Jak analyzovat data v ChatGPT bez kódu: CSV a Excel pro ne-programátora

Když ti kolega pošle export z CRM s 18 000 řádky a řekne „potřebuju do pátku segmentovat zákazníky a říct, kdo pravděpodobně neobnoví smlouvu", většina lidí otevře Excel, zastrčí si rukávy a stráví zbytek týdne pivot tabulkami. Nepotřebuješ k tomu Python, SQL ani datového analytika na fulltime. Potřebuješ ChatGPT a správný postup, jak mu data předhodit.

Od srpna 2026 umí ChatGPT (Plus, Team i Enterprise) nativně číst CSV a Excel soubory, spouštět uvnitř Python sandboxu a generovat grafy rovnou do chatu. To znamená, že všechno, co dřív vyžadovalo Jupyter notebook, dnes zvládneš v jednom okně prohlížeče — i když jsi v životě nenapsal jediný řádek kódu. Pojďme si ukázat celý workflow na reálném příkladu: prodejní data za poslední dva roky.

Co vlastně ChatGPT s daty umí

Než se vrhneme na postup, je důležité chápat, co se pod kapotou děje. Když nahraješ CSV, ChatGPT ho nenačte jako text. Model ví, že jde o strukturovaná data, a podvědomě spustí Code Interpreter — interní Python prostředí, ve kterém může číst soubory, používat knihovny jako pandas a matplotlib a výsledky ti ukázat buď jako číslo, graf nebo stažitelný soubor.

Tohle je zásadní rozdíl oproti tomu, když prostě vložíš tabulku jako text. V textovém režimu si model pamatuje jen hrubý obrys a často si data vymyslí. V režimu Code Interpreter si skutečně načte celý soubor, spočítá průměry přes všech 18 000 řádků a nebude hádat. Pravidlo zní: nahraj soubor, nikoliv text.

Krok 1: Příprava dat, než je nahraješ

Tady udělá 80 % lidí chybu. Vezmou surový export z CRM, hodí ho do ChatGPT a diví se, že výsledky nedávají smysl. ChatGPT sice dokáže data vyčistit sám, ale čím čistší vstup, tím přesnější výstup. Před nahráním si projdi pět věcí:

1. Hlavičky v jednom jazyce a formátu. Pokud máš sloupce Zákazník, customer_id a Měsíc, přejmenuj je konzistentně. Smíchané češtinou a angličtinou model zvládne, ale zbytečně zdržuje a zvyšuje riziko chyby.
2. Datumy v jednom formátu. Ideálně ISO (2026-08-02), ne 2.8.2026 míchané s 08/02/26. Americký vs evropský formát je nejčastější zdroj chyb v datové analýze.
3. Žádné součet-řádky dole. Exporty z účetních systémů mívají na konci řádek „Celkem". Ten pak ChatGPT bere jako datový bod a zkreslí každý průměr.
4. Kategorie sjednocené. Praha, praha a PRAHA jsou pro model tři různé hodnoty. Projdi si unikátní hodnoty ve sloupci, než soubor nahraješ.
5. Velikost do 512 MB. Nad limit tě model upozorní. Pokud máš gigabajtový soubor, vyfiltruj si jen relevantní sloupce nebo období.

Není to práce na hodinu. Deset minut v Excelu ti ušetří hodinu vysvětlování ChatGPT, co přesně znamená sloupec M_EUR_vč_DPH.

Krok 2: První prompt, který otevře správnou cestu

Tady se liší amatér od profesionála. Většina lidí napíše „analyzuj mi to" a dostane generickou odpověď, která ti nepomůže. Správný první prompt má tři části: kontext, otázka, formát.

Zkus tohle:

Přiložil jsem CSV s prodejními daty za roky 2024 a 2026. Sloupce: datum, zakaznik, produkt, segment, castka_czk, mesto.

Úkoly:

1. Načti soubor a ověř, že nemá chybějící hodnoty nebo duplicity. Pokud ano, ukážu mi je a zeptej se, jak je ošetřit.
2. Udělej základní přehled: počet řádků, rozsah dat, celkový obrat, top 5 zákazníků podle obratu.
3. Segmentuj zákazníky podle segment a ukaž mi průměrnou objednávku a celkový obrat na segment.

Výsledky ukaž v tabulce a pro bod 3 přidej i sloupcový graf.

Poznal jsi, co ten prompt dělá? Definuje strukturu odpovědi dřív, než model začne pracovat. Místo abys dostal pět odstavců textu, dostaneš tabulku a graf, které můžeš rovnou zkopírovat do reportu. A bod 1 je klíčový — necháš model ohlásit problémy s daty dřív, než z nich udělá nesmyslné závěry.

Krok 3: Od deskriptivní analýzy k predikci

Teď přichází ta zábavná část. Máš vyčištěná data, základní přehled a první segmentaci. Většina lidí tu skončí. Ale ChatGPT umí víc — umí hledat vztahy v datech, které by tě nenapadly.

Zkus následující follow-up:

Najdi skryté vzory v datech. Konkrétně:

1. Které segmenty mají rostoucí trend v posledních 6 měsících a které klesají? Ukaž to na grafu trendů.
2. Existuje korelace mezi městem a průměrnou objednávkou? Jsou Praha a Brno opravdu nadprůměrné, nebo je to mýtus?
3. Segmentuj zákazníky pomocí RFM analýzy (Recency, Frequency, Monetary) do 4 skupin. Pro každej ukaž, kolik zákazníků tam je a jaká je jejich průměrná hodnota.

A tady se děje magie. Model v Pythonu spočítá reálnou lineární regresi trendu, provede skutečnou korelační analýzi a implementuje RFM clustering algoritmem K-means. Ty přitom jen píšeš česky. Když si nejsi jistý výsledkem, můžeš se zeptat: „Můžeš mi ukázat konkrétní řádky zákazníků v segmentu 'At-risk'? Chci je kontaktovat." A model ti vyfiltruje skutečné záznamy z tvého souboru.

Krok 4: Kdy predikovat a kdy si dát pozor

ChatGPT umí i predikovat — za dva roky prodeje dokáže udělat prognózu na příští čtvrtletí metodami jako ARIMA nebo Prophet. Ale tady je důležitá hranice, kterou si musíš uvědomit: predikce není realita.

Model nepozná, že tvůj největší zákazník mění dodavatele. Neví o tom, že v září máte startovat nová marketingová kampaň. Prognóza extrapoluje minulost. Použij ji jako východisko pro rozhovor s obchodním týmem, ne jako číslo, které dáš do rozpočtu bez otazníku.

Bezpečná zóna, kde ChatGPT exceluje:

• Deskriptivní analýza (co se stalo) — spolehlivé.
• Diagnostická analýza (proč se to stalo, korelace) — spolehlivé s tím, že korelace není kauzalita.
• Prediktivní analýza (co se stane) — užitečné, ale s varováním.

Krok 5: Export výsledků zpět do tvého světa

Každý graf, každou tabulku a každý vyfiltrovaný dataset si z ChatGPT můžeš stáhnout. Buď klepni na graf a vyber „Stáhnout", nebo řekni:

Exportuj mi segmentaci zákazníků z bodu 3 jako nový CSV soubor, kde každý řádek bude mít původní data plus nový sloupec rfm_segment. Také vygeneruj pivot tabulku: obrat podle segmentu a měsíce, a ulož ji jako Excel soubor.

Model v Pythonu vytvoří soubory a nabídne ti je ke stažení. Ten Excel pak můžeš rovnou poslat kolegovi — žádný přepisování, žádné formátování.

Na co si dát pozor: Tři nejčastější pasti

Za půl roku praxe s AI datovou analýzou jsem viděl stejné chyby dokola:

Past č. 1: Hallucinace u malých souborů. Když nahraješ 50 řádků textově, model si občas vymyslí hodnotu, která tam není. Řešení: i malé soubory nahrávej jako přílohu, ne jako text.

Past č. 2: Osobní data v CRM exportu. Pokud máš v CSV jména zákazníků, e-maily nebo telefonní čísla, pamatuj, že podle současných OpenAI podmínek se data z Plus účtu nepoužívají k tréninku — ale z Enterprise orgs by data neměla opustit tvoji firmu vůbec. U GDPR citlivých dat zvaž, zda nepseudonymizovat jména na IDčka před nahráním.

Past č. 3: Slepa víra v grafy. Model vykreslí hezký graf, ale pokud jsi špatně definoval sloupce, graf ukazuje nesmysl. Vždy si prvních pár čísel ověř v původním souboru ručně.

Kdy je ChatGPT lepší než nástroje jako Tableau

Často se mě ptají, jestli nahradí specializované BI nástroje. Nenahradí. Tableau, Power BI a Looker mají své místo pro opakující se dashboardy, které denně sleduje management. Ale pro jednorázovou analýzu — odpovědět na konkrétní otázku teď a tady — je ChatGPT rychlejší, levnější a přístupnější.

Nastavit nový dashboard v Tableau ti zabere půl dne. Zeptat se ChatGPT „které produkty rostou v Praze a proč" trvá dvě minuty. Pro většinu běžných analytických otázek je to dostatečné.

Shrnutí: Tvůj nový workflow

Příště, když ti přijde export s tisíci řádky, nedělej to, co vždycky. Místo otevírání Excelu a manuálního filtrování:

1. Vyčisti data deset minut — sjednoť formáty, odstraň součet-řádky.
2. Nahraj CSV jako přílohu do ChatGPT.
3. Prvním promptem defiň kontext, otázku i formát odpovědi.
4. Nech model oznámit problémy s daty dřív, než začne počítat.
5. Iteruj: od deskriptivní analýzy k segmentaci a hledání skrytých vzorů.
6. Výsledky stáhni jako CSV nebo Excel a vlož do reportu.

Naučit se tenhle workflow trvá odpoledne. Ušetří ti týdny práce ročně. A na rozdíl od Pythonu to neznamená, že se musíš naučit programovat — znamená to, že se naučíš správně ptát. To je dovednost, která se ti bude hodit i u všech dalších AI nástrojů, které přijdou.