پایان دوران فرمول‌نویسی؛ گوگل شیت با جمینای زبان شما را می‌فهمد

گوگل یک به‌روزرسانی مهم برای قابلیت‌های هوش مصنوعی جمینای در Google Sheets منتشر کرده است که فرآیند تولید فرمول‌های پیچیده را به یک گفتگوی هوشمند و محاوره‌ای تبدیل می‌کند. این ویژگی جدید به کاربران اجازه می‌دهد تا به جای نوشتن کدهای پیچیده و به خاطر سپردن نام توابع، درخواست خود را به زبان ساده و طبیعی تایپ کنند.

ویژگی‌های کلیدی این به‌روزرسانی عبارتند از:

• درک عمیق بافتار: جمینای اکنون ساختار صفحه‌گسترده شما، از جمله سرتیترها و نوع داده‌های موجود در ستون‌ها را بهتر درک می‌کند تا بتواند درخواست‌های مبهم مانند “مجموع فروش هر محصول” را به درستی تفسیر کند.
• فرمول‌سازی محاوره‌ای و چندمرحله‌ای: کاربران می‌توانند یک درخواست اولیه داشته باشند و سپس در مراحل بعدی، آن را اصلاح یا تکمیل کنند. برای مثال:
  1. کاربر می‌نویسد: “جمع فروش هر محصول را برایم حساب کن.”
  2. جمینای یک فرمول SUMIF تولید می‌کند.
  3. کاربر ادامه می‌دهد: “حالا فقط برای منطقه شمال و مرتب‌شده از بیشترین به کمترین.”
  4. جمینای فرمول اولیه را به یک فرمول QUERY یا SORT پیچیده‌تر و دقیق‌تر تبدیل می‌کند.
• کاهش خطا و افزایش سرعت: این قابلیت به طور چشمگیری زمان مورد نیاز برای تحلیل داده‌ها را کاهش داده و خطاهای ناشی از فرمول‌نویسی دستی را به حداقل می‌رساند.

بخش ۲: تحلیل پیمان امیدی (متخصص استراتژی دیجیتال و بهره‌وری کسب‌وکار)

این به‌روزرسانی فقط یک ویژگی جذاب نیست؛ این یک حرکت استراتژیک از سوی گوگل برای دموکراتیزه کردن تحلیل داده و تغییر بنیادین در تعریف “مهارت” در محیط کار است.

۱. استراتژی اول: شکستن “دیوار ترس از داده”

• بزرگترین مانع برای تصمیم‌گیری داده‌محور در اکثر سازمان‌ها، کمبود داده نیست، بلکه کمبود مهارت و اعتماد به نفس در کار با آن است. ابزارهای قدرتمندی مانند Sheets یا Excel برای اکثر کارمندان، سرزمین‌های ناشناخته و ترسناکی پر از توابع VLOOKUP و QUERY هستند. گوگل با این حرکت، این دیوار فنی را فرو می‌ریزد. حالا هر کسی که بتواند یک سوال به زبان فارسی یا انگلیسی بپرسد، می‌تواند به یک تحلیلگر داده تبدیل شود. این یک گام بزرگ برای توانمندسازی میلیون‌ها کارمند و مدیر در سراسر جهان است.

۲. استراتژی دوم: تغییر ارزش از “مهارت فنی” به “پرسش استراتژیک”

• این قابلیت، تعریف “متخصص اکسل یا شیت بودن” را تغییر می‌دهد. ارزش یک کارمند دیگر در توانایی او برای به خاطر سپردن سینتکس فرمول‌ها نیست. این یک مهارت فنی است که به سرعت در حال تبدیل شدن به یک کالای عمومی (Commodity) توسط هوش مصنوعی است.
• مهارت جدید و ارزشمند، توانایی پرسیدن “سوالات درست” از داده‌هاست. تمرکز از “چگونه این کار را انجام دهم؟” (که AI پاسخ می‌دهد) به “چه چیزی باید بدانم و چرا؟” (که نیازمند تفکر استراتژیک انسانی است) منتقل می‌شود. این، نقش کاربران را از “تکنسین داده” به “استراتژیست داده” ارتقا می‌دهد.

۳. استراتژی سوم: تعمیق “چسبندگی” اکوسیستم Workspace

• این یک حرکت رقابتی بسیار هوشمندانه علیه مایکروسافت اکسل است. در حالی که اکسل نیز قابلیت‌های AI دارد، ادغام عمیق بهترین هوش مصنوعی محاوره‌ای گوگل (جمینای) در یک محصول کاملاً ابری و تعاملی مانند Sheets، یک تجربه کاربری بسیار روان و قدرتمند ایجاد می‌کند. این ویژگی، دلیل قانع‌کننده‌ دیگری برای کسب‌وکارهاست تا به طور کامل در اکوسیستم Google Workspace زندگی کنند و وابستگی خود را به آن افزایش دهند.

بخش ۳: راهکار عملی (برای مدیران، تحلیلگران و مدرسان)

برای مدیران کسب‌وکار و کارمندان غیرفنی:

• دیگر از داده‌های خود نترسید: به جای خروجی گرفتن از داده‌ها و ارسال آن برای یک متخصص جهت تحلیل، خودتان دست به کار شوید. Sheets را باز کنید و اولین سوال خود را به زبان ساده بپرسید. (مثال: “کدام ۱۰ مشتری بیشترین خرید را در فصل گذشته داشته‌اند؟”). این ابزار برای شما ساخته شده است.

برای تحلیلگران داده و متخصصان اکسل:

• شغل شما در خطر نیست، در حال تکامل است. این ابزار را به عنوان یک دستیار برای خودکارسازی بخش‌های خسته‌کننده کارتان (فرمول‌نویسی‌های تکراری) در آغوش بگیرید. وظیفه جدید و باارزش‌تر شما، تمرکز بر روی کارهای پیچیده‌تر است:
  • اعتبارسنجی داده‌ها: اطمینان از اینکه داده‌های ورودی صحیح و تمیز هستند.
  • ساختن مدل‌های داده پیچیده: طراحی ساختارهای داده‌ای که به سوالات عمیق‌تر کسب‌وکار پاسخ دهند.
  • تفسیر و داستان‌سرایی: ترجمه اعداد و خروجی‌های AI به یک داستان قابل فهم و یک توصیه استراتژیک برای مدیران.

برای مدرسان و سیستم‌های آموزشی:

• آموزش سینتکس فرمول‌ها را متوقف کنید؛ آموزش سواد داده را شروع کنید. دوره‌های آموزشی باید از به خاطر سپردن نام توابع، به سمت آموزش “چگونه یک سوال خوب و قابل اندازه‌گیری از داده بپرسیم”، “چگونه نتایج را نقد کنیم” و “چگونه سوگیری‌های احتمالی در داده‌ها را تشخیص دهیم” حرکت کنند.