18 Mejores Prompts de ChatGPT para Análisis de Datos

Actúa como un Ingeniero de Datos Principal. Tengo un conjunto de datos sin procesar que contiene [DESCRIPCIÓN_DEL_CONJUNTO_DE_DATOS] proporcionado en formato [FORMATO_DE_DATOS]. Las columnas clave son [COLUMNAS], y el objetivo analítico principal es [OBJETIVO_COMERCIAL]. Analiza este esquema para crear un plan integral de auditoría de calidad de datos. Identifica posibles problemas como campos faltantes, inconsistencias de formato, valores duplicados y registros fuera de rango. Formatea tu respuesta como un documento Markdown estructurado que contenga: 1) Una tabla resumen de los riesgos potenciales de calidad de datos, 2) una lista de verificación de limpieza priorizada y 3) un bloque de código reutilizable de Python (Pandas) que demuestre cómo ejecutar las operaciones de limpieza de forma segura.

Actúa como un Científico de Datos Senior. Estoy procesando un conjunto de datos de [DESCRIPCIÓN_DEL_CONJUNTO_DE_DATOS] donde varias columnas sufren de valores faltantes, específicamente [COLUMNAS_CON_DATOS_FALTANTES]. La tarea posterior prevista es [TAREA_ANALÍTICA_O_MODELO]. Evalúa los mecanismos potenciales de datos faltantes (MCAR, MAR, MNAR) según el contexto proporcionado. Propone una estrategia de imputación adecuada para cada columna, equilibrando la integridad estadística con la complejidad de implementación. Formatea tu resultado como: 1) Una justificación clara que explique por qué se eligió cada técnica (p. ej., media/mediana, KNN, MICE o indicadores de ausencia) para cada variable, y 2) código de Python listo para ejecutar utilizando Pandas y Scikit-Learn para aplicar las imputaciones recomendadas.

Actúa como un Estadístico Aplicado. Estoy examinando variables cuantitativas que incluyen [COLUMNAS_NUMÉRICAS] dentro de un conjunto de datos que describe [DESCRIPCIÓN_DEL_CONJUNTO_DE_DATOS]. Necesito detectar y abordar valores extremos que puedan distorsionar el análisis estadístico o los modelos predictivos. Formula un enfoque sólido de detección de valores atípicos comparando los métodos de puntuación Z, Rango Intercuartil (IQR) e Isolation Forest adecuados para [OBJETIVO_COMERCIAL]. Presenta tu consejo de la siguiente manera: 1) Una comparación teórica que explique cuándo usar cada método, 2) recomendaciones de umbrales para marcar valores atípicos y 3) código de Python usando Pandas y Scikit-Learn que marque, visualice y opcionalmente limite o elimine estos valores extremos.

Actúa como un Ingeniero de Machine Learning. Necesito transformar características categóricas y numéricas sin procesar en un conjunto de datos sobre [DESCRIPCIÓN_DEL_CONJUNTO_DE_DATOS]. La variable objetivo es [VARIABLE_OBJETIVO], y las características predictoras incluyen variables categóricas [COLUMNAS_CATEGÓRICAS] y variables numéricas [COLUMNAS_NUMÉRICAS]. Diseña un pipeline de preprocesamiento adaptado a [ALGORITMO_O_TIPO_DE_ANÁLISIS]. Presenta tu resultado como: 1) Una matriz de decisión de transformación de características que explique la lógica de cada técnica de codificación y escalado, y 2) código de Python que use los módulos ColumnTransformer y Pipeline de Scikit-Learn para estandarizar el flujo.

Actúa como un Analista de Datos Principal. Estoy comenzando un Análisis Exploratorio de Datos (EDA) en un conjunto de datos que contiene [DESCRIPCIÓN_DEL_CONJUNTO_DE_DATOS] con [NÚMERO_DE_FILAS] filas y variables que incluyen [VARIABLES_CLAVE]. Mi objetivo comercial principal es comprender [PREGUNTA_COMERCIAL]. Proporciona un plan de ejecución de EDA de extremo a extremo dividido en pasos de análisis univariado, bivariado y multivariado. Para cada fase, describe las métricas estadísticas específicas a calcular y los gráficos a trazar. Incluye un script completo de Python usando Pandas, Seaborn y Matplotlib para generar estos gráficos e imprimir resúmenes estadísticos descriptivos.

Actúa como un Investigador Cuantitativo. Quiero identificar qué variables independientes en [NOMBRES_DE_COLUMNAS] tienen la correlación o influencia más fuerte en [MÉTRICA_OBJETIVO]. El conjunto de datos subyacente cubre [CONTEXTO_DEL_CONJUNTO_DE_DATOS]. Describe un enfoque analítico para probar relaciones lineales y no lineales, abordando posibles problemas de colinealidad entre variables. Proporciona: 1) Una metodología paso a paso que explique las métricas de Pearson, Spearman e Información Mutua, y 2) código de Python que genere un mapa de calor de correlación anotado y calcule puntuaciones de importancia de características utilizando un modelo base de Random Forest.

Actúa como un Bioestadístico y Analista de Datos Senior. Necesito realizar una prueba de hipótesis formal para determinar si [VARIABLE_A] tiene un efecto estadísticamente significativo en [VARIABLE_B]. Los datos consisten en [TIPO_DE_DATOS_Y_TAMAÑO_DE_MUESTRA]. Define la Hipótesis Nula (H0) y la Hipótesis Alternativa (H1). Selecciona la prueba estadística más adecuada (p. ej., prueba T, ANOVA, Chi-cuadrada, U de Mann-Whitney) según las características de los datos. Resultado: 1) Pasos de verificación de supuestos (normalidad, homocedasticidad), 2) reglas de interpretación para valores p y tamaño del efecto (d de Cohen o V de Cramer), y 3) código de Python que use SciPy.Stats para realizar el análisis.

Actúa como un Científico de Datos. Estoy evaluando características continuas [COLUMNAS_CONTINUAS] en un conjunto de datos que representa [DESCRIPCIÓN_DEL_CONJUNTO_DE_DATOS]. Sospecho distribuciones no normales y alta asimetría, lo que podría sesgar el modelado posterior. Guíame a través de la medición de la asimetría, la curtosis y la aplicación de transformaciones matemáticas (p. ej., Log, Raíz Cuadrada, Box-Cox, Yeo-Johnson). Presenta tu respuesta en dos partes: 1) Una guía de decisión sobre cómo elegir el método de transformación correcto para diferentes niveles de asimetría, y 2) código de Python que utilice Scikit-Learn y SciPy para probar, transformar y visualizar distribuciones previas y posteriores.

Actúa como un Especialista en SQL de Personal. Necesito escribir una consulta SQL optimizada para [TIPO_DE_BASE_DE_DATOS, p. ej., PostgreSQL/BigQuery/Snowflake]. Mi base de datos tiene las tablas [TABLAS_Y_ESQUEMAS]. El objetivo es calcular [MÉTRICA_CLAVE_O_KPI] agrupada por [DIMENSIONES] durante el período de tiempo [MARCO_DE_TIEMPO]. La consulta debe filtrar por [CONDICIONES_DE_FILTRO] y utilizar Expresiones de Tabla Comunes (CTE) para mayor claridad. Proporciona: 1) La consulta SQL optimizada con comentarios claros que expliquen las funciones de ventana o uniones (joins), 2) una explicación de las recomendaciones de índices para el rendimiento y 3) un formato de salida de muestra.

Actúa como un Desarrollador de Python Senior especializado en Análisis de Datos. Tengo un DataFrame `df` con las columnas [LISTA_DE_COLUMNAS]. Necesito realizar una manipulación de datos compleja: agregar [COLUMNAS_DE_MÉTRICAS] por [COLUMNAS_DE_AGRUPACIÓN], dinamizar (pivot) la tabla en [COLUMNA_DINÁMICA] y calcular promedios móviles durante un período de [TAMAÑO_DE_VENTANA]. Proporciona un fragmento de código de Pandas limpio, vectorizado y listo para producción sin usar bucles explícitos. Incluye anotaciones en línea que expliquen cómo se gestiona el manejo de columnas con multi-índice y reindexación para la visualización posterior.

Actúa como un Experto en Visualización de Datos. Quiero construir un gráfico de panel interactivo usando [Plotly / Bokeh / Altair] en Python. El conjunto de datos contiene [RESUMEN_DEL_CONJUNTO_DE_DATOS] con métricas clave [MÉTRICAS] en todas las dimensiones [DIMENSIONES]. Crea código para un gráfico multipanel que incluya información sobre herramientas flotantes (tooltips), paletas de colores personalizables adaptadas para presentaciones ejecutivas y etiquetas de ejes dinámicas adecuadas. Proporciona el script ejecutable completo de Python junto con consejos de diseño para transmitir información clara a las partes interesadas no técnicas.

Actúa como un Analista de Datos de Series Temporales. Tengo un conjunto de datos de transacciones con marcas de tiempo registradas a una frecuencia de [FRECUENCIA_ORIGINAL, p. ej., segundos sin procesar], que contiene las columnas [COLUMNA_DE_MARCA_DE_TIEMPO, COLUMNAS_DE_MÉTRICAS]. Necesito remuestrear estos datos a [FRECUENCIA_DESTINO, p. ej., diaria/semanal], rellenar hacia adelante las fechas faltantes y calcular métricas como la tasa de crecimiento período a período y las sumas acumuladas. Proporciona código de Python eficiente utilizando la indexación de fechas y horas de Pandas, junto con comandos de gráficos visuales a través de Matplotlib para mostrar los componentes de tendencia.

Actúa como un Analista de Datos de Machine Learning. Dado un conjunto de datos transaccional con campos sin procesar [LISTA_DE_CAMPOS_SIN_PROCESAR], necesito diseñar nuevas características específicas del dominio para mejorar el rendimiento del modelo para predecir [RESULTADO_OBJETIVO]. Sugiere al menos 5 características diseñadas creativas (p. ej., proporciones de agregación, características temporales, métricas de recencia). Presenta tu respuesta como: 1) Explicaciones estratégicas de por qué cada característica es predictiva, y 2) código de Python modular que cree estas características de forma segura sin introducir fugas de datos.

Actúa como un VP de Análisis de Negocios. He realizado un análisis sobre [TEMA_O_PROYECTO] y he recopilado las siguientes métricas estadísticas: [HALLAZGOS_CLAVE_Y_NÚMEROS]. Traduce estos insights analíticos sin procesar en un resumen ejecutivo para [PÚBLICO_DESTINO, p. ej., CEO/CFO]. Estructura el informe con: 1) Puntos clave breves de alto nivel (TL;DR), 2) conclusiones comerciales clave desglosadas por impacto funcional, 3) riesgos críticos o métricas anómalas, y 4) tres recomendaciones estratégicas y priorizadas basadas en los hallazgos.

Actúa como un Especialista en Análisis de Retención. He calculado las tasas de retención de cohortes mensuales para los registros de usuarios durante [PERÍODO_DE_TIEMPO]. La salida del conjunto de datos muestra [RESUMEN_O_TABLA_DE_DATOS_DE_RETENCIÓN]. Ayúdame a analizar estas métricas de cohorte para evaluar los patrones de abandono de usuarios. Ofrece: 1) Un resumen analítico que explique dónde se disparan las caídas, 2) la identificación de cohortes saludables frente a las de bajo rendimiento, 3) una hipótesis estructurada sobre las causas de la pérdida de retención y 4) un marco claro para presentar estos insights de retención a los equipos de producto.

Actúa como un Analista de Producto Principal. Observamos una caída repentina de [CAMBIO_PORCENTUAL]% en [MÉTRICA_CLAVE] durante el período [RANGO_DE_FECHAS] en nuestro conjunto de datos que cubre [CONTEXTO_COMERCIAL]. Ayúdame a construir un marco de descomposición de causa raíz para aislar el problema en todas las dimensiones [DIMENSIONES_COMO_GEO_DISPOSITIVO_CANAL]. Resultado: 1) Un árbol de diagnóstico estructurado (marco MECE) para investigar posibles impulsores, 2) comprobaciones específicas de desglose en SQL/Pandas para aislar el problema y 3) una plantilla para comunicar los hallazgos a las partes interesadas.

Actúa como un Líder de Inteligencia de Clientes. Ejecuté un análisis de agrupamiento (clustering) K-Means en métricas de comportamiento del cliente [MÉTRICAS_UTILIZADAS] que dio como resultado [NÚMERO_DE_CLÚSTERES] segmentos distintos. Los centroides de los clústeres y las métricas son [DATOS_DE_RESUMEN_DE_CLÚSTER]. Ayúdame a convertir estos clústeres numéricos en personas comerciales procesables. Proporciona: 1) Nombres descriptivos y perfiles narrativos para cada persona, 2) diferenciadores de comportamiento clave y 3) estrategias específicas de participación comercial o marketing para cada segmento.

Actúa como un Analista Senior de FP&A. Tengo un conjunto de datos de variación que compara el rendimiento proyectado frente al real en todas las métricas [NOMBRES_DE_MÉTRICAS] para [UNIDAD_DE_NEGOCIO] durante [PERÍODO_DE_TIEMPO]. Los valores reales fueron [VALORES_REALES] en comparación con los valores objetivo [VALORES_OBJETIVO]. Analiza esta variación de rendimiento para ofrecer: 1) Un desglose de variaciones favorables frente a desfavorables, 2) la identificación de los principales impulsores de ingresos o costos detrás de la variación y 3) un informe conciso con viñetas adaptado para la toma de decisiones de liderazgo.