日々の実務において、ビジネスアナリストやナレッジワーカーはスプレッドシートの雑務に多くの時間を奪われがちです。ERPから出力された不規則なテーブル、通貨記号や単位が混在した数値列、破損したVLOOKUP関数、形式の揃わない日付データ、そして経営陣向けのグラフ作成要求など、課題は尽きません。一般的な大規模言語モデル（LLM）で表データを処理しようとすると、トークン長制限に直面するだけでなく、計算過程で「ハルシネーション（事実無根の数値生成）」が発生するリスクが常に付きまといます。
GLMモデルアーキテクチャを基盤とする智譜清言（Zhipu Qingyan / ChatGLM）は、**高度データ分析（Code Interpreter / コードインタープリター）**機能によってこの課題を根本から解決します。テキスト生成の確率に基づいて数値を推測するのではなく、自然言語の指示をPythonコードに変換し、安全な独立クラウドアカウント（Linuxサンドボックス）上で実行します。サンドボックス環境には pandas、openpyxl、matplotlib、seaborn といった主要分析ライブラリがあらかじめ組み込まれており、アップロードされたExcel（.xlsx、.xls）やCSVデータに対して厳密な数値演算、自動エラー自己修復、テーブル整形、高品質なグラフ生成を行い、加工後のファイルをダウンロード形式で提供します。
ブラウザ版（chatglm.cn）での対話型分析はもちろん、Microsoft 365向けのアドイン GLM in Excel (Beta) を併用することで、アナリストは確実かつ迅速な4段階のデータ分析ワークフローを構築できます。
1. 動作の根幹：Pythonサンドボックスと自己修復ループ
業務レベルの信頼性を得るためには、まず智譜清言がバックエンドでどのように動作しているかを把握しておく必要があります。
- 安全に隔離された実行環境：アップロードされたファイルは、Python 3.11+ が稼働する独立したLinuxサンドボックスにマウントされます。モデルはツール呼び出し（Tool Calling）プロトコルを通じてコード実行を制御します。
- 確率的推測ではなくアルゴリズムによる厳密な計算：「D列の標準偏差と90パーセンタイルを算出せよ」という指示に対し、モデルは語彙の連鎖から数値を推論するのではなく、
df['Column_D'].std()やdf['Column_D'].quantile(0.90)を記述してコードを実行し、正確な戻り値を報告します。 - 自己修復エージェントループ（Self-Correction Loop）：文字コードの不一致（GBKやBOM付きUTF-8など）やデータ型の不整合によって例外が発生した場合、サンドボックスの標準エラー出力（
stderr）がモデルに即時フィードバックされます。GLMはトレースバックを読み解き、適切なエンコーディングの指定やpd.to_numeric(..., errors='coerce')による型変換を追加して自動再実行し、正常な出力を得るまで修正を自律的に繰り返します。 - コードの完全な透明性：生成された回答の裏側にあるPythonコードは、アコーディオンメニューを展開して自由に確認できます。アナリストは集計ロジックの妥当性を監査できるほか、そのスクリプトをローカルのJupyter Notebookや社内ETLパイプラインにコピーして再利用することが可能です。
2. 第1段階：スプレッドシートの構造検証とデータ診断
AIによるデータ処理で最も典型的な失敗は、ファイルをアップロードした直後に「このデータを分析してインサイトを出して」といった曖昧な指示を出してしまうことです。実務のExcelファイルには、結合セル、空白行、ヘッダー装飾行、合計行などが含まれており、全体指示だけではAIが列構造を取り違える原因になります。
適切な手順の第一歩は、構造の偵察（検証）から始めることです。
検証プロンプトの実践
- ファイルをアップロード：智譜清言の入力欄にある添付ボタンをクリックし、
.xlsxまたは.csvを配置します。 - 検証用プロンプトの入力：
「アップロードしたブックを読み込んでください。まず全シート名を列挙してください。次にメインのデータシートについて、先頭5行（
head()）、全体の行数・列数（shape）、各列の名称とデータ型（dtypes）、および列ごとの欠損値の数と割合を出力してください。まだデータの変更は行わず、構造の診断結果のみを提示してください。」 - 診断結果の確認：
智譜清言はPythonを実行し、以下の情報を整理して返します：
- シート構成一覧（例：
['Q3売上実績', '顧客マスタ', '集計ピボット']） - 実際のヘッダー行とデータ開始行のズレ
- データ型の異常：金額列であるにもかかわらず、通貨記号（
¥、$）や注記テキストが混在しているためにobject（文字列型）として認識されている箇所の検出
- シート構成一覧（例：
見落としがちな構造的欠陥の検知
この検証ステップによって、以下のリスクを未然に排除できます：
- 列名末尾の余計な空白：
'地域 'のように末尾スペースが存在すると、後の参照やマージでキー不一致が起きます。 - 結合セルによる欠損：Excelで複数行にまたがってセル結合されている場合、DataFrameとして読み込むと先頭行以外がすべて
NaNになります。 - フッターの合計行・備考行：最下部に「総合計」や「作成者メモ」が存在すると、平均値や最大値の統計計算が大きく歪められます。
3. 第2段階：データクレンジングと正規化処理
構造が明確になったら、汚れたデータを分析可能な正規フォーマットへ変換します。
実務で頻出するクレンジングシナリオとプロンプト
1. 混在した単位や非数値記号の除去
売上表などに「500w」「12.5万」「¥3,450.00」などが混在しているケースです。
- プロンプト例：
「『売上高』列と『仕入原価』列をクレンジングしてください。通貨記号（'¥'、'$'）、カンマ、スペースを除去してください。末尾に『万』または『w/W』が付いている数値は10,000倍し、『k/K』は1,000倍に変換してください。両列をfloat64型に変換し、変換不能な値は0で補完した上で、処理前後の比較サンプルを示してください。」
2. セル結合の解除と前方補完（ffill）
部門名や地域名が縦方向に結合されていたことで生じた空白行を処理します。
- プロンプト例：
「『事業部名』列は元データでセル結合されていたため、下方向に空欄が続いています。前方補完（
ffill）を適用してすべての行に事業部名を反映させてください。その後、『注文番号』と『金額』がともに空欄である無効行を削除してください。」
3. 不揃いな日付フォーマットの統一
2026/03/15、2026-3-15、15/03/2026、Excelのシリアル値（45366など）が混在している場合の処理です。
- プロンプト例：
「『受注日』列をISO標準形式（
YYYY-MM-DD）の日付型に統一変換してください。変換に失敗した行や2026年以外のデータがあれば、確認用にその行番号を一覧表示してください。」
4. 複合キーによる重複排除
- プロンプト例：
「['顧客ID', '取引日', '商品型番'] の組み合わせをキーとして重複レコードを検査してください。重複がある場合は『更新日時』が最も新しいレコードを残し、削除された重複行の総数を報告してください。」
クレンジング済みファイルの書き出し
作業完了後、処理データはサンドボックスの出力領域に保存されます。以下の指示を追加することでダウンロードが可能です：
「クレンジングが完了した全データを、適切なヘッダーと数値書式を整えたExcelファイル
cleaned_sales_q3.xlsxとして保存し、ダウンロードリンクを提示してください。」
生成されたリンクをクリックすれば、整理済みのスプレッドシートを即座に入手できます。
4. 第3段階：分析用チャートの生成とビジュアル化
クレンジングを終えたデータは、サンドボックス内の matplotlib や seaborn を用いて、意思決定に役立つグラフへと可視化できます。
一般的な海外製AIツールでは、グラフ作成時に日本語や中国語などのマルチバイト文字が文字化け（いわゆる「豆腐」 □□）を起こすことが多々あります。智譜清言のLinux環境にはNoto CJKや文泉驛フォントが整備されており、日本語のタイトル、軸ラベル、凡例を崩さずに描画できます。
チャート作成を成功させる指示の原則
- 軸、集計方法、並び順を明記する：「見やすいグラフを作って」ではなく、X軸、Y軸、集計単位（合計や平均）、降順・昇順の条件を明確にします。
- ビジネス用の基準線・補助線を追加する：データラベルの明記、予算目標ライン、パレート分析の80%基準線などを明示的に要求します。
- 高解像度を指定する：スライド貼り付けに耐えうるよう、
dpi=300や適切なアスペクト比を指定します。
実践的なグラフ生成プロンプト例
シナリオ1：パレート図（売上棒グラフ＋累積比率折れ線の複合2軸グラフ）
- プロンプト例：
「『商品カテゴリ』ごとに売上高を集計し、降順にソートしてください。左Y軸に各カテゴリの売上金額を示すダークブルーの棒グラフ（頂点に金額ラベルを表示）、右Y軸に累積構成比率を示すオレンジの折れ線グラフを重ねた2軸グラフを作成してください。80%の位置に赤の破線（パレートライン）を描画し、日本語ラベルが文字化けしない設定で300 DPIの画像として出力してください。」
シナリオ2：月次推移と利益率トレンド（エリア塗りつぶし・注釈付き）
- プロンプト例：
「月次単位で集計を行い、過去12ヶ月の『総売上高』と『営業利益率』の推移グラフを作成してください。利益率のライン下部を半透明のライトグレーで塗りつぶし、利益率が最も低かった月に矢印とテキスト注記を配置してハイライトしてください。」
シナリオ3：多変量相関ヒートマップ
- プロンプト例：
「『広告出稿費』『インプレッション数』『クリック率』『顧客獲得単価（CAC）』『顧客生涯価値（LTV）』の相関行列を算出してください。Seabornを使用してcoolwarmカラーマップのヒートマップを作成し、各セルに小数第2位までの相関係数を表示してください。X軸のラベルは重なりを防ぐため30度傾けてください。」
チャートの反復微調整
生成されたグラフを確認した後は、対話形式でデザインを修正できます：
- 「凡例をグラフ内部から右上の外側に移動してください。」
- 「棒グラフの色をコーポレートネイビーに変更し、背景のグリッド線の透明度を上げてください。」
- 「印刷・スライド用にベクターPDFと高解像度PNGの両方の形式で保存し、リンクをください。」
5. デスクトップ環境への統合：GLM in Excel (Beta) アドイン
ブラウザでのアップロード・ダウンロード作業を省き、日常のExcel業務の中で直接AIを活用したいユーザー向けに、GLM in Excel (Beta) が用意されています。
- Excel画面内での完結操作：Microsoft 365 や Office 2021+ のExcel右側に常駐する作業ウィンドウとして動作します。機密スプレッドシートを外部へ書き出すことなく、ブックを開いたまま対話形式で操作を行えます。
- 関数の自動生成とエラー修復：シート内に
#REF!、#VALUE!、#DIV/0!や循環参照が発生している場合、該当セルを特定し、参照チェーンの原因を解析して正しい修正数式を直接埋め込みます。 - 複数シートの連携・VLOOKUP/XLOOKUPの自動構成：別シートに分かれている売上明細、単価マスタ、顧客データをAIが認識し、キー列を結びつけた複雑な
XLOOKUPやSUMIFS数式を自動生成します。 - 変更履歴の視覚的ハイライト：AIが編集・追記したセル範囲は自動的にハイライト表示されるため、アナリストや監査担当者は変更箇所を一目で検証できます。
6. 実務におけるデータガバナンスと活用の鉄則
業務データをAIに預けるにあたり、アナリストは以下の運用ルールを守る必要があります：
- 事前のデータ匿名化（マスキング）：顧客の個人名、電話番号、口座番号、未公開の機密財務情報などはそのままアップロードせず、ローカル環境で事前に
顧客A、ID_001等のダミー記号に置換してください。 - 段階的なプロンプト設計：1回の指示で「構造確認、高度なクレンジング、ピボット集計、4種類のグラフ出力」をまとめて求めると、処理タイムアウトや意図の取り違えが発生しやすくなります。「検証 → クレンジング → 集計 → グラフ化」の順にステップを分けて実行するのが最も確実です。
- 実行コードの確認習慣：回答末尾に表示されるPythonコードを必ず確認し、「欠損値を安易に
dropnaで行ごと捨てていないか」「外部結合で意図しないレコード重複が生じていないか」などの計算前提をチェックしてください。 - データサイズの適切な切り分け：数百万行を超えるデータベースログなどのビッグデータは、あらかじめSQL等でサマリーやサンプルを抽出した上で、20MB〜50MB程度のスプレッドシートとして読み込ませるのが最適です。
智譜清言の高度データ分析を「手元で動く有能なPythonデータサイエンティスト」として位置付けることで、ビジネスアナリストやナレッジワーカーは単調な手作業から解放され、数値が示唆するビジネス判断と戦略立案に専念できるようになります。