پرامپت‌نویسی برای تحلیل داده؛ از جدول خام تا بینش قابل اقدام

داده‌ای روی میز دارید — فروش سه‌ماهه، نتایج نظرسنجی یا گزارش ترافیک سایت — و می‌خواهید سریع بفهمید «خب، پس چه باید بکنم؟». مسیر سنتی یعنی اکسل، فرمول‌ها و چند ساعت کار. مسیر تازه یعنی گفت‌وگو با مدل‌های زبانی: داده را نشان می‌دهید، سؤال هوشمندانه می‌پرسید و تحلیل ساخت‌یافته می‌گیرید. اما همان‌جا که پرامپت ضعیف است، خروجی هم سطحی و گاه گمراه‌کننده است.

در این مطلب مهارت‌های مخصوص پرامپت‌نویسی برای تحلیل داده را می‌چینیم: از آماده‌سازی داده تا اعتبارسنجی عددی خروجی. پیش‌نیاز، آشنایی با فرمول حرفه‌ای پرامپت‌نویسی است؛ آنجا نقش، زمینه، وظیفه و قالب را آموخته‌اید.

گام صفر: دادهٔ تمیز، نصفِ تحلیل

مدل زبانی با دادهٔ شلوغ و ناهمگون مثل آشپز با آشپزخانهٔ به‌هم‌ریخته است. قبل از پرامپت، سه کار کنید:

• سرصفحه‌های روشن: نام ستون‌ها را کوتاه و بی‌ابهام کنید؛ «درآمد کل» به‌جای «جمع نهایی بدون کسر مرجوعی».
• واحدها را صریح کنید: واحد پول، مقیاس (هزار یا میلیون) و بازهٔ زمانی را در متن داده بنویسید.
• مقادیر گمشده را علامت بزنید: جای خالی را با «ناموجود» مشخص کنید نه با صفر؛ صفر یعنی عدد واقعی و تحلیل را می‌کاهد.

برای داده‌های فایل‌محور، تحلیل فایل PDF با ChatGPT و گرفتن خروجی جدول و اکسل گردش‌کار آماده می‌دهند.

پرامپت تحلیل با چهار لایه

یک پرامپت تحلیلی قوی چهار لایه دارد؛ هر لایه دقت خروجی را چند برابر می‌کند:

• نقش: «تو تحلیلگر داده با تخصص فروش خرده‌فروشی هستی.»
• زمینه: کسب‌وکار چیست، داده از کجا آمده و هر ستون یعنی چه.
• وظیفهٔ دقیق: «روند ماهانهٔ درآمد و سه الگوی غیرمنتظره را پیدا کن» نه «این داده را تحلیل کن».
• قالب خروجی: فهرست یافته‌ها + جدول خلاصه + سه پیشنهاد قابل اجرا؛ قالب، جواب را از پرگویی به گزارش تبدیل می‌کند.

تکنیک‌های استخراج بینش

سه تکنیک که تحلیل سطحی را به بینش واقعی می‌رسانند:

• خلاصه‌سازی سپس حفاری: اول خلاصهٔ کلی بخواهید؛ بعد روی غیرمنتظره‌ترین یافته بپرسید «چرا؟ چه متغیری این را توضیح می‌دهد؟»
• مقایسهٔ گروه‌ها: به‌جای میانگین کلی، تقسیم‌بندی بخواهید؛ «میانگین سبد خرید مشتریان تکراری در برابر جدید چقدر فرق دارد؟»
• آزمون فرضیه: حدس خودتان را بگویید و بخواهید داده آن را تأیید یا رد کند؛ «به‌نظر من فروش آخر هفته افت دارد؛ داده چه می‌گوید؟»

نگه‌داشتن درست‌کاریِ عددی

مدل‌های زبانی گاهی با اعتمادبه‌نفس کامل، عدد اشتباه می‌دهند. سه سپر ایمنی:

• محاسبات را مرحله‌به‌مرحله بخواهید: «ابتدا جمع هر ماه را حساب کن، بعد درصد تغییر را»؛ استدلال نمایش‌داده‌شده را می‌توانید چک کنید.
• عددهای کلیدی را دوباره بپرسید: «جمع ستون درآمد را یک‌بار مستقل حساب کن» — اختلاف دو پاسخ، زنگ خطر است.
• برون‌بری نکنید: اگر داده فقط سه ماه است، پیش‌بینی سالانه نخواهید؛ مدل دادهٔ کافی را هم جعل می‌کند.

از تحلیل تا تصمیم

آخرین بخش پرامپت را همیشه این بگذارید: «در پایان، سه اقدام مشخصِ این هفته با برآورد اثر هرکدام بده.» تحلیلی که به اقدام ختم نشود، تمرین زیباست نه ابزار کار. برای عمق بخشیدن به مهارت کلی‌تان، تکنیک‌های پیشرفتهٔ پرامپت‌نویسی و همهٔ راهنماهای بخش پرامپت‌نویسی در کنار شماست.

مثال عملی: از جدول ساده تا تصمیم

فرض کنید فروش سه‌ماههٔ یک فروشگاه اینترنتی این باشد: فروردین ۱۴۰ سفارش، اردیبهشت ۱۶۵ سفارش، خرداد ۱۳۸ سفارش؛ سهم ارسال رایگان در خرداد از ۲۰ به ۳۵ درصد رسیده و میانگین سبد خرید تقریباً ثابت مانده است. پرامپت درست این داده را با سؤال تصمیمی روشن می‌فرستد: «این دادهٔ فروش سه ماه است؛ سؤال من: آیا ارسال رایگان را ادامه بدهم؟ اول سه الگو فهرست کن، بعد با دلیل داده‌ای پاسخ بده و در پایان بگو چه دادهٔ بیشتری لازم داری». خروجی قابل‌اتکا معمولاً این ساختار را دارد: الگوی اول، افت تعداد سفارش در خرداد همراه با جهش ارسال رایگان؛ الگوی دوم، ثبات سبد خرید که یعنی مشتری‌های موجود خرید کمتری نکرده‌اند؛ سپس فرضیهٔ محتمل — ارسال رایگان سقف خرید را پایین آورده — و در پایان، درخواست داده: «سفارش‌های با و بدون ارسال رایگان، جدا». دقت کنید پاسخ نهایی «ادامه بده یا نکن» نیست؛ مدل داده را به سؤال درست هدایت می‌کند و تصمیمِ با دادهٔ بیشتر با شماست. این همان مرز میان تحلیل قابل‌اجرا و گزارش زیباست.

سؤالات پرتکرار

آیا می‌توانم داده‌های محرمانه شرکت را بدهم؟

فقط در ابزارهای سطح سازمانی با توافق‌نامهٔ عدم افشا؛ در ابزارهای عمومی رایگان، داده می‌تواند در بهبود مدل استفاده شود. پیش از ارسال، ستون‌های هویتی را حذف یا مات کنید و فقط دادهٔ تجمیعی بفرستید.

برای داده‌های بزرگ چند صد هزار ردیف چطور؟

مدل‌های زبانی جای پایگاه‌داده نیستند؛ دادهٔ بزرگ را اول تجمیع کنید (خلاصهٔ ماهانه، میانگین گروه‌ها) و بعد خلاصه را برای تفسیر بدهید. استخراج الگو از دادهٔ خام انبوه، کار ابزارهای تحلیلی است نه پرامپت.

خروجی عددی مدل را چقدر می‌توان باور کرد؟

الگوها و جهت‌ها را معمولاً خوب می‌گیرد؛ عددهای دقیق و درصدهای حساس را همیشه با یک محاسبهٔ مستقل (اکسل یا اسکریپت ساده) کنترل کنید. قاعدهٔ سرانگشتی: هر عددی که قرار است در گزارش مدیرعامل بنشیند، باید دوباره حساب شود.

پرامپت تحلیل را یک‌بار بنویسم و همیشه استفاده کنم؟

بله؛ برای گزارش‌های تکراری (فروش هفتگی، بازبینی ماهانه) نسخهٔ ثابت بسازید که فقط دادهٔ ورودی‌اش عوض می‌شود. تاریخ نسخه را هم ثبت کنید تا بعد از تغییر مدل بدانید کدام نتیجه به کدام نسخهٔ پرامپت تعلق دارد.