Zhipu AIのGLM基盤モデルを搭載したZhipu Qingyan（智譜清言）は、日常業務の表形式スプレッドシートを構造化されたデータインサイトや実務ですぐに使えるビジュアルチャートへと変換する、自動化されたコードインタープリター（Code Interpreter）サンドボックスを統合しています。ユーザー自身がPythonスクリプトを記述したり、ローカル開発環境を構築したり、複雑な表計算の数式を習得したりする必要はありません。アナリスト、マーケター、業務オペレーションの担当者は、ExcelやCSVなどの未加工スプレッドシートをアップロードし、自然言語で指示を出すだけで分析を進められます。pandas、numpy、matplotlibなどの不可欠なデータサイエンスライブラリを備えた専用のPythonランタイム環境で安全にコードを実行することにより、Zhipu Qingyanは生身のビジネス記録と明確な視覚的意思決定の間のギャップを埋めます。
コードインタープリターのアーキテクチャを理解する
Zhipu Qingyan内部のコードインタープリターは、インテリジェントな言語モデルエージェントと連携する隔離された実行環境として機能します。ユーザーがスプレッドシートとともに分析の質問を提示した際、システムは単にテキスト予測によって回答を推測するわけではありません。ユーザーの意図を実行可能なPythonコードに変換し、サンドボックス化された仮想環境内でスクリプトを実行し、標準出力や生成されたグラフィックをキャプチャして、検証済みの結果をチャットストリームに直接返します。
このアーキテクチャは、ビジネスユーザーに次のような具体的なメリットをもたらします。
- アルゴリズムによる高精度な計算： 数値計算、集計、統計指標は、確率的なトークン生成による推測ではなくPythonによって直接計算されるため、計算ミス（算術ハルシネーション）を完全に排除します。
- 包括的なデータサイエンススタック： ランタイム環境には、表形式データの操作を行うpandas、数値計算を行うnumpy、チャート作成と視覚的描画を行うmatplotlibやseabornなど、標準的な分析ライブラリがあらかじめ組み込まれています。
- 2種類の成果物生成： サンドボックスは、インラインの高解像度チャートなどのグラフィック出力と、構造化された表形式ファイルの両方を生成できるため、加工後のワークブックやサマリーテーブルをダウンロードできます。
- 透明性の高い実行ログ： ユーザーは任意の回答の背後にある生成されたPythonコードを確認し、データ変換の手順、フィルタリング条件、数学的ロジックをいつでも検証できます。
表形式スプレッドシートの準備とアップロード
スムーズな分析を実現し、Python環境でのパースエラーを防ぐためには、クリーンデータの原則に従って入力スプレッドシートを準備することが重要です。
サポートされているファイル形式
Zhipu Qingyanは、チャットの添付ファイルインターフェースを通じて複数の構造化データ形式を受け付けます。
- Microsoft Excel ワークブック（
.xlsx、.xls）： 複数列、書式設定された数値、日付フィールドを含む業務レポートに最適です。 - カンマ区切りおよび区切り文字ファイル（
.csv、.tsv）： データベース、顧客関係管理（CRM）システム、エンタープライズリソースプランニング（ERP）プラットフォームからエクスポートされた大規模データセットに適しています。 - 直接入力の表テキスト： 小規模なデータであれば、Markdownテーブルやタブ区切りテキストを会話プロンプトに直接貼り付けることも可能です。
データハイジーン（データ整備）のベストプラクティス
ファイルを Zhipu Qingyan にアップロードする前に、レイアウト要素を標準化しておくことで処理の齟齬を最小限に抑えられます。
- 単一のヘッダー行： 説明的な列ヘッダーを必ず先頭行に配置してください。複数階層にまたがるヘッダーは、pandasでの複雑なマルチインデックス処理が必要となるため避けてください。
- セルの結合解除： Excelで結合されたセルは、標準のデータフレーム構造に読み込まれた際に空白値（欠損値）となる原因になります。アップロード前に結合を解除し、各行に値を補完するか正規化してください。
- データ型の一貫性： 各列に同種のデータが含まれていることを確認してください。たとえば、純粋な数値列に通貨記号やテキスト注釈を混在させないようにします。
- データのサニタイズとプライバシー保護： クラウドベースの会話インターフェースにファイルをアップロードする前に、個人を特定できる情報（PII）、機密の顧客名、内部パスワード、機微な財務認証情報を削除またはマスキングしてください。
ステップバイステップのワークフロー：生データからビジュアルチャートへ
Zhipu Qingyanのコードインタープリターを活用したスプレッドシート分析は、初期プロファイリングから最終的なビジュアル出力まで、構造化された手順に沿って進行します。
ステップ 1：初期プロファイリングとスキーマ検証
チャット入力にスプレッドシートを添付したら、最初のステップはデータセットの構造、次元、潜在的な異常値を把握することです。
最初からいきなり複雑なチャートを要求するのではなく、まずはアシスタントに初期確認を指示します。
「四半期売上スプレッドシートをアップロードしました。データセットを検証し、行と列の総数を表示したうえで、検出されたデータ型とともに各列名を一覧表示し、欠損値やnull値がないか確認してください。」
コードインタープリターはpandas（pd.read_excel() または pd.read_csv()）を使用してファイルを読み込み、.info() や .isnull().sum() などのメソッドを介してスキーマを検証し、明確な概要を提示します。この診断ステップにより、数値や日付が正しく認識されているかを確認できます。
ステップ 2：データクレンジングと特徴量エンジニアリング
実際の業務スプレッドシートが、最初から分析に完璧に適した状態で提供されることは稀です。アシスタントは自動化された変換を実行し、データをクレンジングして新しいビジネス指標を算出できます。
- 欠損レコードの処理： 空白値を列の中央値や特定のカテゴリフラグで補完したり、必要に応じて不完全なレコードを除外したりします。
- 日付の標準化： 不規則なテキスト形式の日付（
09/19/26や2026.09.19など）を標準のdatetimeオブジェクトに変換し、時系列の並べ替えやグループ化を可能にします。 - 計算指標の生成： 粗利益率（
(Revenue - Cost) / Revenue）、顧客生涯価値、目標予算に対する差異などの計算列を作成します。
このフェーズで効果的なプロンプトの例：
「
Transaction_Date列を標準の YYYY-MM-DD 形式に整形してください。Discount列に欠損値がある場合は 0 で補完してください。その後、Gross_Sales * (1 - Discount)として算出されるNet_Revenueという新しい列を作成してください。」
ステップ 3：統計サマリーと集計
データがクレンジングされたら、グループ化と集計を通じてビジネスインサイトを抽出できます。Zhipu Qingyanはピボットテーブル、Group-by操作、要約統計をオンデマンドで実行します。
代表的な分析クエリには以下が含まれます。
- グループ別集計： 地域、製品カテゴリ、顧客ランクごとの合計、平均、中央値などの指標を算出します。
- ランキングとフィルタリング： トップパフォーマンスの営業担当者、最も利益率の低い製品、成果の上がっていないマーケティングキャンペーンなどを特定します。
- 分布分析： 四分位数や標準偏差を計算し、平均値を歪める可能性のある統計的外れ値を特定します。
指示プロンプトの例：
「
RegionとProduct_Lineでレコードをグループ化してください。各グループの純収益合計、平均注文金額、総取引数を計算してください。結果は総収益の降順で並べ替え、見やすいサマリーテーブル形式で提示してください。」
ステップ 4：ビジュアルチャートの生成
主要な指標を特定したら、Zhipu Qingyanに視覚的な表現を作成するよう指示します。コードインタープリターはmatplotlibまたはseabornを使用してプロットスクリプトを作成し、図を描画してチャット内にインラインで返します。
適切なチャートタイプの選択
| ビジネスの目的 | 推奨チャートタイプ | 一般的な指標とディメンション |
|---|---|---|
| カテゴリ間のパフォーマンス比較 | 縦棒グラフまたは横棒グラフ | 地域別収益、製品ライン別売上 |
| 時系列のトレンド追跡 | 折れ線グラフまたは面グラフ | 月次経常収益（MRR）、日間アクティブユーザー数（DAU） |
| 構成比と割合の分析 | ドーナツグラフまたは積み上げ棒グラフ | 市場シェア、部門別予算内訳 |
| 関係性と相関関係の評価 | 散布図 | 広告支出とリード獲得・コンバージョン数 |
| 指標の分布と歪度の検証 | ヒストグラムまたは箱ひげ図 | 注文金額の分布、配送時間のばらつき |
| 多次元のパフォーマンス比較 | ヒートマップ | 月別および地域別の売上実績 |
タイポグラフィとレイアウトの処理
自動化されたPythonプロットにおける頻出の課題は、非ラテン文字の文字化けや混雑した軸ラベルの処理です。Zhipu Qingyanはフォントプロパティをネイティブに構成し、文字化け（いわゆる豆腐表示）を起こさずに日本語、中国語、英語の文字を鮮明にレンダリングします。チャートの完成度をさらに高めるには、プロンプトで書式の希望を指定します。
「
Net_Revenueの上位10製品を示す横棒グラフを作成してください。最高収益が最上部に表示されるように棒を並べ替えてください。各棒の先端に具体的な数値ラベルを追加し、x軸を通貨記号付きでフォーマットし、清潔感のあるプロフェッショナルなコーポレートカラーパレットを適用してください。」
ステップ 5：反復的な調整とカスタマイズ
対話型コードインタープリターの最大の強みの1つは、最初からやり直すことなくチャートを対話的に修正できる点です。
- 配色の調整： 「経営陣へのプレゼンテーションに適した、コントラストの高いネイビーとティールのカラーテーマに変更してください。」
- 主要しきい値の強調表示： 「月次トレンドチャートに、四半期目標である50,000ドルを示す赤い破線の水平線を追加してください。」
- 注目領域の絞り込み： 「『未分類（Uncategorized）』セグメントを除外し、上位5カテゴリのみを表示する円グラフを再生成してください。」
- 軸ラベルの微調整： 「重なりを防ぐためにx軸の日付ラベルを45度回転させ、ミニマルな見た目にするためにチャートの上部と右側の枠線を削除してください。」
ステップ 6：成果物と処理済みファイルの書き出し
分析セッションの終了時、ユーザーは通常、ビジュアルなグラフと加工後の元データの両方を必要とします。
- ビジュアル資産の保存： 生成されたチャートはフル解像度で確認でき、ブラウザの右クリックメニューやダウンロードプロンプトから画像ファイル（
.png）として直接保存できます。 - 変換後データのダウンロード： 変更されたデータセットやピボット集計をファイル形式として再エクスポートするようZhipu Qingyanにリクエストできます。
ファイル生成のためのプロンプト例：
「新たに計算された指標を含むクレンジング済みデータセットと地域別サマリーテーブルを、
Quarterly_Sales_Analysis_Cleaned.xlsxという名前の新しいExcelファイル内の2つの独立したシートとして保存し、ダウンロードリンクを提供してください。」
アシスタントはサンドボックス内で df.to_excel() を実行し、完成したスプレッドシートをダウンロードするためのクリック可能なリンクを提供します。
実践的なビジネスシナリオとプロンプトテンプレート
以下のテンプレートは、さまざまな部門のプロフェッショナルがZhipu Qingyanのコードインタープリターとどのように対話できるかを示しています。
財務実績と予算の追跡
- 背景： 部門別の予算と実際の実績支出を含む総勘定元帳のエクスポートデータをアップロードする。
- プロンプト： 「部門ごとに
Actual_SpendとBudget_Allocatedを比較してください。絶対差額と差異率を計算してください。各部門の予算と実績を並べた2重棒グラフをプロットし、予算を10%以上超過している部門を赤色で強調表示してください。」
Eコマースの売上と在庫のモニタリング
- 背景： オンラインストアから出力した日次注文データをアップロードする。
- プロンプト： 「曜日ごとに総売上高と注文数を集計してください。どの曜日が最も高い平均注文金額を生み出しているかを特定してください。次に、主y軸に日次売上、第2y軸に取引件数を表示する複合折れ線・棒グラフをプロットしてください。」
カスタマーサポートと業務効率
- 背景： 作成タイムスタンプ、解決タイムスタンプ、満足度評価を含むカスタマーサポートチケットのログをアップロードする。
- プロンプト： 「各チケットの解決時間を時間単位で計算してください。ステータスが『Cancelled』のレコードを除外してください。サポート層ごとの解決時間の分布を示す箱ひげ図を作成し、各層の中央値解決時間と90パーセンタイルを要約してください。」
ベストプラクティスと運用の境界線
効率を最大化し、分析の厳密性を維持するために、以下の運用原則を念頭に置いてください。
- コードの正確性を検証する： 常にコード表示トグルをクリックして、生成されたPythonスクリプトを確認してください。数式をチェックすることで、フィルタリングロジック、ゼロ値の処理、集計関数が組織の会計基準や業務定義に合致していることを確認できます。
- 複数シートのファイルを明示的に指定する： 複数のシートを含むExcelワークブックをアップロードする場合は、プロンプトで対象のシート名を指定してください（例：「『Q3_Raw_Data』という名前のシートを読み込んでください」）。
- サンドボックスのリソース制限を意識する： クラウド実行環境にはメモリと実行タイムアウトの制約があります。数ギガバイトに及ぶ巨大データセットの場合は、アップロード前にローカルで事前フィルタリングや集計を行うか、探索的視覚化のために代表的なサンプル行を抽出してください。
- データガバナンスを維持する： 社内の情報セキュリティポリシーを遵守してください。パブリックな会話型AIインスタンスは外部処理環境として扱い、分析前に独自の顧客データが匿名化または仮名化されていることを確認してください。
GLMモデルの自然言語の柔軟性とPythonの決定論的な計算能力を融合させることで、Zhipu Qingyanはスプレッドシート作業の煩雑さを解消し、データパターンを迅速に発見し、ビジネス上の意思決定に直結する説得力のあるビジュアルチャートの提供を可能にします。