چند هفته پیش، استارتاپ چینی Manus.im با معرفی ویژگی جدید خود در تجزیه و تحلیل داده‌های تصویری، توجه زیادی را به خود جلب کرده است. این نوآوری به کاربران این امکان را می‌دهد که یک فایل CSV شلوغ را وارد سیستم کرده و تنها با گذشت دو دقیقه، نتیجه‌ای صیقل‌یافته و نمودار تعاملی مناسب برای ارائه در جلسات هیأت مدیره خود دریافت کنند. با این حال، آزمایش‌های اولیه من با داده‌های معیوب نشان می‌دهد که این ابزار با وجود قابلیت‌های چشمگیر، از شفافیت کافی در مورد تبدیل داده‌ها برخوردار نیست.
بر اساس نظرسنجی از 470 رهبر مالی، 58 درصد هنوز برای گزارش‌گیری‌های ماهانه خود به استفاده از Excel وابسته هستند، با وجود اینکه مجوزهای مربوط به هوش تجاری را در اختیار دارند. همچنین، یک مطالعه دیگر تخمین می‌زند که وابستگی کلی به صفحات گسترده حدود 90 درصد سازمان‌ها را تحت تأثیر قرار داده است، که این مسأله به یک “مشکل آخرین مایل در داده‌ها” تبدیل شده است.
منوس در تلاش است تا این شکاف را پر کند. کاربران کافیست فایل CSV خود را بارگذاری کرده و آنچه را که می‌خواهند، به زبان طبیعی توصیف کنند. سیستم به‌طور خودکار داده‌ها را پاک‌سازی کرده، گرامر مناسب Vega-Lite را انتخاب می‌کند و نموداری به فرمت PNG برای صادرات آماده می‌کند—بدون نیاز به جداول محوری.
آزمایش من نشان می‌دهد که Manus در زمینه پردازش داده‌ها، بهتر از ChatGPT عمل می‌کند، اما هر دو ابزار هنوز برای تولید اسلایدهای آماده برای هیأت مدیره مناسب نیستند. در بررسی‌ها به‌وضوح مشخص شد که هر دو ابزار در ارائه برچسب‌های خوانا و مقیاس‌گذاری مناسب در محورهای نمودار ناتوان هستند.
یکی از نواقص عمده Manus فقدان شفافیت در مراحل پاک‌سازی است. مثلاً، اگر یک مدیر مالی بخواهد از داده‌های تولید شده توسط Manus برای ارائه نتیجه‌های فصلی استفاده کند، در صورت پرسش در مورد نحوه برخورد با تراکنش‌های تکراری، هیچ پاسخی برای ارائه نیست.
در حال حاضر، شرکت‌های بزرگ در حال توسعه نظارت بر داده‌ها و تولید نمودارها به‌طور مستقیم در زیرساخت‌های داده‌ای خود هستند. ابزارهای جدیدی مانند Gemini در BigQuery و Copilot در Microsoft Fabric امکان تولید تجسمات داده‌ای را از داخل پایگاه‌های داده فراهم می‌کنند و این برای شرکت‌های با محیط‌های داده‌ای قاعده‌مند بسیار حیاتی است.
با این وجود، Manus برای کسب‌وکارهای کوچک و متوسط که با تحلیل‌های غیررسمی CSV مواجه‌اند، ابزاری کارآمد به نظر می‌رسد، چرا که پاک‌سازی خودکار داده‌ها و کاهش زمان لازم برای آنالیز، می‌تواند مزایای قابل توجهی به همراه داشته باشد. در پایان، مهم این است که شرکت‌ها به‌جای تکیه بر نمودارهایی که امکان تأیید و بررسی دقیق داده‌های ساخته‌شده را ندارند، به دنبال راه‌حل‌های قابل اعتمادتر بگردند.
این ابزارها نشان‌دهنده یک گام مهم در حوزه تجزیه و تحلیل داده‌ها هستند، اما تا زمانی که قابلیت‌های شفاف‌سازی و پایش کامل بر اساس استانداردهای قابل قبول توسعه نیابند، ابزارهای قدیمی مانند Excel کماکان در ارائه نتایج دقیق و قابل اعتماد نقش اساسی خواهند داشت.