يطلب منك أحد أصحاب المصلحة “قائمة عملاء نظيفة” وموثوقة لاستخدامها في حملة بريد إلكتروني وتحديث لوحة بيانات (Dashboard). لديك ملف بيانات مُصدّر (جدول بيانات)، لكنه يحتوي على حقول فارغة، وتنسيقات تواريخ مختلطة، وأسماء دول غير موحدة، وسجلات مكررة. لا تكمن المخاطرة في صعوبة عملية التنظيف بحد ذاتها، بل في أن خطوة تنظيف سريعة يقترحها الذكاء الاصطناعي قد تغير -دون ملاحظة- أعداد السجلات أو دلالاتها، مما يجعلك تتحمل مسؤولية الفشل اللاحق إذا استهدفت الحملة الأشخاص الخطأ أو تغيرت نتائج لوحة البيانات.
في هذه الدورة، يُستخدم الذكاء الاصطناعي كأداة للإعداد الأولي وتسريع العمل. فأنت تستخدمه لاقتراح عمليات التحويل، والصيغ (Formulas)، وأكواد Apps Script أو VBA، ولحصر مشكلات جودة البيانات المحتملة. لكنك لا تترك له حرية اتخاذ القرار بشأن ما يجب حذفه، أو كيفية تعويض البيانات المفقودة (Imputation)، أو تحديد المقصود بـ “السجل المكرر”. وتُعد معايير النجاح بمثابة الشروط القابلة للقياس التي تحدد مستوى “النظافة الكافية” للمهمة التجارية؛ لذا يجب تحديدها مسبقاً لضمان ألا تكون عملية التنظيف مجرد تحسين شكلي.
تتمثل قاعدتك الأساسية في مبدأ بسيط: يجب أن تكون كل خطوة يقترحها الذكاء الاصطناعي قابلة للتنفيذ، وقابلة للتراجع عنها، وقابلة للتدقيق والمراجعة في Excel أو Google Sheets، مع توفر أدلة يمكنك عرضها أثناء عملية المراجعة.
لنفترض وجود مجموعة بيانات باسم customer_contacts_export.xlsx تحتوي على 18,240 صفاً، تم استخراجها من نظام إدارة علاقات العملاء (CRM) وتغطي الفترة من 1 يناير 2025 إلى 30 يونيو 2025. يمثل كل صف جهة اتصال (عميلاً). تشمل الحقول الرئيسية: البريد الإلكتروني (email)، والاسم الكامل (full_name)، وتاريخ التسجيل (signup_date)، والبلد (country)، ورقم الهاتف (phone)، والمصدر (source). وتتمثل أبعاد التقسيم التي تهم مسؤول التسويق في “البلد” و"المصدر"، بينما يكمن السؤال المحدد في معرفة أي الدول تشهد أسرع معدل نمو من حيث عدد التسجيلات الشهرية.
استكشف طبيعة المشكلات الموجودة في البيانات الخام.
لا تقتصر مخرجات عملك على “ملف مُنظَّف” فحسب، بل هي مجموعة من العناصر والمستندات التي تضمن إمكانية إعادة إنتاج عملك وتكراره.
أنت تُنتج جدولاً مُنظَّفاً تكون فيه المُعرِّفات (identifiers) الجوهرية موحَّدة وقواعد التحليل (parsing rules) متسقة. كما تُجري فحوصات لضمان الجودة تُثبت عدم فقدان أي صفوف دون ملاحظة ذلك أو إنشاء قيم مستحيلة. وتُعدّ سجلاً للتغييرات يوضح بدقة ما تم تغييره، وما تم حذفه، وسبب ذلك.
LLM (نموذج لغوي كبير): هو نموذج يولد نصوصاً وصيغاً برمجية وأكواداً بناءً على الأنماط الموجودة في بيانات تدريبه ومدخلاتك؛ وهو لا يطّلع على حالة ملف العمل (workbook) الخاص بك ما لم تزوده بها. Prompt (المُطالَبة أو التوجيه): هو التعليمات والسياق الذي تقدمه للنموذج اللغوي الكبير لتوليد مخرجات مقترحة. Hallucination (الهلوسة): هي ادعاء أو قاعدة يولدها النموذج وتبدو منطقية، لكنها لا تستند فعلياً إلى بياناتك أو القيود المفروضة على العمل.
غالباً ما تحدث حالات “الخطأ الواثق” (تقديم إجابة خاطئة بثقة) أثناء عملية التنظيف، لأن هذه العملية تتطلب فهماً لتعريفات الأعمال (business definitions). قد يقترح النموذج مفتاحاً لإزالة التكرار مثل البريد الإلكتروني + الاسم الكامل، لكنه لا يستطيع معرفة ما إذا كانت رسائل البريد الإلكتروني المشتركة تعود لعائلات، أم صناديق بريد مشتركة، أم أنها مجرد أخطاء في إدخال البيانات. وإذا قبلت قاعدته وحذفت الصفوف بناءً عليها، فإنك تتسبب في تحيز لا يمكن تصحيحه في كافة عمليات العدّ وحساب النسب اللاحقة.
حدد المهام التي يمكن تفويضها بأمان مقابل تلك التي تتطلب التحقق الإلزامي.