18 Beste ChatGPT-Prompts für die Datenanalyse

Agieren Sie als Lead Data Engineer. Ich habe einen rohen Datensatz mit [DATENSATZ_BESCHREIBUNG], der im Format [DATEN_FORMAT] vorliegt. Die wichtigsten Spalten sind [SPALTEN], und das primäre analytische Ziel ist [GESCHÄFTS_ZIEL]. Analysieren Sie dieses Schema, um einen umfassenden Plan zur Datenqualitätsprüfung zu erstellen. Identifizieren Sie potenzielle Probleme wie fehlende Felder, Formatierungsinkonsistenzen, doppelte Werte und Datensätze außerhalb des gültigen Bereichs. Formatieren Sie Ihre Antwort als strukturiertes Markdown-Dokument, das Folgendes enthält: 1) Eine Zusammenfassungstabelle potenzieller Datenqualitätssprünge bzw. -risiken, 2) Eine priorisierte Bereinigungs-Checkliste und 3) Einen wiederverwendbaren Python-Codeblock (Pandas), der zeigt, wie die Bereinigungsvorgänge sicher ausgeführt werden.

Agieren Sie als Senior Data Scientist. Ich verarbeite einen Datensatz mit [DATENSATZ_BESCHREIBUNG], bei dem mehrere Spalten fehlende Werte aufweisen, insbesondere [SPALTEN_MIT_FEHLENDEN_DATEN]. Die beabsichtigte nachfolgende Aufgabe ist [ANALYTISCHE_AUFGABE_ODER_MODELL]. Bewerten Sie die potenziellen Mechanismen der Fehlerrate (MCAR, MAR, MNAR) basierend auf dem bereitgestellten Kontext. Schlagen Sie eine geeignete Imputationsstrategie für jede Spalte vor, die statistische Integrität und Implementierungskomplexität ausgleicht. Formatieren Sie Ihre Ausgabe als: 1) Eine klare Begründung, warum jede Technik (z. B. Mittelwert/Median, KNN, MICE oder Indikator-Flags) für jede Variable ausgewählt wurde, und 2) Ausatzbereiten Python-Code unter Verwendung von Pandas und Scikit-Learn zur Ausführung der empfohlenen Imputationen.

Agieren Sie als Angewandter Statistiker. Ich untersuche quantitative Variablen einschließlich [NUMERISCHE_SPALTEN] in einem Datensatz, der [DATENSATZ_BESCHREIBUNG] beschreibt. Ich muss Extremwerte erkennen und adressieren, die die statistische Analyse oder Vorhersagemodelle verzerren könnten. Formulieren Sie einen robusten Ansatz zur Ausreißererkennung, der Z-Score-, Interquartilsabstands- (IQR) und Isolation-Forest-Methoden vergleicht, die für [GESCHÄFTS_ZIEL] geeignet sind. Geben Sie Ihren Rat wie folgt aus: 1) Einen theoretischen Vergleich, der erklärt, wann welche Methode zu verwenden ist, 2) Schwellenwertempfehlungen zum Markieren von Ausreißern und 3) Python-Code unter Verwendung von Pandas und Scikit-Learn, der diese Extremwerte markiert, visualisiert und optional begrenzt oder entfernt.

Agieren Sie als Machine Learning Engineer. Ich muss rohe kategorische und numerische Features in einem Datensatz über [DATENSATZ_BESCHREIBUNG] transformieren. Die Zielvariable ist [ZIEL_VARIABLE], und die Prädiktor-Features umfassen kategorische Variablen [KATEGORISCHE_SPALTEN] und numerische Variablen [NUMERISCHE_SPALTEN]. Entwerfen Sie eine Vorverarbeitungs-Pipeline, die auf [ALGORITHMUS_ODER_ANALYSE_TYP] zugeschnitten ist. Liefern Sie Ihre Ausgabe als: 1) Eine Feature-Transformations-Entscheidungsmatrix, die die Begründung für jede Kodierungs- und Skalierungstechnik erklärt, und 2) Python-Code unter Verwendung der Module ColumnTransformer und Pipeline von Scikit-Learn zur Standardisierung der Pipeline.

Agieren Sie als Principal Data Analyst. Ich beginne eine explorative Datenanalyse (EDA) für einen Datensatz mit [DATENSATZ_BESCHREIBUNG] mit [ANZAHL_ZEILEN] Zeilen und Variablen einschließlich [SCHLÜSSEL_VARIABLEN]. Mein zentrales Geschäftsziel ist es, [GESCHÄFTS_FRAGE] zu verstehen. Stellen Sie einen End-to-End-EDA-Ausführungsplan bereit, der in univariate, bivariate und multivariate Analyseschritte unterteilt ist. Beschreiben Sie für jede Phase die spezifischen zu berechnenden statistischen Metriken und zu plottenden Diagramme. Fügen Sie ein vollständiges Python-Skript unter Verwendung von Pandas, Seaborn und Matplotlib hinzu, um diese Diagramme zu generieren und deskriptive statistische Zusammenfassungen auszugeben.

Agieren Sie als Quantitative Researcher. Ich möchte herausfinden, welche unabhängigen Variablen in [SPALTEN_NAMEN] die stärkste Korrelation oder den stärksten Einfluss auf [ZIEL_METRIK] haben. Der zugrunde liegende Datensatz umfasst [DATENSATZ_KONTEXT]. Skizzieren Sie einen analytischen Ansatz zum Testen linearer und nichtlinearer Beziehungen und adressieren Sie potenzielle Kollinearitätsprobleme zwischen Variablen. Stellen Sie Folgendes bereit: 1) Eine schrittweise Methodik, die Pearson-, Spearman- und Mutual-Information-Metriken erklärt, und 2) Python-Code, der eine kommentierte Korrelations-Heatmap generiert und Feature-Importance-Scores mithilfe eines Random-Forest-Baseline-Modells berechnet.

Agieren Sie als Senior Biostatistician and Data Analyst. Ich muss einen formalen Hypothesentest durchführen, um festzustellen, ob [VARIABLE_A] einen statistisch signifikanten Effekt auf [VARIABLE_B] hat. Die Daten bestehen aus [DATEN_TYP_UND_STICHPROBEN_GRÖSSE]. Definieren Sie die Nullhypothese (H0) und die Alternativhypothese (H1). Wählen Sie den am besten geeigneten statistischen Test (z. B. T-Test, ANOVA, Chi-Quadrat, Mann-Whitney-U) basierend auf den Datenmerkmalen aus. Ausgabe: 1) Schritte zur Annahmeüberprüfung (Normalverteilung, Homoskedastizität), 2) Interpretationsregeln für p-Werte und Effektstärke (Cohens d oder Cramers V) und 3) Python-Code unter Verwendung von SciPy.Stats zur Durchführung der Analyse.

Agieren Sie als Data Scientist. Ich evaluiere kontinuierliche Features [KONTINUIERLICHE_SPALTEN] in einem Datensatz, der [DATENSATZ_BESCHREIBUNG] repräsentiert. Ich vermute nicht-normale Verteilungen und eine hohe Schiefe, was die nachfolgende Modellierung verzerren könnte. Führen Sie mich durch die Messung von Schiefe, Wölbung (Kurtosis) und die Anwendung mathematischer Transformationen (z. B. Logarithmus, Quadratwurzel, Box-Cox, Yeo-Johnson). Geben Sie Ihre Antwort in zwei Teilen aus: 1) Einen Entscheidungsleitfaden zur Auswahl der richtigen Transformationsmethode für verschiedene Schiefegrade und 2) Python-Code unter Verwendung von Scikit-Learn und SciPy zum Testen, Transformieren und Visualisieren von Vorher/Nachher-Verteilungen.

Agieren Sie als Staff SQL Specialist. Ich muss eine optimierte SQL-Abfrage für [DATENBANK_TYP, z. B. PostgreSQL/BigQuery/Snowflake] schreiben. Meine Datenbank hat Tabellen [TABELLEN_NAMEN_UND_SCHEMAS]. Das Ziel ist es, [SCHLÜSSEL_METRIK_ODER_KPI] gruppiert nach [DIMENSIONEN] über den Zeitraum [ZEIT_RAHMEN] zu berechnen. Die Abfrage muss nach [FILTER_BEDINGUNGEN] filtern und Common Table Expressions (CTEs) zur besseren Lesbarkeit verwenden. Stellen Sie bereit: 1) Die optimierte SQL-Abfrage mit klaren Kommentaren, die Fensterfunktionen oder Joins erklären, 2) Eine Erklärung von Indexempfehlungen zur Leistungssteigerung und 3) Ein Beispiel-Ausgabeformat.

Agieren Sie als Senior Python Developer, spezialisiert auf Datenanalyse. Ich habe ein DataFrame `df` mit den Spalten [SPALTEN_LISTE]. Ich muss eine komplexe Datenmanipulation durchführen: Aggregieren Sie [METRIK_SPALTEN] nach [GRUPPIERUNGS_SPALTEN], pivotieren Sie die Tabelle nach [PIVOT_SPALTE] und berechnen Sie gleitende Durchschnitte über einen Zeitraum von [FENSTER_GRÖSSE]. Stellen Sie ein sauberes, vektorisiertes, produktionsreifes Pandas-Code-Snippet bereit, ohne explizite Schleifen zu verwenden. Fügen Sie Inline-Anmerkungen hinzu, die erklären, wie der Umgang mit Multi-Index-Spalten und die Neuindizierung für nachfolgende Visualisierungen gehandhabt werden.

Agieren Sie als Experte für Datenvisualisierung. Ich möchte ein interaktives Dashboard-Visual mit [Plotly / Bokeh / Altair] in Python erstellen. Der Datensatz enthält [DATENSATZ_ZUSAMMENFASSUNG] mit Schlüsselmetriken [METRIKEN] über Dimensionen hinweg [DIMENSIONEN]. Erstellen Sie Code für ein Multi-Panel-Diagramm, das Hover-Tooltips, anpassbare Farbpaletten für Executive-Präsentationen und korrekte dynamische Achsenbeschriftungen enthält. Stellen Sie das vollständig ausführbare Python-Skript zusammen mit Design-Tipps zur Vermittlung klarer Erkenntnisse an nicht-technische Stakeholder bereit.

Agieren Sie als Time Series Data Analyst. Ich habe einen Datensatz mit Transaktionen mit Zeitstempeln, die mit einer Frequenz von [URSPRÜNGLICHE_FREQUENZ, z. B. rohen Sekunden] aufgezeichnet wurden, und die Spalten [ZEIT_STEMPEL_SPALTE, METRIK_SPALTE] enthalten. Ich muss diese Daten auf [ZIEL_FREQUENZ, z. B. täglich/wöchentlich] resamplen, fehlende Daten vorwärts auffüllen (forward-fill) und Metriken wie Wachstumsraten von Periode zu Periode sowie kumulierte Summen berechnen. Stellen Sie effizienten Python-Code unter Verwendung von Pandas-Datetime-Indizierung sowie visuelle Plotting-Befehle über Matplotlib bereit, um Trendkomponenten anzuzeigen.

Agieren Sie als Machine Learning Data Analyst. Gegeben sei ein transaktionaler Datensatz mit Rohfeldern [LISTE_DER_ROHFELDER]. Ich muss neue domänenspezifische Features entwickeln, um die Modellleistung zur Vorhersage von [ZIEL_ERGEBNIS] zu verbessern. Schlagen Sie mindestens 5 kreative entwickelte Features vor (z. B. Aggregationsverhältnisse, temporale Features, Aktualitätsmetriken). Geben Sie Ihre Antwort als: 1) Strategische Erklärungen, warum jedes Feature prädiktiv ist, und 2) Modularen Python-Code aus, der diese Features sicher erstellt, ohne Data Leakage einzuführen.

Agieren Sie als VP of Business Analytics. Ich habe eine Analyse zu [THEMA_ODER_PROJEKT] durchgeführt und die folgenden statistischen Metriken gesammelt: [SCHLÜSSEL_ERGEBNISSE_UND_ZAHLEN]. Übersetzen Sie diese rohen analytischen Erkenntnisse in eine Executive Summary für [ZIEL_PUBLIKUM, z. B. CEO/CFO]. Strukturieren Sie den Bericht mit: 1) High-Level TL;DR-Stichpunkten, 2) Wichtigsten geschäftlichen Erkenntnissen, aufgeschlüsselt nach funktionalem Impact, 3) Kritischen Risiken oder anomalen Metriken und 4) Drei strategischen, priorisierten Empfehlungen basierend auf den Ergebnissen.

Agieren Sie als Retention Analytics Specialist. Ich habe monatliche Kohorten-Bindungsraten (Retention Rates) für Benutzeranmeldungen über [ZEIT_RAUM] berechnet. Die Datensatzausgabe zeigt [RETENTION_DATEN_ZUSAMMENFASSUNG_ODER_TABELLE]. Helfen Sie mir, diese Kohortenmetriken zu analysieren, um Abnutzungsmuster der Benutzer zu bewerten. Liefern Sie: 1) Eine analytische Zusammenfassung, die erklärt, wo Abbrüche sprunghaft ansteigen, 2) Die Identifizierung gesunder versus unterperformender Kohorten, 3) Eine strukturierte Hypothese für die Ursachen von Retention-Verlusten und 4) Ein klaren Rahmen zur Präsentation dieser Retention-Erkenntnisse für Produktteams.

Agieren Sie als Lead Product Analyst. Wir haben in unserem Datensatz, der [GESCHÄFTS_KONTEXT] abdeckt, einen plötzlichen Rückgang von [PROZENTUALE_ÄNDERUNG]% bei [SCHLÜSSEL_METRIK] über den Zeitraum [DATUMS_BEREICH] beobachtet. Helfen Sie mir, ein Framework zur Ursachenzerlegung aufzubauen, um das Problem über die Dimensionen [DIMENSIONEN_WIE_GEO_GERÄT_KANAL] zu isolieren. Ausgabe: 1) Einen strukturierten Diagnosebaum (MECE-Framework) zur Untersuchung potenzieller Treiber, 2) Spezifische SQL-/Pandas-Slice-and-Dice-Prüfungen zur Isolierung des Problems und 3) Eine Vorlage für die Kommunikation der Ergebnisse an Stakeholder.

Agieren Sie als Customer Intelligence Lead. Ich habe eine K-Means-Clusteranalyse für das Verhaltensverhalten von Kunden mit den Metriken [VERWENDETE_METRIKEN] durchgeführt, die zu [ANZAHL_DER_CLUSTER] unterschiedlichen Segmenten führte. Die Cluster-Zentroide und Metriken sind [CLUSTER_ZUSAMMENFASSUNGS_DATEN]. Helfen Sie mir, diese numerischen Cluster in umsetzbare Geschäftspersonas zu verwandeln. Stellen Sie Folgendes bereit: 1) Deskriptive Namen und narrative Profile für jede Persona, 2) Wichtigste Verhaltensunterscheidungsmerkmale und 3) Spezifische Engagement- oder Marketingstrategien für jedes Segment.

Agieren Sie als Senior FP&A Analyst. Ich habe einen Varianzdatensatz, der die prognostizierte Leistung mit der tatsächlichen Leistung über die Metriken [METRIK_NAMEN] für [GESCHÄFTS_EINHEIT] während [ZEIT_RAUM] vergleicht. Die Ist-Werte waren [IST_WERTE] im Vergleich zu den Zielwerten [ZIEL_WERTE]. Analysieren Sie diese Leistungsabweichung, um Folgendes zu liefern: 1) Eine Aufschlüsselung günstiger versus ungünstiger Varianzen, 2) Die Identifizierung der wichtigsten Umsatz- oder Kostentreiber hinter der Varianz und 3) Einen prägnanten Bericht in Stichpunkten, der auf die Entscheidungsfindung der Führungsebene zugeschnitten ist.