Como analistas de negócios e profissionais do conhecimento usam a Análise Avançada de Dados do Zhipu Qingyan para inspecionar planilhas, limpar dados e gerar gráficos

No cotidiano empresarial, analistas de negócios e trabalhadores do conhecimento despendem horas preciosas lidando com atritos em planilhas eletrônicas: relatórios brutos exportados de sistemas legados, valores numéricos contaminados por símbolos de moedas e unidades heterogêneas, fórmulas de PROCV (VLOOKUP) corrompidas, datas em formatos incompatíveis e demandas recorrentes por gráficos executivos. Quando esses dados são submetidos a modelos de linguagem tradicionais (LLMs) via chat de texto convencional, limitações de contexto e alucinações aritméticas rapidamente comprometem os resultados.

O Zhipu Qingyan (智谱清言), desenvolvido sobre a arquitetura de modelos GLM, resolve essa deficiência por meio do seu recurso de Análise Avançada de Dados (Code Interpreter / Interpretador de Código). Em vez de estimar resultados com base em probabilidades de texto, a ferramenta converte as instruções em linguagem natural em scripts Python reais e os executa em um ambiente seguro de sandbox em nuvem sobre Linux. Equipado com bibliotecas analíticas essenciais como pandas, openpyxl, matplotlib e seaborn, o Zhipu Qingyan executa cálculos rigorosos sobre arquivos Excel (.xlsx, .xls) e CSV, corrige falhas de código de forma autônoma (Agent Loop), reestrutura dados desordenados e gera gráficos de alta definição acompanhados de arquivos prontos para download.

Seja por meio da interface web em chatglm.cn ou diretamente no Microsoft 365 com o suplemento GLM in Excel (Beta), os analistas podem estruturar um fluxo de trabalho em quatro etapas lógicas e confiáveis.

1. A arquitetura de execução: sandbox Python e autocorreção

Para que os resultados alcancem precisão comercial, o analista precisa compreender como o Zhipu Qingyan atua nos bastidores:

• Ambiente isolado em nuvem (Sandbox): Os arquivos enviados são montados em uma instância Linux segura com Python 3.11+. O modelo aciona o interpretador por meio de chamadas de ferramentas (Tool Calling).
• Cálculo exato em vez de aproximação linguística: Se o usuário solicita "Calcule o desvio padrão e o percentil 90 da coluna D", modelos de texto tradicionais tendem a gerar estimativas probabilísticas. O Zhipu Qingyan programa df['Coluna_D'].std() e df['Coluna_D'].quantile(0.90), roda o código no ambiente sandbox e retorna o resultado exato.
• Ciclo de autocorreção (Agent Loop): Quando um script encontra problemas de codificação de arquivo (como arquivos codificados em GBK ou UTF-8 com BOM) ou discrepâncias de tipo de dados, o sandbox retorna o log de erro stderr. O modelo GLM interpreta o erro, corrige o código (adicionando, por exemplo, encoding='gb18030' ou aplicando pd.to_numeric(..., errors='coerce')) e o executa novamente até alcançar uma saída válida.
• Transparência do código: Em cada resposta gerada, é possível expandir o bloco de código Python executado. Isso permite auditar as regras de filtragem, validar os cálculos aplicados e copiar o script para uso em pipelines locais ou notebooks Jupyter.

2. Etapa 1: Inspeção estrutural e diagnóstico da planilha

O erro mais comum ao interagir com IA para análise de dados é enviar comandos amplos imediatamente após o upload do arquivo (como "Analise esses dados e mostre insights"). Planilhas corporativas reais contêm cabeçalhos mesclados, linhas em branco, seções de rodapé e múltiplas abas que podem induzir o modelo ao erro se a estrutura não for previamente mapeada.

O padrão profissional de trabalho inicia-se invariavelmente pela inspeção estrutural.

Roteiro prático e prompt de inspeção

1. Upload da planilha: Anexe o arquivo .xlsx ou .csv na janela de diálogo do Zhipu Qingyan.
2. Comando de reconhecimento estrutural (Prompt):

   "Leia o arquivo anexado. Primeiro, liste o nome de todas as abas (sheets). Na aba principal, exiba as 5 primeiras linhas (head()), o total de linhas e colunas (shape), os nomes de cada coluna com seus respectivos tipos de dados (dtypes), além da quantidade e do percentual de valores ausentes por coluna. Não altere os dados ainda; forneça apenas o diagnóstico estrutural."

3. Avaliação dos achados: O Zhipu Qingyan executará um script de inspeção e apresentará:
   • A lista de abas disponíveis (ex.: ['Vendas_Q3', 'Base_Clientes', 'Resumo_Pivot']).
   • A linha exata do cabeçalho versus o início real dos registros úteis.
   • Divergências de tipagem: colunas financeiras interpretadas como texto (object) devido à presença de símbolos como R$, $, ¥, vírgulas ou termos como "Em aberto".

Detecção de problemas ocultos

Essa varredura inicial revela armadilhas frequentes:

• Espaços em branco nos nomes de colunas: Cabeçalhos como 'Regiao ' que quebram fórmulas de busca e filtros posteriores.
• Células mescladas: Células combinadas em várias linhas transformam-se em valores nulos (NaN) da segunda linha em diante ao serem carregadas no Pandas.
• Linhas de totais ou notas no rodapé: Linhas ao final da tabela como "Total Consolidado" ou "Responsável: Auditoria", que distorcem cálculos de média se não forem descartadas previamente.

3. Etapa 2: Limpeza de dados e padronização tabular

Com a arquitetura da planilha documentada, o analista orienta o Zhipu Qingyan a sanar inconsistências e estruturar a base em formato analítico normalizado.

Cenários frequentes e padrões de prompts de limpeza

A. Tratamento de caracteres mistos e unidades numéricas

Relatórios operacionais frequentemente apresentam notações híbridas (ex.: "$1,250.00", "R$ 3.400,00", "50w", "12.5k").

• Prompt:

  "Nas colunas 'Receita' e 'Custo', remova símbolos monetários ('R$', '$', '¥'), pontos de milhar, espaços e vírgulas. Converta sufixos como 'w' ou 'W' multiplicando o valor por 10.000, e 'k' ou 'K' multiplicando por 1.000. Converta essas colunas para o formato float64, substitua valores não conversíveis por 0 e apresente uma amostra comparativa de antes e depois."

B. Desmesclagem de células e preenchimento progressivo (ffill)

Para categorias ou divisões que estavam agrupadas em blocos verticais:

• Prompt:

  "A coluna 'Divisao_Negocio' possui lacunas resultantes de células mescladas no Excel original. Aplique preenchimento progressivo (ffill) para que cada registro herde o departamento correto. Em seguida, descarte todas as linhas em que 'ID_Pedido' e 'Valor' estejam simultaneamente nulos."

C. Padronização de datas divergentes

Unificação de formatos como 2026/03/15, 15/03/2026 ou valores seriais do Excel (ex.: 45366).

• Prompt:

  "Converta a coluna 'Data_Transacao' para o padrão ISO (YYYY-MM-DD). Se houver registros não reconhecidos ou com datas fora do ano de 2026, liste os índices dessas linhas em uma tabela de inconsistências para revisão."

D. Desduplicação por chave composta

• Prompt:

  "Verifique registros duplicados utilizando a chave composta ['ID_Cliente', 'Data_Venda', 'Codigo_SKU']. Havendo duplicidade, mantenha apenas a entrada com a 'Data_Modificacao' mais recente e informe quantas linhas foram removidas."

Exportação dos dados tratados

Ao concluir a limpeza, os dados permanecem armazenados na área de trabalho do sandbox. Basta solicitar:

"Salve o conjunto de dados completamente limpo em um arquivo Excel intitulado vendas_q3_tratado.xlsx, mantendo cabeçalhos claros e formatação adequada, e disponibilize o link para download direto."

O sistema gera um link clicável que permite baixar a base pronta para integração operacional.

4. Etapa 3: Geração de gráficos analíticos e visualização

Com os dados padronizados, o Zhipu Qingyan aciona as bibliotecas matplotlib e seaborn para criar visualizações voltadas à tomada de decisão executiva.

Um diferencial técnico relevante em relação a ferramentas que não suportam conjuntos multilingues é a presença nativa de fontes como Noto CJK e WenQuanYi no ambiente Linux da Zhipu. Isso assegura que caracteres especiais, orientais ou diacríticos não sejam corrompidos em glifos vazios (□□), permitindo a geração de relatórios gráficos internacionais consistentes.

Boas práticas para elaboração de gráficos

1. Defina dimensões, métricas e ordenação: Evite pedir apenas "um gráfico bonito". Especifique eixo X, eixo Y, método de agregação (soma, média) e ordem dos dados.
2. Adicione referências e contexto: Solicite rótulos diretos nas barras, linhas de metas ou linhas de referência de 80% (Pareto).
3. Exija alta resolução: Requisite resolução nítida (dpi=300) e dimensões compatíveis com lâminas de apresentação corporativas.

Exemplos de prompts para gráficos analíticos

Cenário 1: Análise de Pareto (Gráfico de Eixo Duplo: Barras + Linha Cumulativa)

• Prompt:

  "Agrupe o faturamento por 'Categoria_Produto' em ordem decrescente. Gere um gráfico de eixo duplo: no eixo esquerdo, use barras em azul escuro para exibir a receita de cada categoria com os respectivos valores no topo das barras; no eixo direito, plote uma linha laranja com a porcentagem acumulada e adicione uma linha tracejada vermelha na marca de 80% como referência de Pareto. Exporte a figura em 300 DPI."

Cenário 2: Evolução temporal e margem líquida (Área sombreada e destaque)

• Prompt:

  "Agrupe os dados por mês e trace a trajetória dos últimos 12 meses para 'Faturamento_Bruto' e 'Margem_Liquida'. Preencha a área sob a curva de margem líquida com tom cinza translúcido e aponte uma seta de destaque no mês que registrou a menor rentabilidade com uma caixa de anotação explicativa."

Cenário 3: Matriz de correlação multivariada (Mapa de calor)

• Prompt:

  "Calcule a matriz de correlação de Pearson entre 'Investimento_Marketing', 'Impressoes', 'CTR', 'Custo_Aquisicao' e 'Valor_Vida_Cliente'. Desenhe um mapa de calor com o Seaborn utilizando o mapa de cores coolwarm, com valores exibidos em duas casas decimais e rótulos do eixo X inclinados a 30 graus."

Refinamento iterativo de layout

Após a entrega da imagem, é possível solicitar ajustes de acabamento:

• "Mova a legenda para fora do gráfico, no canto superior direito."
• "Altere a cor das barras para azul marinho institucional e reduza a opacidade das linhas de grade."
• "Disponibilize o gráfico tanto em formato PNG de alta definição quanto em vetor PDF para download."

5. Integração com planilhas de trabalho: suplemento GLM in Excel (Beta)

Para profissionais que necessitam atuar diretamente nas planilhas corporativas sem transitar entre navegadores, o ecossistema disponibiliza o suplemento GLM in Excel (Beta).

• Operação no painel lateral do Excel: Integrado ao Microsoft 365 ou Office 2021+, o assistente atua em uma barra lateral dentro do aplicativo. Não é preciso exportar dados sensíveis; os comandos são executados diretamente no arquivo ativo.
• Diagnóstico e correção de fórmulas: Identifica erros como #REF!, #VALOR!, #DIV/0! ou referências circulares, analisando as dependências de células e inserindo automaticamente a fórmula corrigida.
• Consultas e vínculos entre abas (PROCV / PROCX): O suplemento analisa múltiplas abas (ex.: aba de pedidos, lista de preços e cadastro de clientes), identifica as colunas-chave e monta cálculos cruzados com XLOOKUP ou SUMIFS.
• Rastreabilidade e destaque visual: Células modificadas ou inseridas pelo modelo recebem realce colorido na planilha, permitindo que auditores e analistas verifiquem com clareza as alterações executadas.

6. Governança e segurança no tratamento de dados

Para utilizar essas ferramentas com segurança em ambientes corporativos, os profissionais devem adotar diretrizes claras de conformidade:

1. Anonimização prévia de dados: Nunca faça upload de arquivos com dados pessoais identificáveis (PII), números de documentos, senhas, dados de cartões bancários ou demonstrativos financeiros confidenciais sem mascaramento prévio. Substitua nomes e códigos reais por marcadores fictícios (Cliente_A, ID_01) localmente antes do envio.
2. Divida tarefas complexas em etapas: Evite solicitar diagnóstico, limpeza massiva, cálculos de tabela dinâmica e múltiplos gráficos em um único prompt longo. Siga o fluxo em quatro fases (Inspecionar → Limpar → Calcular → Visualizar) para assegurar validação intermediária e evitar estouros de tempo de execução.
3. Audite os códigos gerados: Mantenha o hábito de expandir o bloco de código Python para validar premissas analíticas (por exemplo, se valores ausentes foram eliminados com dropna ou preenchidos com fillna(0), ou se junções causaram duplicações indesejadas de linhas).
4. Respeite limites de volumetria: Para bases com milhões de linhas, utilize SQL no data warehouse corporativo para agregar previamente os dados e encaminhe ao sandbox arquivos sintetizados (normalmente entre 20 MB e 50 MB).

Ao adotar a Análise Avançada de Dados do Zhipu Qingyan como um copiloto técnico de programação, analistas de negócios e profissionais do conhecimento eliminam a rotina mecânica de preparação de dados, mantendo seu foco intelectual voltado à interpretação estratégica e à tomada de decisão.

Referências

• 智谱清言
• GLM in Excel（Beta）
• 预装沙箱环境
• 工具
• 工具调用