récapitulatifs.
• Journaux d'exécution transparents : Les utilisateurs peuvent consulter à tout moment le code Python produit derrière chaque réponse afin de vérifier les transformations de données, les conditions de filtrage et la logique mathématique.

Préparation et téléversement de feuilles de calcul tabulaires

Pour garantir une analyse fluide et éviter les erreurs d'analyse syntaxique dans l'environnement Python, il est essentiel de préparer la feuille de calcul d'entrée selon les principes d'assainissement des données.

Formats de fichiers pris en charge

Zhipu Qingyan accepte plusieurs formats de données structurées via son interface de pièces jointes :

• Classeurs Microsoft Excel (.xlsx, .xls) : Idéaux pour les rapports d'entreprise comportant plusieurs colonnes, des valeurs formatées et des champs de date.
• Fichiers délimités et séparés par des virgules (.csv, .tsv) : Recommandés pour les ensembles de données volumineux exportés depuis des bases de données, des systèmes de gestion de la relation client (CRM) ou des progiciels de gestion intégrés (ERP).
• Texte tabulaire direct : Pour les extraits plus courts, les utilisateurs peuvent coller directement des tableaux Markdown ou du texte séparé par des tabulations dans l'invite de discussion.

Bonnes pratiques pour l'hygiène des données

Avant de téléverser des fichiers vers Zhipu Qingyan, standardiser les éléments de disposition permet de réduire au maximum les blocages de traitement :

1. Ligne d'en-tête unique : Placez des en-têtes de colonnes explicites dès la toute première ligne. Évitez les en-têtes empilés ou à plusieurs niveaux, susceptibles de nécessiter une gestion complexe de MultiIndex dans pandas.
2. Dissocier les cellules fusionnées : Les cellules fusionnées dans Excel entraînent fréquemment des valeurs vides lorsqu'elles sont chargées dans des structures de dataframes standard. Remplissez les valeurs sur les lignes dissociées ou normalisez-les avant l'envoi.
3. Types de données cohérents : Veillez à ce que chaque colonne contienne des données homogènes. Évitez par exemple d'insérer des symboles monétaires ou des commentaires textuels dans des colonnes purement numériques.
4. Assainissement des données et confidentialité : Supprimez ou masquez les renseignements personnels identifiables (PII), les noms confidentiels de clients, les mots de passe internes et les identifiants financiers sensibles avant de téléverser des fichiers vers une interface conversationnelle dans le cloud.

Flux de travail étape par étape : des données brutes aux graphiques visuels

L'utilisation de l'interpréteur de code de Zhipu Qingyan pour l'analyse tabulaire suit une progression structurée, de l'exploration initiale à l'exportation visuelle finale.

Étape 1 : Profilage initial et inspection du schéma

Après avoir joint une feuille de calcul au champ de discussion, la première étape consiste à appréhender la structure, les dimensions et les éventuelles anomalies du jeu de données.

Plutôt que d'exiger d'emblée des graphiques complexes, invitez l'assistant à réaliser une inspection préalable :

« J'ai téléversé notre feuille de calcul des ventes trimestrielles. Merci d'inspecter le jeu de données, d'afficher le nombre total de lignes et de colonnes, de lister le nom de chaque colonne avec le type de données détecté et de vérifier s'il existe des valeurs manquantes ou nulles. »

L'interpréteur de code charge le fichier à l'aide de pandas (pd.read_excel() ou pd.read_csv()), inspecte le schéma via des méthodes telles que .info() et .isnull().sum(), puis affiche une vue d'ensemble claire. Cette étape de diagnostic vérifie que les nombres et les dates ont été correctement interprétés.

Étape 2 : Nettoyage des données et ingénierie des caractéristiques

Les feuilles de calcul d'entreprise réelles arrivent rarement dans un état immédiatement exploitable pour l'analyse. L'assistant peut appliquer des transformations automatisées pour nettoyer les données et générer de nouveaux indicateurs métier :

• Traitement des enregistrements manquants : Remplacement des valeurs vides par la médiane de la colonne ou un indicateur de catégorie spécifique, ou suppression des enregistrements incomplets lorsque cela s'impose.
• Normalisation des dates : Conversion des formats de date textuels irréguliers (tels que 09/19/26 ou 2026.09.19) en objets datetime standardisés pour permettre le tri chronologique et le regroupement par séries temporelles.
• Calculs dérivés : Création de colonnes calculées, telles que la marge brute ((Revenue - Cost) / Revenue), la valeur vie client (CLV) ou l'écart par rapport aux budgets prévisionnels.

Un exemple d'invite pertinente pour cette phase :

« Merci d'harmoniser la colonne Transaction_Date au format standard YYYY-MM-DD. Si des valeurs manquent dans la colonne Discount, remplace-les par 0. Ensuite, crée une nouvelle colonne intitulée Net_Revenue égale à Gross_Sales * (1 - Discount). »

Étape 3 : Synthèses statistiques et agrégation

Une fois les données nettoyées, les utilisateurs peuvent dégager des enseignements opérationnels grâce aux regroupements et aux agrégations. Zhipu Qingyan génère des tableaux croisés dynamiques, applique des opérations de groupement (group-by) et calcule des statistiques descriptives à la demande.

Parmi les requêtes analytiques courantes :

• Agrégations groupées : Calcul de sommes, de moyennes ou de médianes selon les zones géographiques, les catégories de produits ou les segments de clientèle.
• Classement et filtrage : Identification des meilleurs commerciaux, des produits aux marges les plus faibles ou des campagnes marketing sous-performantes.
• Analyse de distribution : Calcul des quartiles, des écarts-types et repérage des valeurs aberrantes susceptibles de fausser les moyennes.

Exemple de consigne :

« Regroupe les données par Region et Product_Line. Calcule le chiffre d'affaires net total, le panier moyen et le volume total des transactions pour chaque groupe. Présente les résultats dans un tableau récapitulatif soigné, classé par chiffre d'affaires total décroissant. »

Étape 4 : Génération de graphiques visuels

Après avoir mis en évidence les indicateurs clés, demandez à Zhipu Qingyan d'élaborer des représentations visuelles. L'interpréteur de code génère des scripts graphiques avec matplotlib ou seaborn, effectue le rendu de l'illustration et l'affiche directement dans la conversation.

Sélection des types de graphiques appropriés

Gestion de la typographie et de la mise en page

Une difficulté fréquente lors de la génération automatisée de graphiques en Python réside dans la gestion des caractères non latins et l'encombrement des étiquettes d'axes. Zhipu Qingyan configure nativement les paramètres de police pour garantir un rendu net des caractères chinois et latins sans affichage de symboles d'erreur. Pour perfectionner la présentation visuelle, précisez vos préférences dans l'invite :

« Crée un graphique à barres horizontales présentant les 10 produits générant le plus de Net_Revenue. Ordonne les barres pour faire apparaître le revenu le plus élevé en haut. Ajoute des étiquettes de valeur explicites au bout de chaque barre, formate l'axe des abscisses avec des symboles monétaires et applique une palette de couleurs d'entreprise sobre et professionnelle. »

Étape 5 : Ajustement itératif et personnalisation

L'un des atouts majeurs de l'interpréteur de code conversationnel est la possibilité d'adapter les graphiques de manière itérative sans devoir recommencer l'opération à zéro :

• Ajuster les palettes de couleurs : « Remplace les couleurs par un thème bleu marine et sarcelle à fort contraste, adapté à une présentation de direction. »
• Mettre en valeur des seuils stratégiques : « Ajoute une ligne horizontale rouge en pointillés représentant notre objectif trimestriel de 50 000 $ sur le graphique de tendance mensuelle. »
• Filtrer les zones prioritaires : « Exclus le segment "Non catégorisé" (Uncategorized) et génère à nouveau le graphique circulaire en ne conservant que les cinq premières catégories. »
• Optimiser les libellés des axes : « Incline les étiquettes de date de l'axe des abscisses de 45 degrés pour éviter les chevauchements, et supprime les bordures supérieure et droite du cadre pour une présentation épurée. »

Étape 6 : Exportation des livrables et des fichiers traités

Au terme d'une session d'analyse, les professionnels ont généralement besoin à la fois des visuels et des données assainies sous-jacentes :

• Enregistrement des ressources visuelles : Les graphiques générés peuvent être affichés en haute définition et enregistrés directement au format image (.png) via le menu contextuel du navigateur ou un bouton de téléchargement.
• Téléchargement des données transformées : Les utilisateurs peuvent solliciter Zhipu Qingyan pour réexporter le jeu de données corrigé ou le tableau croisé récapitulatif dans un format de fichier standard.

Exemple de consigne pour la génération de fichiers :

« Merci d'enregistrer le jeu de données nettoyé comportant les nouvelles métriques ainsi que le tableau récapitulatif régional sous forme de deux feuilles distinctes dans un nouveau fichier Excel nommé Quarterly_Sales_Analysis_Cleaned.xlsx, et de fournir un lien de téléchargement. »

L'assistant exécute df.to_excel() au sein du bac à sable et délivre un lien cliquable pour récupérer le fichier finalisé.

Scénarios d'entreprise pratiques et modèles de requêtes

Les modèles ci-dessous illustrent comment les professionnels de divers départements peuvent structurer leurs échanges avec l'interpréteur de code de Zhipu Qingyan :

Performance financière et suivi budgétaire

• Contexte : Téléversement d'un extrait du grand livre contenant les dépenses budgétées et réelles par département.
• Invite : « Compare Actual_Spend et Budget_Allocated pour chaque département. Calcule l'écart absolu et l'écart en pourcentage. Trace un graphique à barres doubles affichant le budget à côté des dépenses réelles pour chaque service, et surligne en rouge tout département dont le dépassement budgétaire excède 10 %. »

Ventes e-commerce et suivi des stocks

• Contexte : Téléversement des exports de commandes quotidiennes d'une boutique en ligne.
• Invite : « Agrège les ventes totales et le volume de commandes par jour de la semaine. Détermine quel jour enregistre la valeur moyenne de commande la plus élevée. Ensuite, trace un graphique combiné lignes et barres affichant les revenus journaliers sur l'axe y principal et le nombre de transactions sur l'axe y secondaire. »

Support client et efficacité opérationnelle

• Contexte : Téléversement d'un registre de tickets d'assistance avec horodatages d'ouverture et de résolution, ainsi que notes de satisfaction.
• Invite : « Calcule le délai de résolution en heures pour chaque ticket. Filtre les lignes dont le statut est 'Cancelled'. Crée une boîte à moustaches illustrant la répartition des délais de résolution selon les différents niveaux de support, puis indique la médiane et le 90e percentile du temps de résolution pour chaque niveau. »

Bonnes pratiques et limites opérationnelles

Pour optimiser l'efficacité tout en conservant une grande rigueur analytique, gardez à l'esprit ces principes fondamentaux :

• Vérifier la rigueur du code généré : Prenez l'habitude de basculer sur l'affichage du code pour examiner le script Python produit. Vérifier les formules permet de s'assurer que la logique de filtrage, la gestion des valeurs nulles et les fonctions d'agrégation correspondent fidèlement aux règles comptables et métiers de l'organisation.
• Gérer explicitement les classeurs multi-onglets : Lors du téléversement d'un classeur Excel comportant plusieurs onglets, précisez le nom de la feuille cible dans votre requête (par exemple : « Lis la feuille nommée 'Q3_Raw_Data' »).
• Anticiper les limites de ressources du bac à sable : L'environnement d'exécution dans le cloud applique des limites de mémoire vive et de temps de traitement. Pour les jeux de données de plusieurs gigaoctets, préfiltrez ou agrégez les données localement avant le téléversement, ou isolez un échantillon représentatif pour une exploration visuelle préliminaire.
• Préserver la gouvernance des données : Respectez scrupuleusement la politique de sécurité de l'information de votre entreprise. Considérez les instances publiques d'IA conversationnelle comme des environnements de traitement externes, et assurez-vous que les données clients confidentielles sont anonymisées ou pseudonymisées avant tout traitement.

En conjuguant l'agilité conversationnelle en langage naturel des modèles GLM et la rigueur computationnelle déterministe de Python, Zhipu Qingyan libère les utilisateurs des contraintes manuelles des tableurs, accélère la détection des tendances et fournit des visualisations percutantes pour éclairer les choix stratégiques de l'entreprise.