各行各业的人都有数据能够回答的问题：销售为什么放缓？支出在哪里上涨？哪些问题威胁到我们最大客户的续约，应该先解决哪个？要拿到这些答案，往往得等报表，或者请别人去跑分析。
我们推出全新的 ChatGPT Work 中的 Data agent，帮助更多人自己回答这些问题。它能连接公司数据，调查发生了什么变化，并生成可以分享的交互式仪表盘。你可以在一次对话中指挥并不断完善分析，无需编写查询，也不用学习新的分析工具。
连接企业信任的数据与上下文
Data agent 可以连接经批准的数据源，包括 Amazon Redshift、Datadog、Google BigQuery、ClickHouse、Databricks、MongoDB、Snowflake 等。它还能把 Google Drive 和 SharePoint 中的文件与文档纳入分析。
它会利用贵组织的业务术语、指标定义、自定义计算和数据关系来解读数据。这些上下文来自语义层和可信来源，例如 Databricks Genie Ontology、dbt、GitHub、Snowflake Horizon 以及 BI 仪表盘。
平台合作伙伴
1 / 7
“借助 ChatGPT Work 中的 Data agent，用户可以直接连接 Amazon Redshift，像提问一样轻松地探索数据、发现洞察，并在整个组织内更快做出决策。”
——Naresh Chainani，AWS 工程总监
企业管理员可以选择开放哪些数据连接，以及哪些角色可以使用。查询会沿用所连接账号既有的权限，包括表、行和列级别的限制。
把问题变成分析和行动
你可以继续追问以深入调查结果，并查看每项发现背后的证据。
把分析结果变成带有内置可视化的交互式仪表盘。团队可以按需编辑、分享和刷新。提供你的品牌规范，还能让输出贴合组织的视觉风格。
跟踪客户从安装、首次使用到持续活跃的全程旅程，找出客户卡在哪里，并发现提升采用率的机会。
▶ Acme adoption and retention dashboard
提示词：创建一个仪表盘，跟踪我们产品的采用情况——从安装、首次使用到持续活跃和留存。帮我们找出客户卡在哪里。
Data agent 还可以在 Omni、Oracle BI、Power BI、Sigma、Tableau 和 ThoughtSpot 中构建仪表盘并与之交互。在团队已经在用的工具里，用自然语言指挥工作即可。
BI 工具
1 / 4
“把 Tableau 与 ChatGPT Work 连接起来，让可信的业务语义进入员工日常工作的场所，因此他们得到的答案建立在团队所依赖的同一套数据模型之上。用户只需提问、查看证据，并借助内置的设计和分析最佳实践，把新的视图直接发布到 Tableau，就能轻松把洞察转化为行动。”
——Southard Jones，Tableau 执行副总裁 & 首席产品官
你可以让 ChatGPT Work 建议下一步行动，并指出需要哪些人参与。它能通过 Slack 或邮件分享发现，并借助已连接的工具执行你批准的操作。
源自 OpenAI 自己分析数据的工具
Data agent 背后的能力在 OpenAI 内部被广泛使用。我们几乎所有的产品团队成员，以及超过三分之二的 GTM（市场进入）团队成员，都在使用 ChatGPT Work 中的数据智能体自行分析公司数据。我们的数据团队通过建立统一的业务定义、设置访问规则，并为敏感数据配备防护措施，促成了这一点。欲了解更多，请阅读这篇文章，并参加我们的网络研讨会。
NTT Data、Thermo Fisher、ServicePiston 以及参与我们 Alpha 计划的其他组织，正在使用 ChatGPT Work 中的 Data agent 分析销售和支出、发现报告错误，并决定该追逐哪些机会以及如何配置人手。
客户案例
1 / 11
“在 NTT DATA，许可成本、投入精力和技术门槛，让我们很难在整个组织内推广仪表盘。借助 ChatGPT Work 中的 Data agent，许多非工程人员，尤其是销售和职能部门的同事，已经能用自然语言自己搭建和更新仪表盘。”
——Yuji Shono，NTT DATA 集团全球 AI 办公室负责人
开始使用 Data agent
你可以在 ChatGPT Work 的插件目录中找到名为 Data 的 Data agent。管理员可以通过“工作区设置 > 插件”将其开放给团队或为团队安装，也可以启用并配置相关的数据源插件（如 Databricks 和 Snowflake），并管理谁能使用它们。
如果尚未安装 Data，请在插件目录中找到它并选择“安装插件”，或直接前往 Data 页面。完成所需的账号连接步骤后，用 @Data 开启对话，提出你的业务问题即可。
试试这些提示词
诊断指标变化
@Data 诊断上周周活跃用户数为何发生变化。找出可能的驱动因素，与之前的周期做对比，并建议接下来要检查的事项。
设计 KPI 框架
@Data 为这个新产品领域设计一套 KPI 框架，包括核心指标、驱动因素、护栏指标、目标以及数据验证需求。
制作管理层汇报
@Data 把本月的指标整理成一份可供管理层阅读的更新，包含实际数据、对比、驱动因素、注意事项和建议行动。