Como usar o interpretador de código do Zhipu Qingyan para analisar planilhas e gerar gráficos visuais

O Zhipu Qingyan (智谱清言), equipado com os modelos fundacionais GLM da Zhipu AI, integra um sandbox automatizado de interpretador de código (Code Interpreter) que transforma planilhas tabulares cotidianas em insights de dados estruturados e gráficos visuais prontos para apresentação executiva. Em vez de exigir que os usuários escrevam scripts em Python, configurem ambientes locais de desenvolvimento ou dominem fórmulas complexas de planilhas, a plataforma permite que analistas, profissionais de marketing e especialistas em operações enviem planilhas brutas, como arquivos Excel e CSV, e orientem o assistente em linguagem natural. Ao executar código de forma segura em um ambiente de execução Python dedicado e equipado com bibliotecas essenciais de ciência de dados como pandas, numpy e matplotlib, o Zhipu Qingyan preenche a lacuna entre registros de negócios brutos e tomadas de decisão visuais e claras.

Compreendendo a arquitetura do interpretador de código

O interpretador de código no Zhipu Qingyan funciona como um ambiente de execução isolado pareado com um agente inteligente de modelo de linguagem. Quando um usuário apresenta uma pergunta analítica acompanhada de uma planilha, o sistema não se limita a adivinhar a resposta por meio de previsão probabilística de texto. Em vez disso, ele converte a intenção do usuário em código Python executável, roda o script em um ambiente virtual isolado (sandbox), captura a saída padrão e os gráficos gerados e retorna os resultados verificados diretamente no fluxo da conversa.

Essa arquitetura oferece diversas vantagens concretas para os usuários corporativos:

• Precisão algorítmica: Cálculos numéricos, agregações e métricas estatísticas são calculados pelo Python em vez de estimados por geração probabilística de tokens, eliminando alucinações aritméticas.
• Stack abrangente de ciência de dados: O ambiente de execução vem pré-carregado com bibliotecas analíticas padrão, incluindo pandas para manipulação tabular, numpy para operações numéricas e matplotlib e seaborn para plotagem de gráficos e renderização visual.
• Geração dupla de artefatos: O sandbox produz tanto saídas gráficas — como gráficos de alta resolução integrados ao chat — quanto arquivos tabulares estruturados, permitindo que os usuários baixem pastas de trabalho modificadas ou tabelas de resumo.
• Logs de execução transparentes: Os usuários podem inspecionar o código Python gerado por trás de qualquer resposta para verificar as transformações de dados, condições de filtragem e lógica matemática.

Preparando e enviando planilhas tabulares

Para garantir uma análise fluida e evitar erros de interpretação no ambiente Python, é essencial preparar a planilha de entrada de acordo com os princípios de dados limpos.

Formatos de arquivo compatíveis

O Zhipu Qingyan aceita vários formatos de dados estruturados por meio de sua interface de anexo no chat:

• Pastas de trabalho do Microsoft Excel (.xlsx, .xls): Ideais para relatórios corporativos com múltiplas colunas, valores formatados e campos de data.
• Arquivos delimitados e separados por vírgula (.csv, .tsv): Recomendados para grandes conjuntos de dados exportados de bancos de dados, sistemas de gestão de relacionamento com o cliente (CRM) ou plataformas de planejamento de recursos empresariais (ERP).
• Texto tabular direto: Para trechos menores, os usuários podem colar tabelas em Markdown ou texto separado por tabulações diretamente no prompt da conversa.

Melhores práticas para higienização de dados

Antes de enviar arquivos para o Zhipu Qingyan, padronizar os elementos de formatação minimiza o atrito no processamento:

1. Linha única de cabeçalho: Posicione cabeçalhos descritivos de coluna na primeira linha. Evite cabeçalhos empilhados ou de múltiplos níveis, que podem exigir manipulações complexas de MultiIndex no pandas.
2. Desmesclar células: Células mescladas no Excel frequentemente geram valores em branco quando carregadas em estruturas de dataframes padrão. Preencha os valores nas linhas desagrupadas ou normalize-os antes do envio.
3. Tipos de dados consistentes: Garanta que cada coluna contenha dados homogêneos. Por exemplo, evite misturar símbolos de moeda ou anotações em texto dentro de colunas puramente numéricas.
4. Sanitização de dados e privacidade: Remova ou oculte informações de identificação pessoal (PII), nomes confidenciais de clientes, senhas internas e credenciais financeiras sensíveis antes de enviar arquivos para qualquer interface conversacional em nuvem.

Fluxo de trabalho passo a passo: Dos dados brutos aos gráficos visuais

A utilização do interpretador de código do Zhipu Qingyan para análise tabular segue uma progressão estruturada, desde o perfilamento inicial até a exportação visual final.

Etapa 1: Criação de perfil inicial e inspeção de esquema

Após anexar uma planilha à entrada do chat, o primeiro passo é estabelecer uma compreensão clara da estrutura do conjunto de dados, suas dimensões e potenciais anomalias.

Em vez de solicitar imediatamente gráficos complexos, oriente o assistente a realizar uma inspeção preliminar:

"Enviei nossa planilha de vendas trimestrais. Por favor, inspecione o conjunto de dados, exiba a contagem total de linhas e colunas, liste cada nome de coluna ao lado do tipo de dado detectado e verifique se há valores ausentes ou nulos."

O interpretador de código carrega o arquivo usando pandas (pd.read_excel() ou pd.read_csv()), inspeciona o esquema por meio de métodos como .info() e .isnull().sum() e apresenta uma visão geral clara. Essa etapa de diagnóstico verifica se números e datas foram reconhecidos corretamente.

Etapa 2: Limpeza de dados e engenharia de atributos

Planilhas corporativas do mundo real raramente chegam em perfeito estado analítico. O assistente pode executar transformações automatizadas para limpar dados e derivar novas métricas de negócios:

• Tratamento de registros ausentes: Preenchimento de valores vazios com medianas de coluna, sinalizadores específicos de categoria ou descarte de registros incompletos quando apropriado.
• Padronização de datas: Conversão de datas de texto irregulares (como 09/19/26 ou 2026.09.19) em objetos datetime padronizados para permitir ordenação cronológica e agrupamento por séries temporais.
• Cálculos derivados: Criação de colunas calculadas, como margens brutas ((Revenue - Cost) / Revenue), valor do ciclo de vida do cliente ou variação em relação às metas orçamentárias.

Um prompt prático para esta fase:

"Por favor, padronize a coluna Transaction_Date para o formato YYYY-MM-DD. Se houver valores ausentes na coluna Discount, substitua-os por 0. Em seguida, crie uma nova coluna chamada Net_Revenue igual a Gross_Sales * (1 - Discount)."

Etapa 3: Resumos estatísticos e agregação

Uma vez limpos os dados, os usuários podem extrair insights de negócios por meio de agrupamentos e agregações. O Zhipu Qingyan executa tabelas dinâmicas, operações de agrupamento (group-by) e resumos estatísticos sob demanda.

Consultas analíticas úteis incluem:

• Agregações agrupadas: Cálculo de métricas de soma, média ou mediana por regiões geográficas, categorias de produtos ou níveis de clientes.
• Classificação e filtragem: Identificação dos representantes de vendas com melhor desempenho, produtos de menor margem ou campanhas de marketing com baixo desempenho.
• Análise de distribuição: Cálculo de quartis, desvios-padrão e identificação de outliers estatísticos que possam distorcer as médias.

Exemplo de instrução:

"Agrupe os registros por Region e Product_Line. Calcule a receita líquida total, o ticket médio e o volume total de transações para cada grupo. Apresente os resultados em uma tabela de resumo formatada e ordenada pela receita total em ordem decrescente."

Etapa 4: Geração de gráficos visuais

Depois de identificar as métricas principais, instrua o Zhipu Qingyan a produzir representações visuais. O interpretador de código escreve scripts de plotagem usando matplotlib ou seaborn, renderiza a figura e a retorna diretamente no chat.

Seleção dos tipos de gráficos adequados

Tratamento de tipografia e layouts

Um desafio frequente na geração automatizada de gráficos em Python é o tratamento de caracteres não latinos e rótulos de eixos sobrepostos. O Zhipu Qingyan configura nativamente propriedades de fonte para garantir que caracteres chineses e ocidentais sejam renderizados com nitidez, sem exibir caixas de erro. Para aprimorar ainda mais a apresentação do gráfico, especifique preferências de formatação em seu prompt:

"Crie um gráfico de barras horizontais mostrando os 10 principais produtos por Net_Revenue. Ordene as barras para que a maior receita fique no topo. Adicione rótulos de valores explícitos no final de cada barra, formate o eixo x com símbolos de moeda e aplique uma paleta de cores corporativa limpa e profissional."

Etapa 5: Refinamento iterativo e personalização

Um dos maiores pontos fortes do interpretador de código conversacional é a capacidade de modificar gráficos iterativamente sem precisar recomeçar:

• Ajuste de esquemas de cores: "Altere a paleta de cores para um tema de alto contraste em azul-marinho e azul-petróleo adequado para uma apresentação executiva."
• Destaque de limites críticos: "Adicione uma linha tracejada horizontal vermelha representando nossa meta trimestral de US$ 50.000 no gráfico de tendência mensal."
• Filtragem de áreas de foco: "Exclua o segmento 'Não categorizado' (Uncategorized) e gere novamente o gráfico de pizza exibindo apenas as cinco principais categorias."
• Ajuste fino de rótulos dos eixos: "Gire os rótulos de data do eixo x em 45 graus para que não se sobreponham e remova as linhas de borda superior e direita do gráfico para uma estética minimalista."

Etapa 6: Exportação de entregáveis e arquivos processados

Ao término de uma sessão analítica, os usuários normalmente necessitam tanto dos gráficos visuais quanto dos dados limpos subjacentes:

• Salvamento de ativos visuais: Os gráficos gerados podem ser visualizados em resolução máxima e salvos diretamente como arquivos de imagem (.png) por meio do menu de contexto do navegador ou de prompts de download.
• Download de dados transformados: Os usuários podem solicitar que o Zhipu Qingyan exporte o conjunto de dados modificado ou o resumo dinâmico de volta para um formato de arquivo.

Exemplo de prompt para geração de arquivos:

"Por favor, salve o conjunto de dados limpo com as novas métricas calculadas e a tabela de resumo regional como duas planilhas separadas em um novo arquivo Excel chamado Quarterly_Sales_Analysis_Cleaned.xlsx e forneça um link de download."

O assistente executa df.to_excel() no sandbox e fornece um link clicável para baixar a planilha concluída.

Cenários de negócios práticos e modelos de prompts

Os modelos a seguir demonstram como profissionais de diferentes departamentos podem estruturar suas interações com o interpretador de código do Zhipu Qingyan:

Desempenho financeiro e acompanhamento de orçamento

• Contexto: Envio de um balancete ou extrato do razão contendo despesas orçadas versus realizadas por departamento.
• Prompt: "Compare o Actual_Spend com o Budget_Allocated de cada departamento. Calcule a variação absoluta e o percentual de variação. Plote um gráfico de barras duplas mostrando o orçamento ao lado dos gastos reais de cada departamento e destaque em vermelho qualquer departamento que exceda seu orçamento em mais de 10%."

Vendas no e-commerce e monitoramento de estoque

• Contexto: Envio de exportações diárias de pedidos de uma loja online.
• Prompt: "Agregue o total de vendas e a contagem de pedidos por dia da semana. Identifique qual dia da semana gera o maior ticket médio. Em seguida, plote um gráfico combinado de linhas e barras mostrando a receita diária no eixo y primário e a contagem de transações no eixo y secundário."

Suporte ao cliente e eficiência operacional

• Contexto: Envio de um registro de chamados de suporte ao cliente com carimbos de data/hora de abertura, resolução e índices de satisfação.
• Prompt: "Calcule o tempo de resolução em horas para cada chamado. Filtre os registros cujo status seja 'Cancelled'. Crie um box plot ilustrando a distribuição dos tempos de resolução entre os diferentes níveis de suporte e resuma o tempo mediano de resolução e o percentil 90 para cada nível."

Melhores práticas e limites operacionais

Para maximizar a eficiência e manter o rigor analítico, tenha em mente estes princípios operacionais:

• Inspecione o código para garantir rigor: Sempre clique no botão de visualização de código para revisar o script Python gerado. Conferir as fórmulas garante que a lógica de filtragem, o tratamento de valores zerados e as funções de agregação estejam alinhados com as normas contábeis e de negócios da organização.
• Gerencie planilhas de múltiplas abas explicitamente: Ao enviar uma pasta de trabalho do Excel com várias abas, especifique o nome da aba de destino no prompt (por exemplo, "Leia a aba chamada 'Q3_Raw_Data'").
• Esteja ciente dos limites de recursos do sandbox: O ambiente de execução em nuvem opera sob restrições de memória e limites de tempo de execução. Para conjuntos de dados com vários gigabytes, pré-filtre ou agregue os dados localmente antes do envio, ou selecione uma amostra representativa de linhas para visualização exploratória.
• Mantenha a governança de dados: Cumpra as políticas de segurança da informação da empresa. Trate instâncias públicas de IA conversacional como ambientes de processamento externos, garantindo que dados proprietários de clientes sejam anonimizados ou pseudonimizados antes da análise.

Ao combinar a agilidade em linguagem natural dos modelos GLM com o poder de computação determinístico do Python, o Zhipu Qingyan permite que os usuários superem as dificuldades das planilhas, descubram padrões rapidamente e entreguem gráficos visuais impactantes para a tomada de decisões de negócios.