Tukun.ai で Excel / CSV を分析する：ファイルをアップロードして、データと対話する

多くのデータ分析は、データベースから始まるわけではありません。最初にあるのは、Excel や CSV のファイルであることがよくあります。

売上明細、注文データ、広告レポート、在庫表、顧客リスト、会計台帳、アンケート結果。こうしたファイルは、チャット、メール、ローカルフォルダの中を日々行き来しています。データはすでにあるのに、それを理解するにはまだ手作業が多い。表を開き、列を確認し、フィルタをかけ、ピボットテーブルを作り、数式を書き、グラフを作り、最後に報告用の文章にまとめる必要があります。

Tukun.ai は、この流れをもっと短くしたいと考えています。

Tukun.ai のワークベンチでは、Excel や CSV をアップロードし、システムにテーブルとフィールドを理解させたうえで、自然な言葉で質問できます。ファイルは現在の会話コンテキストに入るため、毎回最初から説明し直す必要はありません。

入力欄の横にある + メニューから始める

ファイルアップロードの入口は、ワークベンチの入力欄の横にあります。

+ メニューをクリックし、「ファイルをアップロード」を選び、手元の Excel または CSV を選択します。アップロードが終わると、そのファイルは現在の会話に追加され、以降の質問で分析対象として使えます。

たとえば、次のように聞けます。

この売上データの全体像を分析して。

月別に売上、注文数、平均注文単価を集計して。

異常な注文を見つけて、なぜ異常に見えるのか説明して。

分析結果を週次レポート向けの短い文章にまとめて。

先にテーブルを作る必要はありません。SQL を書く必要もありません。質問する前にピボットテーブルを作る必要もありません。

ここが、Tukun.ai と単純なファイル Q&A の違いです。アップロードされたファイルは、一度読むだけの添付ファイルではなく、ワークベンチの中で継続的に分析できるデータソースになります。

アップロード後、AI がテーブルとフィールドを理解する

実際の業務ファイルでは、列名がわかりやすいとは限りません。

たとえば、次のようなフィールドが出てくることがあります。

dt
uid
cid
amt
gmv
is_refund
pay_time
channel

元の業務システムを知っている人なら意味がわかるかもしれませんが、別の人が見ると、まず列の意味を理解するところから始まります。

Tukun.ai はアップロード後にファイル構造を読み取り、フィールドの型や説明を推定します。たとえば、次のようなことを判断しようとします。

• どのフィールドが日付や時刻か
• どのフィールドが金額、件数、比率か
• どのフィールドがグルーピングに使える軸か
• どのフィールドが注文 ID、ユーザー ID、商品 ID のような識別子か
• どのフィールドがチャネル、地域、ステータス、カテゴリを表していそうか
• このファイルでどんなビジネス上の問いに答えられそうか

このステップがあると、後の質問がずっと自然になります。最初から正確な列名を指定しなくても、業務上の言葉で質問できます。

たとえば、次のように聞けます。

売上の推移を見せて。

最初から次のように書く必要はありません。

pay_time ごとに pay_amount を集計して。

もちろん、フィールドの業務的な意味を知っている場合は補足できます。

pay_amount は実際の支払金額、refund_amount は返金額です。純売上の推移を分析して。

このテーブルとフィールドの理解が、Tukun.ai を Data Agent として機能させる土台です。単に質問をクエリに変換するのではなく、まずファイルを分析可能なデータコンテキストに変えます。

ひとつの数値ではなく、分析を続けられる

従来の ChatBI では、よくある使い方は「ひとつの数値を聞く」ことです。

今月の売上はいくら？

チャネル別に注文数を集計して。

もちろん便利ですが、実際の業務分析は一回の質問で終わらないことが多いです。

たとえば広告費の CSV をアップロードした場合、本当に知りたいのは次のような流れかもしれません。

どのチャネルの支出が最も大きい？

ROI が低いチャネルはどれ？

支出が大きく ROI が低いチャネルは、転換率が低いのか、客単価が低いのか？

継続投資すべきチャネルと、縮小すべきチャネルを分けて。

これを運用振り返りとしてまとめて。

Tukun.ai は、このような継続的な分析に向いています。ファイルは現在の会話コンテキストに残るため、前の結果を受けてそのまま深掘りできます。

ここが Data Agent と従来の ChatBI の実務上の違いです。ChatBI は指標を問い合わせる体験に寄りがちですが、Data Agent は分析タスクを進める体験に近いものです。

例：売上 Excel を分析する

たとえば、第一四半期の注文明細が入った 2026_Q1_sales.xlsx をアップロードしたとします。

最初にこう聞けます。

この Q1 の売上ファイルを分析して、まず全体像を教えて。

Tukun.ai は、日付、注文、商品、地域、金額などのフィールドを確認し、最初の概要を返します。

次に、こう続けられます。

月別に売上、注文数、平均注文単価を分解して。

さらに：

売上が大きく落ちた商品を見つけて、考えられる理由を説明して。

続けて：

それらの商品は、どの地域で特に落ちている？

最後に：

ここまでの分析を、主要な発見と推奨アクションを含むビジネスレビューにまとめて。

この流れは、すべて同じワークベンチ内で進みます。Excel で何枚もピボットテーブルを作ったり、データを別のツールに移したりする必要はありません。

DeepSeek、OpenAI、Claude を直接使う場合と何が違うのか

DeepSeek、OpenAI、Claude のような大規模モデルによって、AI でデータを分析する体験はかなり身近になりました。ファイルを AI に渡して、説明や要約、分析を頼むだけでも、多くの時間を節約できます。

ただし、実際の仕事ではモデル能力だけでは足りません。

データ分析には、安定したコンテキストが必要です。どのファイルを見ているのか、フィールドが何を意味するのか、前の質問からどう続けるのか、ファイル、データベース、既存データソースをどう同じ流れで扱うのか。こうした部分が重要になります。

Tukun.ai が担っているのは、このプロダクト層です。

• アップロードされたファイルを現在のデータコンテキストに入れる
• テーブル構造とフィールド説明を推定する
• 同じファイルに対して継続的に質問できる
• Excel / CSV、データベース、既存データソースを同じワークベンチで扱える
• 分析結果を要約、振り返り、推奨アクションにまとめられる

DeepSeek、OpenAI、Claude は基盤モデルの進化を表しています。Tukun.ai は、その能力を業務データ分析の安定したワークフローに置くことに注力しています。

BI や ChatBI と何が違うのか

従来の BI は、固定ダッシュボードに強いツールです。指標定義が固まり、データパイプラインが安定し、グラフを継続的に再利用する場面では、BI は非常に有効です。

一方で、日常の分析は必ずしも固定ダッシュボードではありません。

なぜ今月の売上が下がったのか？

この顧客リストの中で、誰を優先してフォローすべきか？

このチャネルに投資を続けるべきか？

この注文ファイルに異常はあるか？

こうした問いは Excel や CSV から始まることが多く、分析の途中で方向も変わります。

Tukun.ai は、AI データワークベンチに近い位置づけです。ChatBI のような自然言語クエリをサポートしつつ、単発の数値確認にとどまりません。ファイルから始め、業務上の問いに沿って分析を進め、共有できる結論にまとめることを重視しています。

どんな Excel / CSV に向いているか

Tukun.ai は、次のような構造化ファイルの分析に向いています。

• 売上注文データ
• ユーザー行動データ
• 広告・キャンペーンレポート
• 会計・費用データ
• 在庫・購買データ
• 顧客リストや CRM エクスポート
• アンケート結果
• サポートチケット
• 週次・月次の業務レポート

ヘッダーがあり、行ごとに構造化されたデータであれば、分析対象として扱いやすいです。

フィールドが自社固有の場合は、質問の中で補足できます。

これは 4 月のチャネル実績ファイルです。cost は広告費、revenue は売上です。チャネル別 ROI を分析して。

Tukun.ai は、あなたの説明と自動推定されたフィールド情報を組み合わせて分析します。

ファイル分析が重要な理由

AI データ分析というと、まずデータベース接続を思い浮かべるかもしれません。ただ、日常業務では、ファイルがもっとも身近な入口であることが多いです。

ファイルは手に入りやすい。臨時分析に向いている。業務文脈を含んでいる。長いデータ接続プロセスを待たなくてよい。非エンジニアにも扱いやすい。

だからこそ、有用な Data Agent はデータベースだけでなく、Excel と CSV をうまく扱える必要があります。

Tukun.ai がファイルアップロードを入力欄の横に置いているのは、最初の一歩を小さくするためです。ファイルをアップロードし、最初の質問を投げ、そこから深掘りしていく。それで十分です。

Tukun.ai のプロダクト上の強み

Excel / CSV 分析における Tukun.ai の強みは、次の点にあります。

• 入力欄横の + メニューからすぐにアップロードできる
• テーブル、フィールド型、フィールド説明を推定する
• SQL ではなく業務の言葉で質問できる
• 同じファイルに対して会話の中で継続的に質問できる
• 数値だけでなく、要約、レビュー、推奨アクションまで作れる
• ファイル、データベース、既存データソースを同じワークベンチで扱える

ここが、汎用 AI チャット、従来の BI、単機能の ChatBI ツールとの違いです。

FAQ

Tukun.ai は ChatBI ですか？

Tukun.ai は ChatBI のような自然言語クエリをサポートしますが、それだけではありません。Excel、CSV、データベース、既存データソースを扱う Data Agent ワークベンチに近いものです。

Excel / CSV をアップロードした後、手動でフィールド設定が必要ですか？

通常は必要ありません。Tukun.ai がテーブル構造、フィールド型、フィールド説明を推定します。必要に応じて、質問の中で業務上の意味を補足できます。

SQL が書けなくても使えますか？

使えます。中心となる操作は自然言語です。「ROI が最も低いチャネルはどれ？」「最も売上に貢献した顧客は？」「異常な注文を見つけて」といった聞き方ができます。

DeepSeek、OpenAI、Claude とはどう関係しますか？

DeepSeek、OpenAI、Claude は基盤モデルの能力を表しています。Tukun.ai は、その AI 能力を、ファイルアップロード、フィールド理解、継続的な質問、ビジネス結論の生成というデータ分析ワークフローに落とし込むことに注力しています。

まとめ

Excel と CSV は、今でも多くのデータ業務の出発点です。これまでは Excel 上で手作業で分析するか、データベースに取り込んで SQL を書く必要がありました。Tukun.ai は、もっと直接的な方法を提供します。ファイルをアップロードし、データに質問するだけです。

アップロード後、Tukun.ai はテーブルとフィールドを理解し、ファイルを現在の会話コンテキストに追加します。簡単な質問から始め、継続的に深掘りし、異常を見つけ、要因を分解し、最後に使える要約へとまとめられます。

手元に Excel や CSV があるなら、Tukun.ai ワークベンチの + メニューから始めてください。ファイルをアップロードし、最初のビジネス上の問いを投げるだけです。