ChatGPT Prompts för Dataanalys - Praktisk Guide för Dataanalytiker

Hjälp mig genomföra en systematisk explorativ dataanalys av [dataset/bransch]. Datasetet innehåller [beskrivning av variabler och storlek]. Strukturera analysen så här: 1. Datakvalitetsbedömning (missing values, outliers, inconsistencies) 2. Beskrivande statistik för alla numeriska variabler 3. Frekvensanalys för kategoriska variabler 4. Korrelationsanalys mellan nyckelvariabler 5. Distributionsanalys med visualiseringsförslag 6. Identifiering av mönster och anomalier 7. Segmentering av data baserat på affärskriterier 8. Prioriterade insights för vidare analys Fokusera på [specifika affärsfrågor]. Föreslå konkreta analysmetoder och Python/R-kod när relevant.

Analysera min kunddata för att skapa meningsfulla segment. Data inkluderar [lista viktiga variabler som demografi, beteende, transaktioner]. Genomför: 1. RFM-analys (Recency, Frequency, Monetary) för transaktionsdata 2. Demografisk segmentering med chi-square test 3. Beteendesegmentering baserat på användningsmönster 4. Cohort-analys för att förstå kundlivscykel 5. CLV (Customer Lifetime Value) beräkning per segment 6. Churn-risk identifiering med prediktiva indikatorer 7. Rekommendationer för personaliserade marknadsstrategier 8. A/B-test förslag för validering av segment Ge konkreta actionable insights för [affärsområde: retention/acquisition/upselling].

Designa en executive dashboard för [bransch/företagstyp] som visualiserar [specifika KPI:er]. Dashboarden ska: 1. Visa nyckeltal med tydliga trend-indikatorer 2. Inkludera interaktiva filter för tid, region, produktkategori 3. Använda lämpliga visualiseringstyper för olika datamätningar 4. Ha drill-down funktionalitet från översikt till detalj 5. Implementera automated alerts för kritiska värden 6. Inkludera benchmark-jämförelser mot branschstandard 7. Visa predictive trends med konfidensintervall 8. Ha mobile-responsiv design för ledningsteam Föreslå specifika chart-typer, color schemes och layout. Inkludera Power BI/Tableau implementation tips.

Hjälp mig skapa en övertygande data story för [specifik affärsutmaning]. Analysen visar [sammanfatta huvudfynd]. Strukturera presentationen: 1. Kraftfull opening med det viktigaste fyndet 2. Kontextualisering av problemet med branschdata 3. Metodologi och trovärdighet av analysen 4. Progressiv revelation av insights med visualiseringar 5. Kvantifiering av business impact och möjligheter 6. Jämförelser med konkurrenter eller benchmarks 7. Risker och begränsningar av analysen 8. Konkreta rekommendationer med tidsplan och resurser Anpassa språket för [målgrupp: styrelse/ledning/operational teams]. Föreslå persuasiva visualiseringar och narrativ.

Analysera resultaten från mitt A/B-test där [beskriv test setup och mål]. Data visar [sammanfatta resultat]. Genomför: 1. Power analysis för att validera sample size 2. Statistisk signifikanstest (t-test, chi-square, etc.) 3. Effect size beräkning och praktisk signifikans 4. Konfidensintervall för skillnader mellan grupper 5. Multiple testing correction (Bonferroni, FDR) 6. Segmentanalys för olika användargrupper 7. Outlier detection och robustness testing 8. Business impact quantification med ROI-beräkning Inkludera assumptions validation och rekommendationer för implementation. Föreslå uppföljande tester om relevanta.

Hjälp mig bygga en regressionsmodell för att förstå [beroende variabel] baserat på [lista oberoende variabler]. Syftet är [specifikt affärsmål]. Genomför: 1. Feature selection med correlation matrix och VIF-analys 2. Model specification med lämplig regressionstyp 3. Assumptions testing (linearitet, normalitet, homoscedasticitet) 4. Multicollinearity detection och behandling 5. Outlier och influential points analys 6. Model validation med cross-validation 7. Feature importance ranking och interpretation 8. Prediction intervals och model uncertainty Förklara resultaten i affärstermer och ge konkreta rekommendationer. Inkludera Python/R kod för implementation.

Utveckla en machine learning-modell för att predicera customer churn. Dataset innehåller [beskriv features och målvariabel]. Bygga modellen steg-för-steg: 1. Feature engineering baserat på domänkunskap 2. Data preprocessing (scaling, encoding, handling missing values) 3. Train/validation/test split med temporal considerations 4. Model selection (Logistic Regression, Random Forest, XGBoost, Neural Networks) 5. Hyperparameter tuning med grid search eller Bayesian optimization 6. Model evaluation med precision, recall, F1, AUC-ROC 7. Feature importance analysis och model interpretability 8. Threshold optimization för business metrics 9. Model deployment considerations och monitoring Fokusera på actionable predictions för [retention strategy]. Inkludera cost-benefit analys av interventioner.

Skapa ett demand forecasting system för [produktkategori/tjänst]. Historisk data visar [beskriv trender och säsongsvariation]. Utveckla: 1. Time series analysis med trend och säsongsmönster 2. Feature engineering med lag variables och external factors 3. Model comparison (ARIMA, Prophet, LSTM, ensemble methods) 4. Cross-validation för time series med walk-forward validation 5. Uncertainty quantification med prediction intervals 6. Scenario analysis för olika business conditions 7. Model monitoring och automated retraining pipeline 8. Integration med inventory management system 9. Alert system för outliers och model drift Optimera för [affärsmål: cost minimization/service level/revenue optimization]. Inkludera implementation roadmap.

Genomför en systematisk datakvalitetsbedömning av [dataset/system]. Analysera: 1. Completeness: Missing value patterns och impact assessment 2. Accuracy: Data validation mot källsystem och business rules 3. Consistency: Cross-field validation och referential integrity 4. Timeliness: Data freshness och update frequency analysis 5. Validity: Format validation och range checking 6. Uniqueness: Duplicate detection och entity resolution 7. Outlier detection med statistical och business rule approaches 8. Data lineage och transformation impact assessment Skapa ett automatiserat quality monitoring system och föreslå data governance policies. Prioritera issues baserat på business impact.

Hantera missing data i mitt dataset där [beskriv missing patterns och affärskontext]. Utveckla en robust imputationsstrategi: 1. Missing data mechanism analysis (MCAR, MAR, MNAR) 2. Pattern analysis av missing values över variabler och tid 3. Business impact assessment av olika hanteringsstrategier 4. Imputation method selection (mean/median, KNN, regression, ML-based) 5. Multiple imputation för uncertainty quantification 6. Validation av imputation quality med holdout data 7. Sensitivity analysis för downstream model performance 8. Documentation av assumptions och limitations Fokusera på [specifikt analysmål]. Föreslå Python/R implementation med robust error handling.

Genomför market basket analysis på transaktionsdata för att optimera [cross-selling/product placement/promotions]. Data innehåller [beskriv transaktionsstruktur]. Analysera: 1. Frequent itemset mining med olika support thresholds 2. Association rules med lift, confidence och conviction metrics 3. Sequential pattern mining för purchase journey analysis 4. Customer segment-specific basket analysis 5. Temporal patterns och säsongsvariation 6. Product category affinity mapping 7. Recommendation engine development och testing 8. ROI-projektion för cross-selling campaigns Ge konkreta rekommendationer för [produktplacering/bundling/targeted campaigns]. Inkludera implementation plan.

Analysera pricing data för att optimera [produktportfolio/tjänstepriser]. Dataset inkluderar [priser, volym, konkurrentdata, kostnad]. Genomför: 1. Price elasticity analysis per produktkategori och kundsegment 2. Competitive pricing analysis med market positioning 3. Demand curve estimation med different price points 4. Cannibalization effects mellan produkter 5. Customer sensitivity analysis med conjoint eller survey data 6. Dynamic pricing model development 7. Revenue optimization med constraint-based modeling 8. Scenario analysis för olika pricing strategies 9. A/B testing framework för price experiments Optimera för [revenue maximization/market share/profit margin]. Inkludera risk assessment och implementation timeline.