تحلیل داده و گزارش فروش با هوش مصنوعی

خروجی فروش سه ماه گذشته را از ووکامرس یا نرم‌افزار حسابداری گرفته‌اید و یک فایل چندهزار ردیفی جلوی شماست. سؤال‌ها ساده‌اند: کدام محصول واقعاً می‌فروشد و چند درصد مشتری‌ها دوباره خرید کرده‌اند. ولی جوابشان در اکسل یک بعدازظهر وقت می‌گیرد.

هوش مصنوعی این کار را خیلی سریع‌تر می‌کند، به شرطی که دو چیز را جدی بگیرید: داده‌ی شخصی مشتری را قبل از آپلود حذف کنید، و هیچ عددی را بدون بررسی در گزارش نگذارید.

هوش مصنوعی با فایل فروش شما چه می‌کند؟#

یا متن فایل را می‌خواند و جواب را می‌سازد، یا برای فایل کد می‌نویسد و اجرا می‌کند. برای عدد دقیق فقط حالت دوم قابل‌اعتماد است.

• خواندن و ساختن جواب. جمع و میانگین چند هزار عدد کاری نیست که مدل زبانی در ذهنش درست انجام دهد. نتیجه ممکن است عددی کاملاً معقول و غلط باشد.
• نوشتن و اجرای کد. برخی سرویس‌ها روی فایل آپلودشده کد اجرا می‌کنند؛ آن‌وقت محاسبه را برنامه انجام می‌دهد، نه حدس مدل.

قاعده‌ی کلی: از مدل بخواهید روش محاسبه را نشان دهد؛ یا کدی که اجرا کرده، یا فرمولی که خودتان در اکسل یا گوگل‌شیت بزنید. عددی که روش محاسبه‌اش معلوم نیست، عدد نیست؛ ادعاست. چرا مدل گاهی با اطمینان اشتباه می‌کند را در توکن، پنجره‌ی متن و توهم توضیح داده‌ایم.

قبل از آپلود چه ستون‌هایی را حذف کنیم؟#

هر ستونی که یک آدم مشخص را شناسایی می‌کند: نام، تلفن، ایمیل، نشانی و شناسه‌های رسمی. برای تحلیل فروش فقط تاریخ، محصول، تعداد، مبلغ، شهر و یک کد بی‌معنا برای مشتری لازم است.

داده‌ی شخصی هر اطلاعاتی است که به‌تنهایی یا کنار داده‌ی دیگر، یک فرد مشخص را قابل‌شناسایی کند.

جایگزینی را در خود اکسل انجام دهید: ایمیل‌های یکتا را در برگه‌ی جدا بگذارید، کنار هرکدام یک کد بنویسید و با VLOOKUP یا XLOOKUP کد را به جدول اصلی بیاورید. بعد ستون ایمیل را پاک کنید و برگه‌ی تطبیق را هرگز آپلود نکنید.

عددهای فروش، حتی بدون داده‌ی شخصی، اطلاعات محرمانه‌ی کسب‌وکار است. پیش از آپلود ببینید سرویس از داده‌ها برای آموزش مدل استفاده می‌کند یا نه. فهرست کامل را در چه چیزهایی را هرگز به هوش مصنوعی ندهیم آورده‌ایم.

فایل را چطور برای تحلیل آماده کنیم؟#

هر ردیف یک قلم فروش، عدد بدون واحد و جداکننده، تاریخ یک‌دست، و ذخیره با قالب CSV. هر ابهامی در فایل یک فرض پنهان در جواب می‌سازد.

CSV قالب متنی ساده‌ای است که هر ردیف جدول را در یک خط می‌نویسد و ستون‌ها را با ویرگول جدا می‌کند.

1. هر ردیف یک قلم فروش. اگر سفارشی سه محصول دارد، سه ردیف باشد، نه یک ردیف با سه نام در یک خانه.
2. ردیف جمع را حذف کنید. ردیف «جمع کل» پایین فایل دوباره جمع زده می‌شود.
3. عدد را خالص نگه دارید. بدون جداکننده‌ی هزارگان، بدون کلمه‌ی «تومان» و با ارقام لاتین. واحد پول را در نام ستون بنویسید، مثل amount_toman.
4. تاریخ یک‌دست باشد. اگر تاریخ‌ها شمسی است، قالبش در همه‌ی ردیف‌ها یکی باشد، مثل YYYY/MM/DD، و در پرامپت بگویید شمسی است. بعضی ابزارها تاریخ شمسی را میلادی می‌خوانند.
5. نام ستون‌ها کوتاه و لاتین باشد، مثل order_date، product، qty، city و customer_code، تا کدنویسی مدل ساده‌تر شود.

کدگذاری فایل را UTF-8 بگذارید تا حروف فارسی به‌هم نریزد.

پرامپت تحلیل فروش چه شکلی باشد؟#

سه بخش دارد: توضیح ستون‌ها، سؤال‌های مشخص، و قانون‌هایی که مدل را به محاسبه‌ی واقعی و گزارش شفاف وادار می‌کند. یک نمونه:

فایل پیوست خروجی فروش یک فروشگاه اینترنتی است. هر ردیف یک قلم فروش است.
ستون‌ها: order_date (تاریخ شمسی با قالب YYYY/MM/DD)، product، qty، amount_toman، city، customer_code.

اول فقط این‌ها را گزارش کن: تعداد ردیف‌ها، بازه‌ی تاریخ و جمع کل مبلغ.
بعد به این سؤال‌ها جواب بده:
۱. ده محصول پرفروش بر اساس مبلغ، با سهم هرکدام از کل فروش.
۲. فروش ماه‌به‌ماه و درصد تغییر هر ماه نسبت به ماه قبل.
۳. چند درصد از مشتری‌ها (بر اساس customer_code) بیش از یک بار خرید کرده‌اند.

قانون‌ها:
- محاسبه را با اجرای کد انجام بده، نه تخمین. کد را هم نشان بده.
- اگر ماه آخر ناقص است، آن را جدا نشان بده و با ماه‌های کامل مقایسه نکن.
- اگر داده‌ی ناقص یا عجیبی دیدی، جدا گزارش کن و حدس نزن.
- فرض‌هایت را صریح بنویس.

اگر سرویس شما اجرای کد ندارد، قانون اول را عوض کنید: «برای هر محاسبه فرمول اکسل بنویس تا خودم اجرا کنم.» ساختار کلی یک درخواست خوب را در پرامپت‌نویسی برای کار فنی مفصل‌تر گفته‌ایم.

چطور بفهمیم عددها درست است؟#

با تطبیق چند عدد کلیدی با اکسل: اول تعداد ردیف و جمع کل. اگر همین دو یکی نبود، مدل فایل را درست نخوانده و بقیه‌ی گزارش را کنار بگذارید.

مورد آخر رایج‌ترین دام است: فایلی که تا نیمه‌ی ماه جاری داده دارد، «افت شدید فروش» نشان می‌دهد. برای همین در پرامپت نمونه قانون جداگانه‌ای برایش گذاشتیم.

گزارش ماهانه را چطور تکرارپذیر کنیم؟#

همان پرامپت را ذخیره کنید و هر ماه با فایل تازه اجرا کنید. این‌طوری عددهای ماه‌های مختلف با یک روش حساب می‌شوند و قابل‌مقایسه می‌مانند.

یک گزارش ماهانه‌ی کاربردی این بخش‌ها را دارد:

• سه تا پنج عدد اصلی: فروش کل، تعداد سفارش، میانگین مبلغ سفارش، سهم مشتری تکراری
• تغییر هر عدد نسبت به ماه قبل و همان ماه سال قبل
• محصولاتی که بیشترین رشد یا افت را داشتند
• هر چیز غیرعادی: روزی با فروش صفر، سفارش خیلی بزرگ، شهری که ناگهان پیدا شد
• دو یا سه پرسش برای بررسی بیشتر، نه نتیجه‌گیری قطعی

متن گزارش را از هوش مصنوعی بخواهید، ولی تفسیر و تصمیم با خودتان. مدل می‌بیند فروش یک محصول نصف شده؛ نمی‌داند انبار خالی بوده یا رقیب تخفیف داده.

کجا نباید به هوش مصنوعی تکیه کرد؟#

هر جا عدد مبنای تعهد مالی یا قانونی است، یا نتیجه درباره‌ی علت و آینده حرف می‌زند.

• عدد حسابداری و مالیاتی. مبنای اظهارنامه و تسویه باید خروجی نرم‌افزار حسابداری باشد، نه جمعی که مدل زده.
• پیش‌بینی با داده‌ی کم. با چند ماه داده، «پیش‌بینی فروش» حدسی است که مدل با اطمینان و اعشار می‌نویسد.
• علت و معلول. بالا رفتن فروش بعد از کمپین ثابت نمی‌کند کمپین علتش بوده.
• قضاوت درباره‌ی آدم‌ها. ارزیابی مشتری یا فروشنده فقط با خروجی مدل، ناعادلانه و پرخطر است.

تحلیل داده با هوش مصنوعی به کجا می‌رود؟#

به سمت پرسیدن مستقیم از داده‌ی زنده، بدون خروجی گرفتن و آپلود دستی. صفحه‌گسترده‌ها و ابزارهای گزارش‌گیری دستیار هوش مصنوعی داخلی پیدا می‌کنند، و استانداردهایی مثل MCP وصل‌کردن دستیار به فروشگاه و حسابداری را ساده‌تر می‌کنند. هم‌زمان، انتظار قانونی و اخلاقی درباره‌ی داده‌ی مشتری سخت‌گیرانه‌تر می‌شود.

برای آماده شدن:

• تعریف عددها را بنویسید. «فروش» یعنی با مرجوعی یا بدون آن؟ با تخفیف یا قبلش؟ دستیار وصل به داده‌ی زنده این ابهام‌ها را بزرگ‌تر می‌کند.
• چند عدد مرجع نگه دارید. جمع فروش چند ماه را که مطمئنید درست است یادداشت کنید تا هر ابزار تازه را با آن بسنجید.
• داده‌ی شخصی را از همین حالا جدا نگه دارید. داده‌ی تمیز و تفکیک‌شده را امن‌تر می‌شود به ابزارهای بعدی وصل کرد.

خلاصه#

• داده‌ی شخصی مشتری را قبل از آپلود حذف کنید یا با کد بی‌معنا جایگزین کنید.
• فایل را تمیز کنید: هر ردیف یک قلم، عدد خالص، تاریخ یک‌دست، CSV با UTF-8.
• از مدل بخواهید محاسبه را با کد یا فرمول انجام دهد و روشش را نشان دهد.
• تعداد ردیف و جمع کل را همیشه با اکسل تطبیق دهید و مراقب ماه ناقص باشید.
• پرامپت را ذخیره کنید تا گزارش ماهانه تکرارپذیر شود؛ تفسیر و تصمیم با خودتان است.