قالب‌های آمادهٔ پرامپت تحلیل داده؛ از جدول خام تا تصمیم

آمار را به مدل می‌ریزید و «تحلیل» می‌گیرید؛ اما خروجی، توصیف ناقص است نه تحلیل. پرامپت تحلیل داده درست، سه چیز را مشخص می‌کند: سؤالِ تصمیمی، سقفِ «فقط از داده»، و قالب خروجی. بدون این سه، مدل هم تفسیر اضافه می‌کند و هم چیزی از قلم می‌اندازد.

از توصیف به تحلیل: سؤال تصمیمی

قبل از پرامپت، یک جمله بنویسید: «این تحلیل برای تصمیم X است.» مثلاً «آیا کمپین اینستاگرام را ادامه بدهم؟» حالا مدل می‌داند باید به سمت «ادامه/توقف/تغییر» برود، نه شمارش آمار. برای مبانی کار با داده در مدل‌ها، پرامپت‌نویسی برای تحلیل داده را از دست ندهید — این مقاله، مکمل قالب‌محورِ آن است.

قالب ۱ — یافتن الگو در دادهٔ فروش

وظیفه: دادهٔ فروش ۳ ماه اخیر زیر را تحلیل کن.
سؤال تصمیمی: کدام دو محصول را در ماه آینده بیشتر ترویج کنیم؟

قواعد:
۱) فقط از دادهٔ موجود؛ هر عدد بیرونی ممنوع
۲) اول سه الگوی مهم را در سه گره فهرست کن (با ذکر ردیف/بازه)
۳) بعد، برای سؤال تصمیمی پاسخ بده با دلیل داده‌ای
۴) در پایان بگو کدام داده‌های بیشتر برای تصمیم بهتر لازم است

قالب: الگوها فهرست؛ پاسخ نهایی حداکثر ۵ جمله.
داده:
[جدول یا متن داده]

قالب ۲ — مقایسهٔ دو دوره با بازبینی خودی

وظیفه: دورهٔ A و B را در دادهٔ زیر مقایسه کن.
خروجی: جدول با ستون‌های شاخص | دوره A | دوره B | تغییر٪
قواعد: تغییر٪ را از خود داده حساب کن و مرحلهٔ محاسبه را نشان بده؛
بعد از جدول، دو خط بنویس: بزرگ‌ترین بهبود و بزرگ‌ترین افت،
با جملهٔ «چه چیزی هنوز از این داده معلوم نیست» تمام کن.

داده: [دادهٔ شما]

جدول خطاهای رایج در پرامپت تحلیل داده

برای خروجی جدولی و JSON

تحلیل‌هایی که قرار است به گزارش ماهانه بروند، قالب ثابت بخواهند؛ آموزش کامل در خروجی JSON از هوش مصنوعی آمده است. برای استخراج دادهٔ خام از متن‌های غیرساختاریافته (پیام مشتری، فرم)، پرامپت استخراج داده را ببینید.

مرز مدل در عدد

مدل در محاسبات چندمرحله‌ای گاهی خطا می‌کند؛ محاسبات مهم را با جملهٔ «مرحله‌به‌مرحله نشان بده» باز کنید و نتیجه را با ابزار دیگری چک کنید — دربارهٔ ریشهٔ خطاها، هذیان مدل و برای الگوی استدلالی، زنجیرهٔ فکر را بخوانید.

جمع‌بندی

فرمول تحلیل مفید: سؤال تصمیمی + قاعدهٔ فقط-از-داده + قالب خروجی. با همین سه خط اضافه در پرامپت، خروجی‌های تحلیلی‌تان از «گزارش خشک» به «پایهٔ تصمیم» تبدیل می‌شود.

مثال عملی: قالب ۱ روی دادهٔ فروش کوچک

داده: چهار هفتهٔ فروش یک کتاب‌فروشی آنلاین — هفتهٔ اول ۳۲ سفارش، دوم ۲۸، سوم ۴۱ (هم‌زمان با کمپین اینستاگرام)، چهارم ۲۹؛ سهم کتاب کودک در هفتهٔ سوم از ۲۰ به ۳۸ درصد جهش کرده است. خروجی درست قالب ۱: سه الگو با ارجاع به داده — «افت هفتهٔ دوم بدون رویداد»، «جهش هم‌زمان کمپین و کتاب کودک»، «بازگشت به سطح قبلی بعد از کمپین»؛ سپس پاسخ به سؤال تصمیمی (کدام دو محصول را ترویج کنیم؟): «کتاب کودک با ادامهٔ کمپین، و اندازه‌گیری هفتهٔ بعد؛ زیرا جهش فقط در هم‌جواری کمپین دیده شده». و در پایان، درخواست داده: «تفکیک سفارش با و بدون کمپین برای قطعی‌شدن». به سه ویژگی این خروجی دقت کنید: هیچ عددی که در داده نبود ساخته نشده، پاسخ تصمیمی با شرط اطمینان همراه شده، و مدل خودش گفته چه داده‌ای پاسخ را قوی‌تر می‌کند. اگر خروجی مدل به جای الگو فقط میانگین و درصد کلی داد، پرامپت را با یک جمله تقویت کنید: «اول توزیع هفته‌به‌هفته را بگو، بعد فقط دربارهٔ موارد غیرمنتظره اظهارنظر کن» — این جمله مدل را از حالت «گزارش‌نویس» به «الگو‌یاب» می‌برد. همین تمرین را با دادهٔ واقعی خودتان تکرار کنید و خروجی را برای یک همکار بفرستید؛ اگر همکار با یک نگاه نفهمد «خب حالا چه کنیم»، پرامپت هنوز سؤال تصمیمی کافی ندارد.

پرسش‌های پرتکرار

داده را به چه شکلی بدهم؟

جدول مارک‌داون یا CSV؛ ستون‌ها را با یک خط توضیح تعریف کنید. اکسل خام را به CSV تبدیل کنید.

مدل می‌تواند نمودار بدهد؟

می‌تواند کد نمودار تولید کند؛ برای گزارش رسمی، خروجی را در ابزار نمودار اجرا کنید.

برای دادهٔ بزرگ چطور؟

خلاصهٔ دوره‌ای بسازید و بخش‌بخش بدهید؛ الگوی زنجیرهٔ پرامپت.

مدل می‌تواند آزمون آماری انجام بدهد؟

می‌تواند روش و تفسیر بدهد، اما محاسبهٔ دقیق آزمون‌ها را با ابزار تخصصی یا کد چک کنید. برای تصمیم‌های کاری، الگو و جهت معمولاً کافی است؛ برای ادعای آماری جدی، محاسبهٔ مستقل الزامی است.