🛒 La solution de traitement AI Excel pour les analystes de données et les employés de bureau d'entreprise couvre la génération de formules d'IA, le nettoyage des données, l'analyse automatisée, les rapports visuels et la génération de scripts VBA, améliorant ainsi l'efficacité du traitement Excel de plus de 10 fois.

Solution de traitement et d'analyse de données Excel assistée par l'IA

Présentation de la solution

Les feuilles de calcul Excel constituent l’outil de traitement de données le plus utilisé dans le travail quotidien des entreprises et des particuliers. Cependant, les méthodes de fonctionnement traditionnelles présentent des goulots d'étranglement évidents : les formules ne peuvent pas être mémorisées, le nettoyage des données repose sur l'œil nu, l'analyse des perspectives prend beaucoup de temps par glisser-déposer manuel et les opérations répétées manquent d'automatisation. Cette solution se concentre sur l'utilisation de la technologie d'IA pour permettre le traitement des données Excel tout au long du processus, couvrant le lien complet depuis le diagnostic d'accès aux données, la génération de formules, le nettoyage des données, l'analyse des perspectives, les rapports visuels jusqu'à l'automatisation des scripts VBA/Python.

Chaîne d'outils de base : ChatGPT, Claude, OpenAI API, complétés par l'écosystème Python (pandas, openpyxl) et les capacités natives d'Excel/Google Sheets.

Utilisateurs cibles :

• Analyste de données : traitez quotidiennement de grandes quantités de données tabulaires et devez effectuer rapidement le nettoyage, le pivotement et la création de rapports.
• Personnel financier : états financiers mensuels/trimestriels, préparation du budget, analyse des coûts
• Personnel opérationnel : synthèse des données du rapport quotidien/hebdomadaire, analyse du comportement des utilisateurs, suivi des KPI
• Etudes de marché : traitement des données d'enquêtes, analyses croisées, visualisation des tendances
• Praticiens des ressources humaines : analyse des salaires, statistiques du personnel, collecte de données sur les performances
• Personnel administratif : gestion de livres divers, synthèse des données et reporting

Prérequis :

• Avoir des capacités d'exploitation de base d'Excel ou de Google Sheets (peut ouvrir des fichiers et utiliser les fonctions de base)
• Avoir accès à Internet et disposer d'un compte avec au moins un outil d'IA grand public
• Préparer les fichiers de données Excel/CSV à traiter et comprendre la signification commerciale de base des données
• Être conscient de la confidentialité des données et être capable de déterminer quelles données peuvent être téléchargées sur la plateforme AI

Valeur du programme :

• Une seule tâche de traitement de données est réduite de quelques heures à quelques minutes et l'efficacité est augmentée de 5 à 10 fois
• Réduisez les erreurs de formule et les omissions de nettoyage causées par les opérations manuelles, améliorant ainsi considérablement la qualité des données
• Abaisser le seuil d'utilisation des fonctions avancées d'Excel, permettant aux utilisateurs non techniques d'effectuer des traitements de données complexes
• Le script automatisé généré une seule fois peut être réutilisé indéfiniment, réduisant ainsi les coûts de main-d'œuvre répétitive à long terme.

Liste des chaînes d'outils

Outils	Objectif	Niveau de compte requis	Frais estimés	Alternatives
ChatGPT	Formules de génération de langage naturel, nettoyage des données, génération de code, suggestions de graphiques	ChatGPT Plus (recommandé) / Version gratuite	20$/mois	Claude et autres produits similaires
Claude	Analyse de données contextuelles longues, génération de scripts, raisonnement par formule complexe	Claude Pro (recommandé) / Version gratuite	20$/mois	ChatGPT et autres produits similaires
OpenAI API	Appelez par programme les capacités d'IA par lots et intégrez-les aux pipelines de traitement de données existants	Paiement à l'utilisation	Facturation à l'utilisation	Déploiement de modèle local
Python + pandas	Scripts de traitement de données et d'automatisation à grande échelle (open source et gratuits)	Gratuit	0	Macro VBA, langage R
Python + openpyxl	Opérations de lecture, d'écriture et de formatage de fichiers Excel (open source et gratuit)	Gratuit	0	xlsxwriter, xlrd
Total			Environ 20-40$/mois

Remarque : Python, pandas, openpyxl, etc. sont des outils open source sans frais de licence. Il vous suffit d'installer l'environnement d'exécution Python localement pour les utiliser. Google Sheets et Microsoft Excel sont des plateformes de traitement de données et les utilisateurs doivent s'assurer qu'ils disposent d'une autorisation légale pour les utiliser.

Préparation

Avant de commencer la mise en œuvre, veuillez confirmer les préparations suivantes une par une :

• [ ] Assurez-vous que Microsoft Excel est installé sur votre ordinateur (ou que vous avez accès à Google Sheets)
• [ ] Enregistrez-vous et ouvrez au moins un compte d'outil d'IA (ChatGPT Plus ou Claude Pro est recommandé)
• [ ] Préparez les exemples de données Excel/CSV qui doivent être traités (il est recommandé de tester d'abord avec un petit ensemble de données)
• [ ] Installez l'environnement d'exécution Python (si vous devez utiliser une solution d'automatisation de script)
• [ ] Confirmer les limites de confidentialité des données : quelles données peuvent être téléchargées sur la plateforme AI et lesquelles doivent être traitées localement
• [ ] Organiser une liste de tâches fréquemment répétées dans le travail de traitement de données en cours
• [ ] Définir les attentes : identifier 3 à 5 scénarios de problèmes à résoudre en priorité

Guide étape par étape

Étape 1 : Accès aux données et diagnostic des problèmes

⏱ Durée estimée : 15-30 minutes 🎯 Objectif : Comprendre globalement l'état de la qualité de l'ensemble de données et générer un rapport de diagnostic des données ⚠️ Prérequis : Le fichier de données Excel/CSV original est prêt

Instructions d'utilisation

Avant de traiter formellement les données, laissez AI procéder à un « examen physique » complet des données. Cette étape est souvent négligée, mais elle constitue le maillon le plus critique de l’ensemble du processus de traitement des données. Les anomalies d'affichage des données (valeurs manquantes, erreurs de format, lignes en double) affectent directement la précision de toutes les analyses ultérieures.

Opérations spécifiques

Option A : Utilisez ChatGPT pour une analyse directe (petit volume de données, ≤ 10 Mo)

1. Ouvrez ChatGPT et sélectionnez le modèle GPT-4 ou version supérieure.
2. Faites glisser directement le fichier Excel/CSV dans la boîte de dialogue pour le télécharger
3. Entrez le modèle de mot d'invite de diagnostic :

Veuillez analyser le fichier de données ci-joint et m'aider à générer un rapport sur la qualité des données, comprenant :
1. Taille globale de l'ensemble de données (nombre de lignes, nombre de colonnes)
2. Type de données et nombre de valeurs manquantes pour chaque colonne
3. Y a-t-il des lignes en double et combien y en a-t-il ?
4. Caractéristiques de distribution des données de chaque colonne (statistiques numériques telles que valeur minimale, valeur maximale, moyenne, médiane, etc.)
5. Y a-t-il des valeurs aberrantes évidentes ou des incohérences de format ?
6. À quel type d’analyse l’ensemble de données est-il adapté ?

4. Enregistrez le rapport sur la qualité des données renvoyé par l'IA et marquez les problèmes qui nécessitent un traitement prioritaire

Option B : Utiliser le script Python pour le diagnostic (volume de données important, adapté aux fichiers au niveau Go)

1. Laissez l'IA générer un script de diagnostic des données. Voici des exemples de mots d'invite :

S'il vous plaît, aidez-moi à générer un script Python pour lire les fichiers Excel à l'aide de pandas et générer un rapport sur la qualité des données :
- Le chemin du fichier est spécifié par l'utilisateur
- Le rapport comprend : le nombre de lignes et de colonnes, le type de données de chaque colonne, les statistiques sur les valeurs manquantes, le nombre de lignes en double
- Statistiques de base pour les colonnes numériques (count/mean/std/min/25%/50%/75%/max)
- Distribution de la valeur de chaque colonne catégorielle
- Valeurs aberrantes potentielles détectées
- Exporter les rapports sous forme de fichiers markdown

2. Exécutez le script généré dans votre environnement Python local
3. Vérifiez le rapport sur la qualité des données de sortie

Point de vue d'un expert

Le diagnostic des données est le maillon « contrôle d'accès » de l'ensemble du processus. Lorsque des données non vérifiées entrent dans la phase d’analyse, la crédibilité des résultats ne peut être discutée. L’avantage de l’assistance de l’IA est que l’inspection manuelle traditionnelle nécessite d’analyser des dizaines, voire des centaines de colonnes de données colonne par colonne, tandis que l’IA peut réaliser un diagnostic complet en quelques dizaines de secondes. Il est recommandé de sauvegarder le rapport sur la qualité des données comme document de référence pour une comparaison et une analyse ultérieures.

Méthode de vérification

• [ ] Obtention du rapport complet sur la qualité des données
• [ ] a confirmé l'emplacement et le nombre de valeurs manquantes et de valeurs aberrantes
• [ ] signale 3 à 5 problèmes de données qui doivent être priorisés
• [ ] Clarifiez si les données peuvent être téléchargées sur la plateforme AI (si des informations sensibles sont impliquées, passez à une solution de script local)

---

Étape 2 : Génération de formules Excel assistée par l'IA

⏱ Temps estimé : 10-30 minutes/chaque lot de préparation 🎯 Objectif : utilisez un langage naturel pour décrire les exigences, et l'IA générera instantanément des formules Excel/Google Sheets pouvant être utilisées directement ⚠️ Conditions préalables : La logique métier qui doit être calculée/traitée a été clarifiée

Instructions d'utilisation

Les formules Excel sont l'un des besoins les plus fréquents dans le travail quotidien, mais RECHERCHEV/XLOOKUP, IF nesting, SUMIFS, INDEX-MATCH et d'autres formules ont des coûts de mémoire élevés et un long temps de débogage. L'IA peut convertir directement « décrire les exigences en chinois » en « codes de formule qui peuvent être directement collés », réduisant considérablement le temps de consultation des documents et d'essais et d'erreurs.

Opérations spécifiques

1. Décrivez vos besoins en matière de traitement de données dans la boîte de dialogue AI, en utilisant le cadre de mots d'invite suivant :

J'ai le tableau de données suivant dans Excel :
- Colonne A : Numéro de commande (texte)
- Colonne B : Nom du client (texte)
- Colonne C : Montant de la commande (numéro)
- Colonne D : Date de commande (date)
- Colonne E : Surface de vente (texte)

Condition : Je souhaite compter le montant total des commandes de chaque surface de vente en janvier 2026
S'il vous plaît, aidez-moi à générer une formule Excel.

2. L'IA renverra la formule et l'explication correspondantes. Par exemple :

=SUMIFS(C:C, E:E, "Chine orientale", D:D, ">="&DATE(2026,1,1), D:D, "<="&DATE(2026,1,31))

Exemple de scénario de formule avancée :

Besoins des entreprises	Modèle Word d’invite suggéré
Recherche croisée	"Recherchez la valeur de la colonne B correspondante dans la zone A:B du classeur Sheet2 en fonction de la valeur de la colonne A et utilisez XLOOKUP pour écrire la formule"
Comptage conditionnel	"Comptez le nombre de lignes où la valeur de la colonne B est 'Terminé' et la date de la colonne C se trouve dans ce mois"
Tri dynamique	"Trier automatiquement la zone A:B selon la valeur de la colonne B de grand à petit, à l'aide de la fonction TRIER"
Extraction de texte	"Extraire le nom du département du format 'Zhang San-2026Q1-Sales Department' dans la colonne A"
Calcul des dates	"Calculer le nombre de jours ouvrés entre la date de la colonne D et aujourd'hui, hors week-end"
Conditions imbriquées	"Si colonne A > 100 et colonne B = 'oui', alors afficher 'haute priorité', sinon afficher 'normal'"
Validation des données	"Vérifiez si le format de la boîte aux lettres dans la colonne C est correct et renvoie 'valide' ou 'invalide'"

3. Copiez la formule dans une cellule Excel et vérifiez que les résultats sont comme prévu
4. Si le résultat s'écarte, transmettez les informations de correction à l'IA et optimisez de manière itérative

Point de vue d'un expert

L'essence de la génération de formules est le processus de traduction de « sémantique métier → langage de programmation ». L'avantage de l'IA réside dans sa maîtrise complète de la bibliothèque de fonctions Excel : la plupart des utilisateurs ne connaissent que 10 à 20 fonctions couramment utilisées, tandis que l'IA comprend des centaines de fonctions et les détails de leurs paramètres. Le conseil clé est le suivant : Plus la description est précise, plus la formule est précise. Il est recommandé d'inclure les noms de colonnes, les types de données et des exemples de résultats attendus dans le mot d'invite, plutôt qu'un vague « Aidez-moi à calculer les ventes ».

Méthode de vérification

• [ ] Les formules générées par l'IA peuvent être exécutées correctement après avoir été collées dans Excel. -[ ] Le numéro du résultat de la formule est cohérent avec la valeur de vérification manuelle
• [ ] La formule générée et les mots d'invite correspondants ont été enregistrés pour être réutilisés.
• [ ] Ajout de commentaires de formule aux exigences de l'IA pour les formules imbriquées complexes

---

Étape 3 : Nettoyage et prétraitement des données

⏱ Durée estimée : 30 minutes à 2 heures (dépend du volume de données et du niveau de données sales) 🎯 Objectif : Traiter les données brutes sales en ensembles de données propres structurés, standardisés et analysables. ⚠️ Prérequis : Le diagnostic des données est terminé et la liste des problèmes à nettoyer est claire

Instructions d'utilisation

Le nettoyage des données occupe généralement plus de 60 % du temps de travail d'un analyste de données. Les problèmes courants incluent : valeurs manquantes, lignes en double, formats incohérents (tels que des formats de date mixtes, casse incohérente), valeurs aberrantes, fautes d'orthographe, espaces/caractères spéciaux, etc. L'IA peut identifier automatiquement les anomalies de modèle dans les données et fournir des solutions de réparation.

Opérations spécifiques

Scénario 1 : Nettoyage direct dans ChatGPT/Claude (applicable aux lignes ≤10 000)

1. Téléchargez le fichier de données vers ChatGPT ou Claude
2. Utilisez le modèle de mot d'invite suivant :

Aidez-moi à nettoyer ces données et à effectuer les opérations suivantes :
1. Supprimez les lignes exactes en double
2. Gérer les valeurs manquantes : les colonnes numériques sont remplies de médianes et les colonnes de texte sont marquées comme "inconnues".
3. Le format de date unifié est AAAA-MM-JJ
4. Supprimez les espaces de début et de fin de toutes les colonnes
5. Unifiez les valeurs de la colonne « Genre » à « Homme/Femme »
6. Vérifiez si le format de la colonne "Mailbox" est légal
7. Supprimez le symbole monétaire de la colonne "Montant" et convertissez-le en nombres purs
8. Afficher la table de données nettoyée
9. Générez un journal de nettoyage pour enregistrer le nombre de lignes traitées pour chaque opération

3. Après avoir confirmé les résultats du nettoyage, laissez AI exporter vers un nouveau fichier CSV/Excel.

Scénario 2 : Générer un script de nettoyage Python (adapté aux scénarios avec un volume de données important ou une exécution répétée)

1. Entrez les mots d'invite suivants dans AI :

Veuillez générer un script de nettoyage Python pour traiter les données Excel :
- Le chemin du fichier d'entrée et le chemin du fichier de sortie sont contrôlés par des variables
- Effectuer les opérations de nettoyage suivantes :
  une. Supprimer les lignes exactes en double (en fonction de toutes les colonnes)
  b. Les valeurs nulles dans la colonne numérique sont remplies avec la médiane et les valeurs nulles dans la colonne de texte sont remplies avec "inconnu".
  c. La colonne de date est uniformément formatée comme AAAA-MM-JJ.
  d. Supprimer les espaces de début et de fin de toutes les colonnes de chaîne
  e. Supprimer les caractères non numériques dans la colonne montant
  f. Sortir les fichiers nettoyés
  g. Générer un fichier CSV de journal de nettoyage
- en utilisant pandas + openpyxl
- Ajouter une gestion appropriée des erreurs et une impression de progression

2. Enregistrez le script généré sous clean_data.py et exécutez-le localement
3. Vérifiez les fichiers de sortie et les journaux de nettoyage

Aide-mémoire pour les tâches courantes de nettoyage des données :

Tâche de nettoyage	Mots-clés de mots d'invite de l'IA	Résultat attendu
Déduplication	"Supprimer les lignes en double", "Déduplication basée sur une certaine colonne"	Ensemble de données de ligne unique
Gestion des valeurs manquantes	"Remplir les valeurs nulles", "Supprimer les colonnes contenant plus de 50 % de valeurs nulles"	Ensemble de données complet
Standardisation des formats	"Unifier le format de date", "Unifier la casse", "Supprimer les espaces"	Données dans un format cohérent
Détection des valeurs aberrantes	"Identifier les valeurs aberrantes dans les colonnes numériques", "En dehors de 3 fois l'écart type"	Liste des marques aberrantes
Conversion des types de données	"Convertir le numéro de texte en valeur numérique", "Convertir la chaîne de date en date"	Type de données correct
Standardisation du texte	"Unifier les noms des provinces et des communes", "Corriger les fautes d'orthographe"	Données textuelles standardisées
Fractionnement des données	"Diviser 'Nom-Département' en deux colonnes", "Opération de fractionnement de colonnes"	Fractionner les données multicolonnes

Point de vue d'un expert

Le nettoyage des données est le lien qui reflète le mieux la valeur de l’IA mais il est aussi le plus sous-estimé. Le nettoyage manuel traditionnel repose sur l’analyse à l’œil nu et la compréhension des règles métier. L'IA peut les traiter à partir de deux dimensions en même temps : l'une consiste à détecter automatiquement les problèmes sur la base de règles statistiques (comme le taux de données manquantes, les anomalies de distribution), et l'autre consiste à traiter les données sales basées sur du texte sur la base d'une compréhension sémantique (comme l'unification de « Ville de Pékin » et de « Pékin »). Mais veuillez noter : La stratégie de remplissage des valeurs manquantes d'IA nécessite une vérification manuelle de sa rationalité - par exemple, remplir les données de salaire annuel avec la médiane peut masquer les différences entre les niveaux intermédiaire et supérieur et la base. Par conséquent, les données nettoyées doivent être soumises à une inspection manuelle avant d’entrer dans le processus d’analyse.

Méthode de vérification

-[ ] Le nombre de lignes dans l'ensemble de données nettoyées est conforme aux attentes -[ ] Inspectez aléatoirement 50 lignes de données pour confirmer que l'opération de nettoyage est effectuée correctement -[ ] Le type de données de chaque colonne répond aux besoins d'analyse

• [ ] Le journal de nettoyage enregistre complètement le nombre de lignes traitées pour chaque opération.
• [ ] La sauvegarde des données d'origine a été correctement enregistrée et la restauration est prise en charge

---

Étape 4 : Pivot des données et analyse statistique

⏱ Durée estimée : 20 minutes - 1 heure 🎯 Objectif : Extraire des informations commerciales à partir des données nettoyées et compléter une perspective multidimensionnelle et une analyse statistique ⚠️ Prérequis : Le nettoyage des données est terminé et vérifié

Instructions d'utilisation

Les tableaux croisés dynamiques Excel traditionnels nécessitent un glisser-déposer manuel des champs. Pour une analyse croisée multidimensionnelle, l’opération est lourde et des dimensions clés sont facilement omises. L’IA peut identifier automatiquement les dimensions et les mesures des données et recommander les perspectives d’analyse les plus précieuses.

Opérations spécifiques

1. Téléchargez les données nettoyées sur la plateforme AI et utilisez les mots d'invite suivants :

Veuillez effectuer l'analyse suivante sur les données que j'ai téléchargées :
1. Recommander 3 à 5 directions d'analyse de perspective les plus précieuses
2. Pour chaque direction, générez les résultats du tableau croisé dynamique correspondant
3. Calculer les indicateurs statistiques clés : statistiques récapitulatives, proportion, évolutions mensuelles/annuelles de chaque dimension
4. Identifier les tendances et les modèles inhabituels dans les données
5. Présenter les résultats de l'analyse sous forme de tableau et fournir une interprétation commerciale

2. Une fois que l'IA a renvoyé les résultats de l'analyse, vous pouvez demander des résultats plus approfondis :

Veuillez analyser plus en détail :
- Analyser de manière croisée les tendances des ventes par mois et par région
- Retrouver les caractéristiques des 10% premiers clients par chiffre d'affaires
- Analyser la différence de marge bénéficiaire brute des différentes catégories de produits
- Détecter s'il existe des fluctuations saisonnières évidentes

3. Copiez les résultats pivots générés par l'IA dans Excel ou laissez l'IA générer les étapes d'opération du tableau croisé dynamique Excel correspondantes.

Dimensions typiques de l'analyse automatique de l'IA :

Type d'analyse	Scénarios applicables	Exemples de mots d'invite d'IA
Statistiques descriptives	Comprendre les caractéristiques de base des données	"Calculer la moyenne, la médiane, l'écart type et les quartiles de toutes les colonnes numériques"
Agrégation de groupes	Résumer par dimension	"Résumer les ventes et le nombre de commandes regroupées par région et par mois"
Analyse croisée	Analyse de corrélation multidimensionnelle	"Statistiques croisées des niveaux de clientèle et des catégories de produits"
Analyse des tendances	Informations sur les séries chronologiques	"Analyser les tendances mensuelles des ventes au cours des 12 derniers mois"
Analyse des proportions	Analyse de composition	"Calculer le pourcentage des ventes de chaque gamme de produits dans les ventes totales"
Analyse du classement	Analyse N supérieure	"Découvrez les 10 meilleurs clients en fonction de leurs ventes et de leurs préférences d'achat"
Analyse comparative	Découverte des différences	"Comparez le taux de croissance mensuel de cette année avec la même période de l'année dernière"

Point de vue d'un expert

La valeur de l'IA de l'analyse perspective réside non seulement dans la « génération automatique de tableaux de données », mais également dans la recommandation de directions d'analyse. De nombreux collaborateurs ne savent pas par où commencer face à des centaines de colonnes de données. L'IA peut automatiquement recommander des dimensions d'analyse en fonction des caractéristiques des données et des cadres d'analyse métier courants (tels que RFM, analyse en entonnoir et classification ABC). Il est recommandé d'expliquer le contexte commercial et les objectifs à l'IA avant l'analyse (par exemple « Je suis un opérateur de commerce électronique et je souhaite analyser le comportement de rachat des utilisateurs »). Les informations ainsi obtenues correspondent davantage aux besoins de l’entreprise qu’à celles purement basées sur les données.

Méthode de vérification

• [ ] L'orientation de l'analyse des perspectives recommandée par l'IA couvre les principales problématiques métiers
• [ ] Les résultats pivotants sont cohérents avec la vérification manuelle
• [ ] Au moins 2 à 3 informations précieuses pour l'entreprise identifiées
• [ ] Organiser les résultats de perspective clés dans Excel pour former un projet d'analyse

---

Étape 5 : Génération de rapports visuels

⏱ Durée estimée : 30 minutes - 1,5 heure 🎯 Objectif : Convertir les données analytiques en graphiques visuels intuitifs et former des documents de rapport à déclarer ⚠️ Prérequis : Le pivotement des données et l'analyse statistique ont été terminés

Instructions d'utilisation

Le principal défi de la visualisation des données est de « choisir le bon type de graphique ». L'IA peut automatiquement recommander le type de graphique le plus approprié en fonction des caractéristiques des données et des objectifs d'analyse, générer des paramètres de configuration de graphique et même générer directement du code de graphique rendu.

Opérations spécifiques

Option A : type de graphique recommandé par l'IA et configuration Excel

1. Décrivez vos besoins en matière de données et de présentation à l'IA :

J'ai les données d'analyse suivantes :
- Rangée : 12 mois (janvier-décembre 2026)
- Colonne 1 : Ventes par mois
- Colonne 2 : Nombre de commandes par mois
- Colonne 3 : Prix par client et par mois

J'ai besoin de générer un rapport mensuel d'analyse commerciale. Veuillez recommander :
1. Quel type de graphique est le plus adapté à chaque élément de données ?
2. Comment générer ces graphiques dans Excel
3. Correspondance optimale des couleurs et suggestions de mise en page pour les graphiques
4. Quels graphiques, ensemble, racontent le mieux l’histoire des données ?

2. Insérez des graphiques dans Excel en fonction des recommandations de l'IA ou laissez l'IA générer du code VBA pour créer automatiquement des graphiques

Option B : l'IA génère un script visuel Python

1. Générez un script visuel à l'aide des mots d'invite suivants :

Veuillez générer un script de visualisation Python en utilisant matplotlib et seaborn :
1. Lisez le fichier de données Excel nettoyé
2. Générez le graphique suivant et enregistrez-le au format PNG :
   une. Graphique à barres des ventes par catégorie (avec étiquettes numériques)
   b. Graphique linéaire de tendance des ventes mensuelles
   c. Graphique circulaire des proportions de ventes régionales
   d. Nuage de points des ventes et du nombre de commandes
   e. La carte thermique affiche les ventes de chaque catégorie dans chaque région
3. Chaque graphique contient un titre, des étiquettes d'axe et une légende
4. Utilisez une belle palette de couleurs de qualité entreprise
5. Combinez plusieurs graphiques en une seule grande image pour la sortie

2. Exécutez le script et affichez le graphique généré
3. Intégrez des graphiques dans des rapports PPT ou Excel

Aide-mémoire pour la sélection des graphiques :

Cible d'analyse	Type de graphique recommandé	Mots-clés de mots d'invite de l'IA
Comparez les valeurs de chaque catégorie	Histogramme, graphique à barres	"Comparez les ventes de chaque catégorie"
Afficher les tendances temporelles	Graphiques linéaires, graphiques en aires	"Afficher les tendances mensuelles"
Afficher la proportion de composition	Graphique circulaire, graphique en beignet, graphique empilé	"Proportion de chaque région"
Afficher la distribution des données	Histogramme, boîte à moustaches	"Répartition du prix unitaire client"
Afficher la corrélation	Graphique à nuages ​​de points, graphique à bulles	"Relation entre les ventes et le taux d'actualisation"
Afficher plusieurs dimensions	Carte thermique, graphique radar	"Comparaison complète de plusieurs indicateurs"
Afficher le classement	Graphique à barres horizontales	"Classement des 10 meilleurs clients"

Point de vue d'un expert

Les rapports visuels constituent le dernier kilomètre de la chaîne « données → informations → décision ». La valeur unique de l'IA dans la visualisation réside dans deux points : Premièrement, Suggestions de sélection de graphiques : les créateurs de rapports non professionnels choisissent souvent le mauvais type de graphique (par exemple, l'utilisation de diagrammes circulaires pour afficher les tendances temporelles), et l'IA peut recommander des graphiques appropriés en fonction des caractéristiques des données ; deuxièmement, Structure narrative : un bon rapport n'est pas une simple liste de graphiques, mais a une logique narrative. L'IA peut aider à concevoir une structure narrative de rapport qui « soulève des questions → affiche des données → donne des conclusions → suggère l'étape suivante ».

Méthode de vérification

• [ ] Chaque type de graphique correspond aux caractéristiques des données (aucun diagramme circulaire n'est utilisé pour afficher les tendances et aucun diagramme linéaire n'est utilisé pour afficher les compositions)
• [ ] Les titres des graphiques, les étiquettes des axes et les étiquettes de valeurs sont complets
• [ ] La logique narrative du rapport est claire et peut être comprise indépendamment
• [ ] La palette de couleurs du nuancier est cohérente et conforme aux spécifications de l'entreprise. -[ ] Les graphiques ont été exportés dans un format pouvant être inséré dans PPT/Word

---

Étape 6 : Génération et automatisation de scripts VBA/Apps Script

⏱ Temps estimé : 30 minutes - 2 heures (première génération de script), chaque exécution ultérieure ne prend que quelques secondes 🎯 Objectif : Utiliser l'IA pour générer des macros VBA ou Google Apps Script pour automatiser les opérations Excel répétitives ⚠️ Prérequis : Le processus opérationnel à automatiser a été clarifié

Instructions d'utilisation

Les macros Excel VBA et Google Sheets Apps Script sont des outils puissants pour automatiser les actions répétitives, mais leur courbe d'apprentissage est abrupte. L'IA peut traduire les « descriptions d'actions » directement en code de script exécutable, permettant aux non-programmeurs de créer des outils automatisés.

Opérations spécifiques

1. Décrivez en détail les étapes qui doivent être automatisées :

S'il vous plaît, aidez-moi à générer une macro Excel VBA pour réaliser les fonctions suivantes :
1. Sélectionnez la cellule A1 de la feuille de calcul actuelle
2. Lisez les données dans la feuille 1, la plage est A1 : D1000.
3. Filtrez les lignes dont la valeur dans la colonne C (colonne d'état) est "en attente".
4. Copiez les résultats du filtre au début de A1 de la feuille 2
5. Ajoutez une ligne de titre à la première ligne de la feuille 2
6. Ajustez automatiquement la largeur des colonnes de la feuille 2 pour l'adapter au contenu
7. Feuille nominative 2 "Données à traiter - date du jour"
8. Ajoutez un bouton et liez cette macro

2. AI renvoie le code complet, par exemple :

Sous-ExportPendingItems()
    Dim ws1 comme feuille de calcul, ws2 comme feuille de calcul
    Dim lastRow aussi longtemps, lastCol aussi longtemps
    Dim targetDate sous forme de chaîne

    Définir ws1 = ThisWorkbook.Sheets("Sheet1")
    datecible = Format (Date, "aaaa-mm-jj")

    ' Vérifiez si la feuille 2 existe, créez-la si elle n'existe pas
    En cas d'erreur, reprendre ensuite
    Définir ws2 = ThisWorkbook.Sheets("Données à traiter-" & targetDate)
    En cas d'erreur, GoTo 0
    Si ws2 n'est rien alors
        Définir ws2 = ThisWorkbook.Sheets.Add(After:=ThisWorkbook.Sheets(ThisWorkbook.Sheets.Count))
        ws2.Name = "Données à traiter-" & targetDate
    Fin si

    'Effacer la feuille de calcul cible
    ws2.Cells.Clear

    'Copier la ligne de titre
    ws1.Rows(1).Copier ws2.Rows(1)

    ' Filtrer et copier les données
    lastRow = ws1.Cells(ws1.Rows.Count, "A").End(xlUp).Row
    ws1.Range("A1:D" & lastRow).AutoFilter Field:=3, Criteria1:="En attente"
    ws1.Range("A2:D" & lastRow).SpecialCells(xlCellTypeVisible).Copie _
        ws2.Range("A2")

    'Désactiver le filtrage
    ws1.AutoFilterMode = Faux

    'Ajuster la largeur des colonnes
    ws2.Columns("A:D").AutoFit

    MsgBox "Exportation terminée ! Total exporté " & ws2.UsedRange.Rows.Count - 1 & " enregistrements "
Fin du sous-marin

3. Appuyez sur « Alt+F11 » dans Excel pour ouvrir l'éditeur VBA
4. Insérez le module et collez le code généré
5. Exécutez le test et vérifiez les résultats d'exécution de la macro

Scénarios de script d'automatisation courants :

Scénario d'automatisation	VBA	Script Google Apps	Mots-clés de mots d'invite de l'IA
Résumé des données	Fusionner plusieurs tables	ImportRange + script	"Fusionner plusieurs feuilles dans un tableau récapitulatif"
Format de lot	Définir le format de cellule	setFontColors	"Formatage conditionnel défini par lots"
Envoyer un e-mail	Envoyer via Outlook	MailApp.sendEmail	« Rapport d'envoi automatique par e-mail »
Tâches planifiées	Application.OnTime	Déclencheur temporel	"Exécuter automatiquement tous les jours à 9 heures du matin"
Diffusion des données	Fractionner les données par conditions	Divisé en plusieurs feuilles par conditions	"Répartir en feuilles de calcul indépendantes par zone"
Exportation PDF	Exporter au format fixe	Exporter au format PDF	"Exporter la zone sélectionnée au format PDF"
Vérification des données	Vérification et marquage ligne par ligne	Règles de vérification des données	"Vérification des lots et marquage des lignes non conformes"

Point de vue d'un expert

La fonctionnalité « générer une réutilisation unique et permanente » du script de génération d’IA en fait le lien avec le ROI le plus élevé de l’ensemble de la solution. Une opération qui prend généralement 30 minutes à réaliser manuellement ne peut prendre que quelques secondes après que l'IA a généré le script. Il convient de noter que le script VBA généré par l'IA peut présenter des défauts de logique d'exécution ou ne pas prendre en compte les conditions aux limites (telles que des données vides ou des caractères spéciaux provoquant des erreurs). Assurez-vous de tester le fichier de sauvegarde avant de l'exécuter pour la première fois, puis appliquez-le au fichier officiel après avoir confirmé qu'il est correct. Il est recommandé d'organiser les scripts générés par l'IA dans votre bibliothèque de codes personnelle et de les archiver par fonction.

Méthode de vérification

• [ ] Le script s'exécute avec succès sur le fichier de test et aucune erreur n'est signalée.
• [ ] Le résultat de l'exécution du script est cohérent avec le résultat de l'opération manuelle
• Le script [ ] contient une logique de gestion des erreurs de base
• [ ] Conditions aux limites (données nulles, valeurs aberrantes) testées
• [ ] Des commentaires ont été ajoutés au script pour décrire les fonctions et les paramètres
• [ ] Le script a été enregistré dans la bibliothèque de codes personnelle pour les appels ultérieurs.

---

Étape 7 : Traitement par lots et intégration du workflow

⏱ Temps estimé : 1 à 3 heures (première création du script), les exécutions suivantes ne prennent que quelques minutes 🎯 Objectif : ouvrir les processus de traitement de données entre fichiers et lots et établir un pipeline automatisé reproductible ⚠️ Prérequis : Avoir maîtrisé la méthode de génération de scripts de traitement de fichiers uniques

Instructions d'utilisation

Dans le travail réel, des opérations par lots sur plusieurs fichiers Excel sont souvent nécessaires : fusion de rapports mensuels provenant de dizaines de succursales, division d'un gros fichier en plusieurs petits fichiers en fonction de conditions, conversion par lots de formats et mise à jour par lots de modèles. Les scripts batch de génération d'IA peuvent résoudre ces problèmes de mise à l'échelle en une seule fois.

Opérations spécifiques

Scénario 1 : Fusionner par lots plusieurs fichiers

1. Décrivez les exigences de l'IA :

J'ai besoin de fusionner les données de tous les fichiers Excel dans un dossier, veuillez générer un script Python :
- Le chemin du dossier est spécifié par une variable
- Lire tous les fichiers .xlsx et .xls
- Chaque fichier peut avoir plusieurs feuilles, seule la première feuille est lue
- Ignorer la ligne d'en-tête (prendre les données à partir de la ligne 2)
- Ajouter une colonne "nom du fichier source" pour marquer la source de données
- Enregistrer en tant que fichier récapitulatif après la fusion
- Journal de fusion de sortie : quels fichiers ont été traités, le nombre de lignes dans chaque fichier et le nombre total de lignes

2. Une fois qu'AI a généré le script, enregistrez-le sous « batch_merge.py » et exécutez-le
3. Vérifiez les résultats de la fusion et les journaux

Scénario 2 : conversion de format par lots et distribution de rapports

1. Décrivez les exigences de l'IA :

Veuillez générer un script Python pour implémenter les fonctions suivantes :
1. Lisez le fichier de données principal
2. Divisez les données en fichiers séparés par la colonne "Région"
3. Appliquez un format de modèle de rapport unifié (largeur de colonne, police, couleur, style de ligne de titre) à chaque fichier.
4. Le fichier est nommé « Nom de la région_Sales Report_Date.xlsx »
5. Générez une version PDF de chaque zone en même temps
6. Placez tous les rapports générés dans le dossier "Rapports de sortie".

2. Exécutez le script et vérifiez le fichier de rapport généré

Scénario 3 : Traitement automatisé planifié

1. Utilisez des scripts générés par l'IA pour vous coordonner avec les tâches planifiées du système d'exploitation (Planificateur de tâches Windows ou crontab macOS/crontab Linux).
2. Consultez AI pour savoir comment configurer les tâches planifiées :

Le chemin de mon script de traitement de données Excel est /path/to/process_data.py
S'il vous plaît, aidez-moi à écrire une configuration crontab à implémenter :
- Fonctionne tous les lundis à 8h00
- Consigner la sortie dans /path/to/logs/
- Informez-moi des résultats en cours d'exécution par e-mail (veuillez indiquer quelles dépendances doivent être configurées)

Veuillez également décrire les différences de configuration sur macOS et Linux.

Vérification rapide des tâches courantes de traitement par lots

Scénario de traitement par lots	Solution technique	Mots-clés de mots d'invite de l'IA
Fusionner plusieurs fichiers	pandas.concat	"Fusionner tous les Excel du dossier"
Divisé par condition	pandas.DataFrame.groupby	"Divisé en plusieurs fichiers selon une certaine valeur de colonne"
Conversion de format par lots	openpyxl + xlsxwriter	"xlsx en csv, en PDF"
Recherche et remplacement par lots	openpyxl traverse les cellules	"Remplacer par lots les mots-clés dans toutes les feuilles"
Vérification des données par lots	filtrage conditionnel des pandas	"Vérification par lots et génération de rapports d'exceptions"
Remplissage du modèle	copie du modèle openpyxl	"Modèle de rapport de remplissage par lots"
Mise à jour de la formule inter-classeurs	écriture de formule openpyxl	"Formules de référence de mise à jour par lots"

Point de vue d'un expert

Le traitement par lots est le maillon de la solution Excel assistée par IA qui présente le seuil technique le plus élevé mais aussi les plus grands avantages. Il ne s'agit pas seulement de "remplacer le travail manuel par des scripts", mais aussi d'une mise à niveau complète de la manière de travailler - de "le faire manuellement à chaque fois" à "écrire un script une fois et l'exécuter en permanence". Lors de la mise en œuvre, il est recommandé de commencer à petite échelle (traiter d'abord 3 à 5 fichiers), puis de l'étendre à grande échelle après avoir vérifié que le script est stable. En parallèle, veuillez noter : l'environnement d'exécution du script batch (version Python, version bibliothèque dépendante) doit rester stable. Il est recommandé d'utiliser un environnement virtuel ou un fichier requirejs.txt pour verrouiller la version dépendante.

Méthode de vérification

-[ ] Le script batch gère correctement 3 à 5 fichiers de test

• [ ] Le journal d'exécution du script enregistre complètement chaque étape de l'opération. -[ ] La structure du fichier de sortie est correcte et les données sont complètes
• [ ] Les cas limites (dossiers vides, fichiers anormalement formatés) sont correctement traités
• [ ] La tâche planifiée est configurée correctement et automatiquement exécutée à l'heure prévue.
• [ ] La gestion des versions de script a été établie (git est recommandé)

---

Résultats attendus

Comparaison d'efficacité

Indicateurs	Méthodes traditionnelles	Méthodes assistées par l'IA	Taux d'amélioration
Écriture de formules (formule complexe unique)	5-15 minutes	10-30 secondes	10 à 30 fois
Nettoyage des données (10 000 lignes de données)	2-4 heures	10-30 minutes	4 à 8 fois
Analyse pivot	30 à 60 minutes	10-20 minutes	3-5x
Production de rapports visuels	1-3 heures	20-40 minutes	3-5 fois
Développement de scripts VBA	Demi-journée - 2 jours	30 minutes - 2 heures	8 à 16 fois
Traitement par lots (20 fichiers fusionnés)	1-2 heures	2 à 5 minutes	12-24 fois
Coût de l'apprentissage novice (atteindre le niveau de compétence)	3-6 mois	2-4 semaines	6-8 fois

Critères d'acceptation

• [ ] La sortie de toutes les étapes a été enregistrée selon le modèle -[ ] Le nettoyage des données a réussi l'inspection aléatoire (50 lignes ont été inspectées, taux d'exactitude ≥ 99 %)
• [ ] Les résultats des données pivots sont cohérents avec la vérification manuelle
• [ ] Le type de graphique de visualisation est correctement sélectionné et peut être interprété indépendamment. -[ ] Le script VBA/Python est vérifié dans l'environnement de test
• [ ] Le script batch a été ajouté aux tâches planifiées ou aux processus en cours d'exécution manuels
• [ ] Les membres de l'équipe ont la possibilité d'utiliser l'IA de manière indépendante pour traiter Excel

Questions fréquemment posées et dépannage

Q : Mes données contiennent des informations sensibles telles que les noms des clients, les numéros de téléphone portable, etc. Peuvent-elles être téléchargées sur ChatGPT/Claude ? R : Il n'est pas recommandé de télécharger des données contenant des données personnelles (nom, numéro de téléphone portable, numéro d'identification, numéro de carte bancaire, etc.) directement sur la plateforme publique d'IA. Solution : ① Désensibilisez les champs sensibles (par exemple en les remplaçant par des données factices) avant de les télécharger ; ② Utiliser des scripts Python exécutés localement pour remplacer le traitement de l'IA en ligne ; ③ Utilisez les services d'IA de version entreprise qui offrent des garanties de confidentialité des données. La sécurité des données prime toujours sur l’efficacité.

Q : Une erreur se produit après le collage de la formule Excel générée par l'IA. Que dois-je faire? R : Causes courantes et solutions : ① La plage de référence dans la formule ne correspond pas à la plage de données réelle - vérifiez si les numéros de colonne supposés par l'IA sont cohérents avec les numéros réels ; ② Il y a un mélange de symboles chinois et anglais dans la formule - confirmez que les parenthèses et les guillemets dans la formule sont des symboles anglais demi-largeur ; ③ L'IA utilise des fonctions qui ne sont pas prises en charge par votre version d'Excel - expliquez votre version d'Excel (telle qu'Excel 2019, Microsoft 365) à l'IA et exigez l'utilisation de fonctions compatibles. Il est recommandé de copier le message d'erreur sur AI, qui pourra localiser plus précisément le problème.

Q : Que dois-je faire si ChatGPT ne peut pas traiter un fichier volumineux contenant des centaines de milliers de lignes ? R : Les fichiers Excel comportant plus de 100 000 lignes ne conviennent pas au traitement direct dans les conversations IA. Suggestions : ① Analyse d'échantillonnage - téléchargez les 1 000 premières lignes de données vers l'IA pour analyse et conception, puis utilisez des scripts Python pour traiter l'intégralité des données ; ② Traitement du partage - divisez le gros fichier en plusieurs petits fichiers pour le traitement par lots ; ③ Utilisez OpenAI API pour écrire un pipeline de traitement programmatique, qui n'est pas limité par la fenêtre de dialogue.

Q : Le script de nettoyage des données généré par l'IA supprime accidentellement les données utiles. Comment l'éviter ? R : Il s’agit d’un risque très réel. Recommandations : ① Conservez toujours une sauvegarde des données originales et ne modifiez pas directement les fichiers originaux ; ② Ajoutez un « mode aperçu » au script - affichez uniquement les suggestions de modification sans réellement exécuter les modifications, et exécutez-les après confirmation manuelle ; ③ Le script de nettoyage génère un journal de nettoyage détaillé pour enregistrer l'état avant et après la modification de chaque ligne de données afin de faciliter le retour en arrière ; ④ Utilisez la « méthode en trois étapes » : utilisez d'abord l'IA pour diagnostiquer → puis générez un plan de nettoyage → approuvez manuellement le plan → enfin exécutez le nettoyage.

Q : Je n'ai aucune base de programmation, puis-je utiliser une solution de script Python ? R : Oui. L'IA peut générer des scripts Python pouvant être exécutés directement. Il vous suffit de : ① Installer Python (permettant à l'IA de produire des didacticiels d'installation) ; ② Exécutez le script généré par l'IA ; ③ Si une erreur est signalée, copiez le message d'erreur sur AI afin qu'il puisse être réparé. Vous n'avez pas besoin de comprendre la logique du code pour utiliser les outils de script. Il est recommandé de commencer par « Exécuter le script généré » et d'apprendre progressivement les capacités de base de modification du script.

Q : Les utilisateurs de Google Sheets peuvent-ils utiliser cette solution ? R : Oui. La plupart des idées de solutions s'appliquent également à Google Sheets. Différences : ① Il existe de légères différences dans la syntaxe des formules (par exemple, Google Sheets utilise ARRAYFORMULA au lieu de formules matricielles) ; ② VBA doit être remplacé par Google Apps Script (syntaxe JavaScript) ; ③ Les scripts Python conviennent également au fonctionnement de Google Sheets (via la bibliothèque gspread). Lorsque vous posez une question à l'IA, indiquez simplement « J'utilise Google Sheets » dans le mot d'invite, et l'IA s'adaptera automatiquement à la grammaire correspondante.

Q : Les informations analytiques générées par l'IA ne correspondent pas à l'activité réelle. Comment résoudre le problème ? R : L’analyse de l’IA est strictement basée sur les données fournies et peut manquer d’expérience dans le secteur et de bon sens commercial. Solution : ① Expliquer en détail le contexte commercial (tel que les caractéristiques de l'industrie, les facteurs saisonniers, les règles commerciales spéciales) à l'IA avant l'analyse ; ② Traitez les résultats de l'IA comme des « indices » plutôt que des « conclusions » et vérifiez-les avec l'expérience des entreprises avant de les adopter ; ③ Établir un double mécanisme de vérification « manuel + IA », et les indicateurs clés doivent être examinés manuellement au moins une fois.

Avancement et expansion

Cette solution adopte une conception modulaire et peut être progressivement étendue en fonction de l'évolution de l'activité :

1. Établissez une bibliothèque de mots d'invite IA : organisez les mots d'invite vérifiés et valides à chaque étape dans une bibliothèque partagée par l'équipe et classez-la selon des scénarios (génération de formules, nettoyage des données, analyse de perspective, génération de scripts, etc.). Les nouveaux membres peuvent l'appeler directement pour réduire les coûts de débogage répétés.

2. Créez un pipeline de traitement de données automatisé : connectez les scripts Python des étapes trois à sept dans un pipeline de traitement de données de bout en bout pour obtenir une expérience en un clic de « téléchargement des données originales → nettoyage automatique → analyse automatique → génération automatique de rapports ».

3. Intégration dans les systèmes d'entreprise : intégrez les capacités d'IA dans les systèmes ERP, CRM ou de reporting internes via OpenAI API. Les utilisateurs peuvent effectuer le téléchargement et l’analyse des données au sein du système sans passer à une plate-forme d’IA externe.

4. Chaîne d'outils d'IA étendue : introduisez des outils d'IA d'analyse de données professionnels (si nécessaire, vous pouvez soumettre les documents d'outils correspondants à la bibliothèque d'outils locale) pour couvrir des scénarios de traitement de données plus complexes.

5. Formation d'équipe et réplication des capacités : Systématisez l'expérience personnelle et organisez des formations internes au sein de l'équipe pour permettre à davantage de membres de maîtriser les méthodes de traitement Excel assistées par l'IA. Établir un manuel de bonnes pratiques interne pour réduire le goulot d'étranglement des dépendances dans le traitement global des données de l'équipe.

6. Construction d'un système de qualité des données : Automatisez le diagnostic des données lors de la première étape et établissez un mécanisme normalisé de surveillance de la qualité des données. Des rapports de qualité sont générés automatiquement chaque fois que de nouvelles données sont traitées, les tendances historiques de la qualité des données sont visualisées et les problèmes de données sont découverts de manière proactive.

Avantages et inconvénients de la solution

Avantages

• Seuil extrêmement bas : la plupart des tâches de traitement de données Excel peuvent être effectuées sans aucune expérience en programmation, et l'interaction en langage naturel réduit considérablement la courbe d'apprentissage.
• Couverture complète des processus : du diagnostic des données à la génération de formules, en passant par le nettoyage, la perspective, la visualisation et l'automatisation, couvrant le cycle de vie complet du traitement des données Excel.
• Amélioration significative de l'efficacité : L'efficacité d'une seule tâche est augmentée de 3 à 30 fois, en particulier les liens de génération de formules et de développement de scripts présentent les avantages les plus évidents.
• Précipitation des connaissances : les mots d'invite, les scripts et les modèles de solutions accumulés au cours du processus d'interaction avec l'IA peuvent être réutilisés pour former des actifs de connaissances d'équipe.
• Implémentation progressive : il peut être implémenté étape par étape par module, en commençant par la génération de formule la plus simple et en s'étendant progressivement à l'automatisation des scripts et au traitement par lots.

Limites

• Restrictions en matière de confidentialité des données : les données sensibles ne peuvent pas être téléchargées sur la plateforme publique d'IA et doivent être remplacées par une solution de script locale, ce qui augmente une certaine complexité de mise en œuvre.
• Hallucination de sortie de l'IA : Il peut y avoir des erreurs dans les formules et les scripts générés. Chaque lien nécessite une vérification manuelle. On ne peut pas entièrement faire confiance aux résultats de l’IA.
• Capacités limitées de traitement de données à grande échelle : des millions de lignes de données ne peuvent pas être traitées directement dans les conversations IA, et des scripts Python ou des solutions de base de données sont nécessaires.
• Sensible à la qualité des mots d'invite : les mots d'invite qui sont vagues ou qui manquent d'informations clés entraîneront un écart entre la sortie de l'IA et les exigences, et une certaine expérience en ingénierie de mots d'invite est requise.
• Aucune fonctionnalité de gestion de versions ni de collaboration : le dialogue AI n'a pas de fonctionnalités de gestion de versions et nécessite la prise en charge d'outils supplémentaires dans les scénarios de collaboration multi-personnes.

Résumé de l'outil

Nom de l'outil	Tapez	Rôle dans cette solution	limace
ChatGPT	Assistant de conversation IA	Génération de formules, nettoyage des données, informations d'analyse, génération de scripts	chatgpt
Claude	Assistant de dialogue IA	Analyse de données contextuelles longues, raisonnement par formule complexe, génération de scripts	Claude
OpenAI API	Services API	Intégration programmatique, pipelines de traitement par lots, traitement de données à grande échelle	openai-api
Python + pandas	Bibliothèque d'analyse de données open source	Nettoyage des données à grande échelle, analyse des perspectives, automatisation du traitement par lots	—
Python + openpyxl	Bibliothèque d'opérations Excel open source	Lecture et écriture de fichiers Excel, formatage, remplissage de modèles	—
Microsoft Excel	Logiciel de feuille de calcul	Plateforme principale de traitement des données, environnement d'exécution de macro VBA	—
Feuilles Google	Feuilles de calcul en ligne	Traitement collaboratif en ligne, automatisation Apps Script	—

Remarque : Les outils open source tels que Python, pandas et openpyxl n'ont pas encore de documentation correspondante dans la bibliothèque d'outils locale, ils sont donc référencés sous forme de texte ordinaire dans la solution. Si vous avez besoin d'établir une cartographie complète, vous pouvez soumettre la documentation de l'outil correspondant.