ChatGPT Data怎么用？连接数据库、分析公司数据和生成Dashboard完整教程

过去用ChatGPT分析数据，最常见的方法是把Excel或者CSV上传到对话里。

如果只是分析一张销售表，这种方法已经很好用。

但真正到了公司环境，问题就会变得复杂。

数据可能分散在：

Snowflake、BigQuery、Databricks、MongoDB、Redshift、Google Drive、SharePoint，以及不同的BI系统中。

而业务人员真正想问的问题通常也不是：

“这张表平均值是多少？”

而是：

“为什么这周活跃用户下降？”

“哪个客户续费风险最高？”

“最近公司支出为什么突然增加？”

“哪些渠道带来的用户留存最好？”

这些问题过去往往需要找数据分析师写SQL、跑查询、做Dashboard。

OpenAI现在正在试图改变这个流程。

2026年9月10日，OpenAI正式推出ChatGPT Work中的Data agent。

在ChatGPT插件目录中，它的名称就是：

Data。

安装以后，用户可以直接使用：

@Data

然后像普通聊天一样询问公司业务问题。

Data agent会连接经过管理员批准的数据源，调查数据变化，分析可能原因，并生成可以继续编辑、共享和刷新的交互式Dashboard。

这意味着ChatGPT的数据分析能力，开始从：

“分析我上传的一份文件”

进一步变成：

“直接分析公司的整个数据体系”。

ChatGPT Data是什么？

ChatGPT Data是OpenAI为ChatGPT Work推出的数据分析Agent。

它并不是一个新的GPT模型。

更加准确地说，它是一套围绕企业数据分析建立的Agent、工具和数据连接能力。

Data可以连接企业已经在使用的数据平台，然后利用自然语言完成过去通常需要SQL和BI工具才能完成的分析。

例如，你可以直接问：

分析最近8周付费用户转化率为什么下降。分别比较渠道、地区、设备和新老用户，并找出最可能的三个原因。

Data agent会根据获得授权的数据寻找证据。

接下来你还可以继续问：

把影响最大的原因再按照收入影响排序。

然后继续：

把这些数据做成一个管理层Dashboard。

整个过程都可以在同一段对话中完成。

ChatGPT Data和普通数据分析有什么区别？

如果你以前使用过ChatGPT分析Excel，可能会觉得：

“这不就是数据分析功能吗？”

其实两者最大的区别在于数据来源和业务上下文。

普通ChatGPT数据分析主要依赖你主动上传的数据。

比如：

• Excel
• CSV
• JSON
• PDF

而Data agent可以直接连接企业的数据生态。

用户不用每次：

导出数据 → 下载CSV → 上传ChatGPT → 分析。

而是直接询问已经连接的数据。

例如：

“上个月哪个产品线毛利下降最明显？”

Data可以在权限范围内自己找到需要的数据。

ChatGPT Data支持哪些数据源？

OpenAI首批公布的数据平台包括：

• Amazon Redshift
• Google BigQuery
• Databricks
• Snowflake
• MongoDB
• ClickHouse
• Datadog
• Redis

此外，还可以把Google Drive和SharePoint中的文件和文档带入分析。

这意味着Data agent并不只分析结构化数据库。

它可以把：

数据库 + 表格 + 文档 + 业务定义

结合起来。

为什么“业务定义”比连接数据库更重要？

企业数据分析有一个长期问题。

同一个词，在不同公司可能完全不是一个意思。

例如：

Active User。

A公司可能定义为：

“过去7天登录过一次的用户。”

B公司可能定义为：

“过去7天完成过至少一个核心操作的用户。”

如果AI不知道公司的定义，算出来的数字可能完全正确，但业务结论却是错的。

所以Data agent一个非常关键的能力是：

读取并使用企业已经认可的业务语义。

OpenAI表示，Data可以利用来自以下系统的业务上下文：

• dbt
• Databricks Genie Ontology
• Snowflake Horizon
• GitHub
• 现有BI Dashboard

这些内容可以帮助模型理解：

公司里的“收入”“活跃用户”“留存”“合格商机”到底是怎么计算的。

ChatGPT Data需要自己写SQL吗？

普通业务用户不需要。

这是Data agent最重要的产品目标之一。

用户可以直接使用自然语言询问问题。

比如以前需要写：

SELECT
  channel,
  COUNT(DISTINCT user_id)
FROM users
WHERE created_at >= ...
GROUP BY channel;

现在可以直接问：

比较过去8周各获客渠道新增用户数量、付费转化率和30天留存，找出表现变化最大的渠道。

Data agent负责把业务问题转化为实际分析过程。

对于管理层、市场、销售、运营和财务人员来说，这意味着不需要先学习SQL，才能自己调查数据。

ChatGPT Data能自动分析“为什么指标变化”吗？

可以，而且这恰恰是OpenAI重点展示的使用场景。

比如你发现：

Weekly Active Users上周下降了8%。

传统Dashboard只能告诉你：

“下降了8%。”

但真正需要回答的是：

为什么？

你可以直接让Data调查：

@Data 分析上周Weekly Active Users下降的原因。和之前几周比较，并按照地区、平台、用户类型和产品功能拆解，找出最可能的驱动因素。

然后继续追问：

其中哪一个因素可以解释最多的下降？

再继续：

这个变化是短期异常，还是已经持续几周？

这种连续调查能力，比传统固定Dashboard更接近一个真正的数据分析师。

ChatGPT Data会展示分析证据吗？

Data agent并不是只给用户一个结论。

OpenAI表示，用户可以继续检查每一个发现背后的证据。

这一点对于企业分析非常重要。

如果ChatGPT告诉你：

“收入下降主要来自欧洲市场。”

真正重要的问题应该是：

这个判断基于什么数据？

用户可以继续向下调查，而不是只能接受一个AI生成的最终结论。

ChatGPT Data可以直接制作Dashboard吗？

可以。

而且不是一张静态图片。

Data agent可以把分析结果转换成交互式Dashboard。

团队可以继续：

• 编辑
• 共享
• 刷新数据
• 继续追加分析

公司还可以提供自己的Brand Guidelines，也就是品牌视觉规范，让Dashboard更加符合企业的：

颜色、字体、视觉层级和报告样式。

ChatGPT Data支持Power BI和Tableau吗？

支持相关BI工作流。

OpenAI公布的合作BI工具包括：

• Microsoft Power BI
• Tableau
• Sigma
• ThoughtSpot
• Omni
• Oracle BI

Data agent可以在这些企业已经使用的BI系统中构建或者操作Dashboard。

这很重要。

因为OpenAI并不是要求公司：

“抛弃原来的BI系统，全部迁移到ChatGPT。”

更加像是：

让ChatGPT成为现有数据工具上方的自然语言操作层。

为什么这可能比“AI自动写SQL”更重要？

过去AI数据分析经常强调：

“ChatGPT会写SQL。”

但真正企业级的问题不是SQL语法。

SQL只是其中一个步骤。

完整分析还需要知道：

• 该用哪张表
• 字段之间是什么关系
• 公司指标怎样定义
• 什么异常值得调查
• 结果是否符合业务常识
• 最终应该采取什么行动

所以Data agent真正想解决的不是：

“怎么生成SQL？”

而是：

“怎么从业务问题直接得到可信的决策信息？”

ChatGPT Data能分析哪些业务问题？

官方目前重点展示了几类常见场景。

产品增长

例如：

“为什么新用户激活率下降？”

“哪些功能和长期留存关系最大？”

销售

例如：

“哪些大型客户存在续约风险？”

“销售漏斗中哪个环节转化率下降最多？”

财务

例如：

“这个月支出为什么增加？”

“哪些部门预算偏差最大？”

运营

例如：

“哪些流程正在拖慢交付？”

“客服工单增长来自哪些问题？”

用户留存

例如：

“最近留存下降主要发生在哪一类用户？”

一个实际例子：分析销售下降

假设某公司发现8月份收入突然下降。

过去可能需要：

业务负责人提出问题。

然后数据团队排期。

分析师写SQL。

导出结果。

制作Dashboard。

再安排会议解释。

现在可以直接向Data询问：

@Data 分析8月份收入下降的主要原因。分别检查地区、产品、客户规模、新老客户和销售渠道，并和过去6个月比较。

如果发现：

“大型客户收入正常，但SMB客户收入下降。”

可以继续：

进一步分析SMB客户。判断下降主要来自客户流失、订单减少还是新客户减少。

然后：

制作一个管理层Dashboard，只保留最重要的指标、趋势和三个建议行动。

这就是Data agent最典型的工作方式。

ChatGPT Data不仅能分析，还能继续采取行动

OpenAI此次使用了一个非常重要的表达：

Analysis and action。

也就是说，Data不只是分析。

分析完成以后，还可以结合其他经过授权的工具继续执行下一步。

例如分析发现：

“20个大型客户存在较高续约风险。”

Data可以帮助：

确定哪些人需要参与，并通过连接的Slack或者Email共享相关发现。

在用户批准的情况下，还可以通过连接工具继续执行允许的操作。

这就把：

数据 → 洞察

进一步变成：

数据 → 洞察 → 行动。

ChatGPT Data会不会绕过公司的数据库权限？

不会因为连接ChatGPT就自动扩大权限。

这是企业使用这类产品时最关键的问题之一。

OpenAI明确表示：

Data查询会遵循连接账户现有的访问控制。

包括：

• Table权限
• Row权限
• Column权限

也就是说：

如果某员工原本只能访问自己部门的数据，使用Data以后也不会自动获得全公司的数据。

企业管理员还可以决定：

哪些数据连接可以使用，以及哪些角色有权使用这些连接。

ChatGPT Data是谁都能直接安装吗？

这里需要纠正OpenAI标题可能带来的一个误解。

官方文章标题是：

“Now everyone can put data to work.”

但这并不表示：

所有ChatGPT Free用户现在都有企业Data agent。

这个功能目前属于ChatGPT Work的数据工作流。

如果是在企业Workspace中，管理员可以：

通过Workspace Settings → Plugins安装Data，并配置具体的数据源插件和使用权限。

所以这里的“everyone”更应该理解成：

企业里不懂SQL的普通业务人员，也可以开始直接使用数据。

而不是只有Data Analyst或者Data Engineer能够使用。

ChatGPT Data在哪里打开？

OpenAI目前给出的使用步骤非常简单。

首先进入ChatGPT Work。

然后打开：

Plugins Directory。

找到：

Data。

安装以后完成相关账户连接。

然后在对话中输入：

@Data

再继续提出你的业务问题。

例如：

@Data 分析最近一个月新用户付费转化率变化。

为什么我的ChatGPT里找不到Data？

如果你没有看到Data，通常可以检查几个方面。

首先确认自己使用的是支持相关能力的ChatGPT Work环境。

如果属于公司Workspace，还需要确认管理员是否：

• 允许Plugins
• 安装Data
• 允许你的角色使用Data
• 配置了相应数据连接

即使Data已经安装，如果Snowflake或者Databricks等数据源没有完成授权，也不能直接查询这些系统。

ChatGPT Data和Codex有什么关系？

OpenAI在2026年9月10日的ChatGPT更新日志中进一步确认：

Data插件可以在ChatGPT Work和Codex中使用。

这意味着数据分析不只可以服务业务人员。

开发者也可以在Codex工作流中结合业务数据。

例如：

分析线上产品指标以后，再继续检查对应代码或者实验配置。

这让Data、Work和Codex之间形成了更紧密的关系。

OpenAI自己真的在使用Data agent吗？

是。

OpenAI此次公开了一个非常值得注意的数据。

按照官方说法：

OpenAI几乎整个产品团队，以及超过三分之二的GTM组织，都在使用ChatGPT Work中的Data agent分析公司数据。

GTM也就是Go-To-Market，包括销售、市场以及其他面向商业增长的团队。

这说明Data并不只是为数据科学家设计。

OpenAI真正希望解决的问题就是：

让产品经理、销售、市场、财务等业务人员自己回答数据问题。

ServiceTitan发现AI用户创建Campaign的比例约高3倍

OpenAI文章列出了多个Alpha客户案例。

其中ServiceTitan使用Data agent建立了一个Dashboard。

他们发现：

使用其AI助手Atlas的用户，创建Campaign的比例大约是不使用用户的3倍。

这个发现随后被用于指导产品团队优化Onboarding，让更多用户采用Atlas。

这是一个很典型的：

产品数据 → 用户行为洞察 → 产品决策

案例。

micro1半小时重建Dashboard，还发现了旧报告错误

另一个很有代表性的案例来自micro1。

该公司表示，运营团队使用Data agent：

大约半小时重新建立了Performance Tracking Dashboard。

而且在过程中还发现了原有报告中的错误。

这说明Data agent潜在价值并不只是：

“把做Dashboard速度加快。”

还包括：

重新调查原来的分析有没有问题。

Data agent会取代数据分析师吗？

短期内，把它简单理解成“数据分析师替代工具”并不准确。

因为企业数据分析最困难的部分之一往往不是：

写SQL。

而是：

• 指标怎么定义
• 数据质量是否可靠
• 哪些表值得相信
• 因果关系能不能成立
• 业务到底应该采取什么行动

OpenAI自己能够广泛使用Data agent，也建立在一个重要前提上：

数据团队提前建立了：

统一业务定义、访问权限和敏感数据保护规则。

所以Data agent更可能改变的是：

数据团队的工作重点。

过去大量时间可能用在：

“帮我拉一下这个数据。”

未来更多时间可以投入：

数据模型、指标定义、数据质量和更复杂的分析。

企业使用ChatGPT Data之前应该先做什么？

如果一家公司的数据体系本身非常混乱，接入AI并不会自动解决所有问题。

例如：

销售部门认为“客户”是一种定义。

财务部门又是另一种定义。

产品团队统计“活跃用户”的方式和运营团队完全不同。

这时候AI可能只是更快地生成互相冲突的答案。

所以真正使用Data agent以前，一个非常重要的基础工作是：

统一业务指标和可信数据源。

这也是为什么OpenAI反复强调Semantic Layer，也就是语义层。

ChatGPT Data最适合哪些用户？

它首先适合的是那些每天需要做决策，却不一定会写SQL的人。

例如：

产品经理可以直接调查产品指标。

销售负责人可以查看Pipeline和续约风险。

市场人员可以比较渠道ROI。

财务团队可以分析预算和支出。

运营团队可以调查效率和异常。

高管则可以把不同业务数据整理成Leadership Readout。

真正发生变化的是：

数据查询权开始从少数分析人员扩展到更多业务人员。

ChatGPT Data三个值得直接尝试的Prompt

分析指标变化

@Data 分析上周Weekly Active Users为什么变化。和过去8周比较，并按照新老用户、地区、平台和核心功能使用情况拆分。找出最可能的三个驱动因素，并说明下一步还应该检查哪些数据。

建立KPI体系

@Data 为这个新产品设计一套KPI体系。包括核心指标、驱动指标、Guardrail、目标值和数据质量检查要求，同时说明每一个指标为什么重要。

制作管理层月报

@Data 把本月业务指标整理成管理层月报。展示Actual、上月对比、去年同期对比、主要驱动因素、风险和建议行动。只保留真正影响业务决策的信息。

普通用户上传Excel还需要Data agent吗？

不一定。

如果你只是需要：

分析一份CSV、制作一张图、统计Excel数据，ChatGPT普通数据分析已经可以完成很多任务。

Data agent真正有价值的场景是：

数据不是一个文件，而是分散在整个公司系统中。

比如：

Snowflake里有订单。

MongoDB里有产品事件。

Google Drive里有季度目标。

BI系统里有公司指标定义。

当这些信息需要一起使用时，Data agent的优势才更加明显。

ChatGPT Data常见问题

ChatGPT Data是什么？

ChatGPT Data是ChatGPT Work中的企业数据分析Agent，可以连接经过批准的数据源，利用自然语言调查业务问题、分析指标变化并生成交互式Dashboard。

ChatGPT Data需要会SQL吗？

普通业务用户不需要自己写SQL。用户可以直接用自然语言描述业务问题，由Data agent完成相应分析过程。

ChatGPT Data支持Snowflake吗？

支持。OpenAI首批明确列出的数据平台包括Snowflake、BigQuery、Databricks、Amazon Redshift、MongoDB、ClickHouse等。

ChatGPT Data支持Power BI吗？

支持相关BI工作流。OpenAI公布Data agent可以与Power BI、Tableau、Sigma、ThoughtSpot、Omni和Oracle BI等工具结合。

ChatGPT Data可以生成Dashboard吗？

可以。Data agent能够把分析结果制作成可编辑、共享和刷新的交互式Dashboard。

ChatGPT Data可以读取Google Drive吗？

可以把Google Drive以及SharePoint中的文件和文档带入分析，但具体是否可用取决于Workspace配置、连接状态和用户权限。

ChatGPT Data会看到公司所有数据吗？

不会自动获得全部权限。查询需要遵循连接账户本来拥有的Table、Row和Column权限，管理员也可以控制哪些角色允许使用具体数据连接。

ChatGPT Data在哪打开？

在ChatGPT Work的Plugins目录中找到Data并安装。完成数据源连接后，可以在对话中通过@Data开始提问。

为什么我的ChatGPT没有Data？

Data属于ChatGPT Work相关数据能力。如果使用企业Workspace，还可能需要管理员安装插件、开启Plugins并配置数据源和角色权限。

ChatGPT Data和普通Excel分析有什么区别？

普通数据分析更适合上传单个Excel、CSV等文件；Data agent重点是直接连接公司的数据库、数据仓库、BI和业务文档，并结合企业自己的指标定义完成分析。

ChatGPT Data会取代数据分析师吗？

它会减少大量重复查询和Dashboard制作工作，但指标定义、数据质量、复杂因果分析和企业数据治理仍然需要专业数据团队参与。

总结：ChatGPT正在从“分析一张表”，走向“直接分析一家公司”

过去ChatGPT的数据能力已经很强。

你可以上传：

Excel、CSV、JSON、PDF。

然后让AI：

计算、画图、分析和总结。

但这种方式仍然存在一个天然限制：

用户必须先把数据准备好，再交给ChatGPT。

Data agent改变的是这个前提。

它开始直接连接：

Snowflake、BigQuery、Databricks、Redshift、MongoDB、BI系统，以及Google Drive和SharePoint等企业内容来源。

更重要的是，它不仅获得“数据”。

还可以获得：

公司自己的业务定义和指标语义。

所以用户提出：

“为什么销售下降？”

Data agent真正需要理解的不是这几个汉字。

而是：

这家公司什么叫销售额？

用哪个数据源？

应该和哪个周期比较？

哪些变化值得关注？

谁有权限看到结果？

最终应该采取什么行动？

这也是Data agent与传统“AI写SQL”最大的区别。

它试图把整个流程从：

业务人员提出问题 → 找分析师 → 写SQL → 制作报告 → 开会解释

逐渐缩短成：

业务人员直接提问 → AI调查 → 检查证据 → 继续追问 → 生成Dashboard → 执行下一步。

如果这种模式最终能够在权限、数据质量和业务语义上保持可靠，那么影响最大的可能并不是数据分析师会不会消失。

而是：

公司里能够直接使用数据做决策的人，会大幅增加。

过去只有少数人会写SQL。

未来更多员工只需要知道：

自己真正想问什么问题。