Когда использовать
Есть выгрузка (CSV, таблица, экспорт из CRM/аналитики), и нужно быстро понять «что тут вообще происходит» — до того как строить дашборд. Роль ИИ — продуктовый аналитик. Результат: карта данных, гипотезы, конкретные находки с числами и список графиков, а не «в целом всё хорошо».
Промт (бери и вставляй)
Ты — продуктовый аналитик. Разбери набор данных ниже.
ДАННЫЕ: <ВСТАВЬ CSV / таблицу / приложи файл>.
КОНТЕКСТ: <что это за данные, за какой период, бизнес-вопрос — напр. «почему упали продажи»>.
Сделай по порядку:
1. КАРТА ДАННЫХ: перечисли колонки, тип каждой, единицы измерения, диапазоны/уникальные значения. Отметь пропуски и подозрительные значения (выбросы, нули, дубли).
2. КАЧЕСТВО: что мешает анализу (пропуски, разный формат дат, аномалии) и как это учесть.
3. НАХОДКИ: 3–5 главных наблюдений — КАЖДОЕ с конкретным числом из данных (доля, среднее, рост/падение, топ-сегмент).
4. ГИПОТЕЗЫ: 2–3 объяснения находок + какой ещё разрез/данные нужны, чтобы проверить.
5. ГРАФИКИ: 3–4 визуализации, которые лучше всего покажут картину (тип графика + что на осях + зачем).
Опирайся ТОЛЬКО на присланные данные. Если чего-то не видно — так и скажи, не достраивай.
Приём: жёсткая структура EDA + требование числа на каждую находку не даёт модели сползти в общие фразы вроде «динамика положительная».
Пример заполнения
Контекст: выгрузка 5 000 заказов за квартал, вопрос «почему средний чек просел». Данные: CSV с колонками date, channel, items, total, new_customer.
Ожидаемый ответ ИИ: карта (date — дата, total — рубли 200–40000, 3% пропусков в channel); качество (даты в двух форматах — привести к ISO); находки («доля заказов из „discount“-канала выросла с 12% до 31%», «средний чек там на 40% ниже», «новые клиенты дают 70% дешёвых заказов»); гипотеза «акция привлекла низкочековый трафик»; графики (линия среднего чека по неделям; стэк-бар доли каналов; boxplot чека по каналу).
Вариации
- Сразу код. «Дай Python (pandas + matplotlib), который посчитает находки и построит графики» — для воспроизводимости.
- Когортный разрез. «Разбей пользователей на когорты по месяцу первой покупки и покажи удержание».
- Только аномалии. «Найди топ-20 строк-выбросов и объясни, чем они подозрительны» — для чистки данных.
Про-советы
- На больших файлах не вставляйте всё в чат — дайте 50–100 строк выборки + описание колонок, либо приложите файл в режиме анализа данных (Code Interpreter / advanced data analysis), чтобы модель считала на реальных числах, а не «на глаз».
- Требование «число на каждую находку» — главный приём против воды: фраза без цифры из ваших данных = повод переспросить «на основании чего».
- Гипотезы ≠ выводы: пусть модель помечает, что нужно проверить дополнительно. Корреляция в одном CSV — не доказательство причины.