18 Melhores Prompts do ChatGPT para Análise de Dados

Atue como um Engenheiro de Dados Líder. Tenho um conjunto de dados bruto contendo [DESCRICAO_DO_CONJUNTO_DE_DADOS] fornecido no formato [FORMATO_DOS_DADOS]. As colunas principais são [COLUNAS], e o objetivo analítico principal é [OBJETIVO_DE_NEGOCIO]. Analise este esquema para criar um plano abrangente de auditoria de qualidade de dados. Identifique potenciais problemas, como campos ausentes, inconsistências deformatação, valores duplicados e registros fora do intervalo esperado. Formate sua resposta como um documento estruturado em markdown contendo: 1) Uma tabela resumo de potenciais riscos à qualidade dos dados, 2) Uma lista de verificação de limpeza priorizada e 3) Um bloco de código reutilizável em Python (Pandas) demonstrando como executar as operações de limpeza com segurança.

Atue como um Cientista de Dados Sênior. Estou processando um conjunto de dados de [DESCRICAO_DO_CONJUNTO_DE_DADOS] onde várias colunas sofrem com valores ausentes, especificamente [COLUNAS_COM_DADOS_AUSENTES]. A tarefa subsequente pretendida é [TAREFA_ANALITICA_OU_MODELO]. Avalie os mecanismos potenciais de ausência de dados (MCAR, MAR, MNAR) com base no contexto fornecido. Proponha uma estratégia de imputação adequada para cada coluna, equilibrando a integridade estatística com a complexidade de implementação. Formate sua saída como: 1) Uma justificativa clara explicando por que cada técnica (por exemplo, média/mediana, KNN, MICE ou flags indicadoras) foi escolhida para cada variável, e 2) Código Python pronto para execução usando Pandas e Scikit-Learn para aplicar as imputações recomendadas.

Atue como um Estatístico Aplicado. Estou examinando variáveis quantitativas, incluindo [COLUNAS_NUMERICAS] em um conjunto de dados que descreve [DESCRICAO_DO_CONJUNTO_DE_DADOS]. Preciso detectar e tratar valores extremos que possam distorcer a análise estatística ou modelos preditivos. Formate uma abordagem robusta de detecção de outliers comparando os métodos de Z-score, Intervalo Interquartil (IQR) e Isolation Forest adequados para [OBJETIVO_DE_NEGOCIO]. Apresente sua recomendação da seguinte forma: 1) Uma comparação teórica explicando quando usar cada método, 2) Recomendações de limite para sinalizar outliers e 3) Código Python usando Pandas e Scikit-Learn que sinaliza, visualiza e opcionalmente limita ou remove estes valores extremos.

Atue como um Engenheiro de Machine Learning. Preciso transformar recursos categóricos e numéricos brutos em um conjunto de dados sobre [DESCRICAO_DO_CONJUNTO_DE_DADOS]. A variável alvo é [VARIAVEL_ALVO], e os recursos preditivos incluem variáveis categóricas [COLUNAS_CATEGORICAS] e variáveis numéricas [COLUNAS_NUMERICAS]. Projete um pipeline de pré-processamento adaptado para [TIPO_DE_ALGORITMO_OU_ANALISE]. Entregue sua saída como: 1) Uma matriz de decisão de transformação de recursos explicando a lógica por trás de cada técnica de codificação e escalonamento, e 2) Código Python usando os módulos ColumnTransformer e Pipeline do Scikit-Learn para padronizar o pipeline.

Atue como um Analista de Dados Principal. Estou iniciando uma Análise Exploratória de Dados (EDA) em um conjunto de dados contendo [DESCRICAO_DO_CONJUNTO_DE_DADOS] com [NUMERO_DE_LINHAS] linhas e variáveis incluindo [VARIAVEIS_CHAVE]. Meu principal objetivo de negócios é entender [PERGUNTA_DE_NEGOCIO]. Forneça um plano de execução de EDA de ponta a ponta dividido em etapas de análise Univariada, Bivariada e Multivariada. Para cada fase, descreva as métricas estatísticas específicas a serem calculadas e os gráficos a serem plotados. Inclua um script Python completo usando Pandas, Seaborn e Matplotlib para gerar estes gráficos e imprimir resumos estatísticos descritivos.

Atue como um Pesquisador Quantitativo. Quero identificar quais variáveis independentes em [NOME_DAS_COLUNAS] têm a correlação ou influência mais forte sobre [METRICA_ALVO]. O conjunto de dados subjacente cobre [CONTEXTO_DO_CONJUNTO_DE_DADOS]. Delimite uma abordagem analítica para testar relações lineares e não lineares, abordando potenciais problemas de colinearidade entre as variáveis. Forneça: 1) Uma metodologia passo a passo explicando as métricas de Pearson, Spearman e Informação Mútua, e 2) Código Python que gera um mapa de calor de correlação anotado e calcula as pontuações de Importância de Recursos usando um modelo base de Random Forest.

Atue como um Bioestatístico Sênior e Analista de Dados. Preciso conduzir um teste de hipótese formal para determinar se [VARIAVEL_A] tem um efeito estatisticamente significativo sobre [VARIAVEL_B]. Os dados consistem em [TIPO_DE_DADOS_E_TAMANHO_DA_AMOSTRA]. Defina a Hipótese Nula (H0) e a Hipótese Alternativa (H1). Selecione o teste estatístico mais adequado (por exemplo, Teste T, ANOVA, Qui-Quadrado, Mann-Whitney U) com base nas características dos dados. Saída: 1) Etapas de verificação de pressupostos (normalidade, homocedasticidade), 2) Regras de interpretação para p-values e tamanho do efeito (d de Cohen ou V de Cramer) e 3) Código Python usando SciPy.Stats para realizar a análise.

Atue como um Cientista de Dados. Estou avaliando recursos contínuos [COLUNAS_CONTINUAS] em um conjunto de dados que representa [DESCRICAO_DO_CONJUNTO_DE_DADOS]. Suspeito de distribuições não normais e alta assimetria, o que pode comprometer a modelagem subsequente. Guie-me através da medição de assimetria, curtose e aplicação de transformações matemáticas (por exemplo, Log, Raiz Quadrada, Box-Cox, Yeo-Johnson). Apresente sua resposta em duas partes: 1) Um guia de decisão sobre a escolha do método de transformação correto para diferentes níveis de assimetria, e 2) Código Python utilizando Scikit-Learn e SciPy para testar, transformar e visualizar distribuições pré e pós-processamento.

Atue como um Especialista Sênior em SQL. Preciso escrever uma consulta SQL otimizada para [TIPO_DE_BANCO_DE_DADOS, por exemplo, PostgreSQL/BigQuery/Snowflake]. Meu banco de dados possui as tabelas [NOMES_E_ESQUEMAS_DAS_TABELAS]. O objetivo é calcular [METRICA_CHAVE_OU_KPI] agrupado por [DIMENSOES] durante o período [INTERVALO_DE_TEMPO]. A consulta deve filtrar por [CONDICOES_DE_FILTRO] e usar Expressões de Tabela Comuns (CTEs) para maior clareza. Forneça: 1) A consulta SQL otimizada com comentários claros explicando funções de janela ou junções, 2) Uma explicação das recomendações de índices para melhor desempenho e 3) O formato de saída de exemplo.

Atue como um Desenvolvedor Python Sênior especializado em Análise de Dados. Tenho um DataFrame `df` com as colunas [LISTA_DE_COLUNAS]. Preciso realizar manipulação complexa de dados: agregar [COLUNAS_DE_METRICAS] por [COLUNAS_DE_AGRUPAMENTO], pivotar a tabela em [COLUNA_DE_PIVOT] e calcular médias móveis em um período de [TAMANHO_DA_JANELA]. Forneça um trecho de código Pandas limpo, vetorizado e pronto para produção, sem usar loops explícitos. Inclua anotações em linha explicando como o tratamento de colunas de múltiplos índices e reindexação é gerenciado para visualização posterior.

Atue como um Especialista em Visualização de Dados. Quero construir um painel visual interativo usando [Plotly / Bokeh / Altair] em Python. O conjunto de dados contém [RESUMO_DO_CONJUNTO_DE_DADOS] com métricas principais [METRICAS] em várias dimensões [DIMENSOES]. Crie o código para um gráfico de múltiplos painéis que inclua dicas de ferramentas (tooltips) ao passar o mouse, paletas de cores personalizáveis adaptadas para apresentações executivas e rótulos de eixo dinâmicos adequados. Forneça o script Python executável completo juntamente com dicas de design para transmitir insights claros para partes interessadas não técnicas.

Atue como um Analista de Dados de Séries Temporais. Tenho um conjunto de dados de transações com carimbo de data/hora gravadas com frequência de [FREQUENCIA_ORIGINAL, por exemplo, segundos brutos], contendo as colunas [COLUNA_DE_TIMESTAMP, COLUNAS_DE_METRICAS]. Preciso reamostrar esses dados para [FREQUENCIA_DESTINO, por exemplo, diária/semanal], preencher as datas ausentes para frente (forward-fill) e calcular métricas como taxa de crescimento período a período e somas acumuladas. Forneça código Python eficiente usando indexação de data e hora do Pandas, juntamente com comandos de plotagem visual via Matplotlib para exibir os componentes de tendência.

Atue como um Analista de Dados de Machine Learning. Dado um conjunto de dados transacional com campos brutos [LISTA_DE_CAMPOS_BRUTOS], preciso criar novos recursos específicos do domínio para melhorar o desempenho do modelo na previsão de [RESULTADO_ALVO]. Sugira pelo menos 5 recursos criativos projetados (por exemplo, proporções de agregação, recursos temporais, métricas de recência). Apresente sua resposta como: 1) Explicações estratégicas do motivo pelo qual cada recurso é preditivo, e 2) Código Python modular que cria esses recursos com segurança, sem introduzir vazamento de dados (data leakage).

Atue como um VP de Análise de Negócios. Realizei uma análise sobre [TOPIC_OR_PROJECT] e coletei as seguintes métricas estatísticas: [KEY_FINDINGS_AND_NUMBERS]. Traduza esses insights analíticos brutos em um resumo executivo para [TARGET_AUDIENCE, por exemplo, CEO/CFO]. Estruture o relatório com: 1) Marcadores (bullet points) de alto nível em formato TL;DR, 2) Principais conclusões de negócios divididas por impacto funcional, 3) Riscos críticos ou métricas anômalas, e 4) Três recomendações estratégicas e priorizadas com base nos achados.

Atue como um Especialista em Análise de Retenção. Calculei as taxas de retenção de coorte mensal para cadastros de usuários ao longo de [TIME_PERIOD]. A saída do conjunto de dados mostra [RETENTION_DATA_SUMMARY_OR_TABLE]. Ajude-me a analisar essas métricas de coorte para avaliar os padrões de desengajamento dos usuários. Entregue: 1) Um resumo analítico explicando onde ocorrem os picos de abandono, 2) Identificação de coortes saudáveis versus coortes com baixo desempenho, 3) Uma hipótese estruturada para as causas da perda de retenção e 4) Uma estrutura clara para apresentar esses insights de retenção para as equipes de produto.

Atue como um Analista de Produto Líder. Observamos uma queda repentina de [PERCENTAGE_CHANGE]% em [KEY_METRIC] durante o período [DATE_RANGE] em nosso conjunto de dados cobrindo [BUSINESS_CONTEXT]. Ajude-me a construir uma estrutura de decomposição de causa raiz para isolar o problema nas dimensões [DIMENSIONS_LIKE_GEO_DEVICE_CHANNEL]. Saída: 1) Uma árvore de diagnóstico estruturada (estrutura MECE) para investigar potenciais impulsionadores, 2) Verificações específicas de SQL/Pandas do tipo fatia e cubo (slice-and-dice) para isolar o problema e 3) Um modelo para comunicar as descobertas às partes interessadas.

Atue como um Líder de Inteligência de Clientes. Executei uma análise de agrupamento K-Means nas métricas de comportamento do cliente [METRICS_USED] resultando em [NUMBER_OF_CLUSTERS] segmentos distintos. Os centroides do cluster e as métricas são [CLUSTER_SUMMARY_DATA]. Ajude-me a transformar esses clusters numéricos em personas de negócios acionáveis. Forneça: 1) Nomes descritivos e perfis narrativos para cada persona, 2) Principais diferenciais comportamentais e 3) Estratégias específicas de engajamento de negócios ou marketing para cada segmento.

Atue como um Analista Sênior de FP&A. Tenho um conjunto de dados de variância comparando o desempenho projetado versus o real em todas as métricas [METRIC_NAMES] para [BUSINESS_UNIT] durante [TIME_PERIOD]. Os valores reais foram [ACTUAL_VALUES] versus os valores alvo [TARGET_VALUES]. Analise essa variação de desempenho para entregar: 1) Uma divisão das variações favoráveis versus desfavoráveis, 2) Identificação dos principais direcionadores de receita ou custo por trás da variação e 3) Um relatório conciso em tópicos adaptado para a tomada de decisão da liderança.