使用 ChatGPT 分析数据

Source: OpenAI Blog

OpenAI Academy

探索、分析并将数据转化为清晰的洞见和行动。

ChatGPT 可以帮助你在几乎无需设置的情况下，从原始数据获得有用的洞见。你可以上传 CSV 或 Excel 文件、粘贴表格，或连接数据源（如果你的工作区支持），然后开始用自然语言提问。

无需为每个问题都构建公式、数据透视表或仪表盘，你可以快速探索数据、清理表格、生成简易可视化，并以易于共享的格式提取关键要点。

这在项目早期尤其有用——当你仍在弄清数据内容、识别异常并决定深入挖掘的方向时。它还能帮助将发现转化为他人可以审阅并付诸行动的摘要。

如何最大化 ChatGPT 在数据分析中的价值

• 从你想支持的决策开始。 一个简单的框架是：“我正在尝试决定 ___，基于 ___”。这告诉 ChatGPT “完成” 的样子，并让分析保持聚焦。
• 提供数据及任何关键上下文——定义、时间范围以及关键列的含义。你可以通过 文件上传，或使用 已连接的应用 提供数据。
• 请求一种方法，而不仅仅是答案。 例如，要求先给出探索性数据分析（EDA）摘要，然后给出待检验的假设。这比直接跳到结论能产生更结构化、可靠的结果。
• 如果需要可视化，请明确提出——指定要绘制的内容、分段方式以及任何必需的要素，如坐标轴标签或单位。
• 请求可复用的输出，例如干净的最终表格或简短的执行摘要，将发现转化为可行动项。

示例提示

1. 总结 Shopify 销售数据集的关键洞见

任务
分析这些数据并总结关键洞见。

上下文
使用我们 Shopify 店铺的样本数据集（最近 30 天）。

预期输出

• 结构化的关键洞见摘要，包括渠道和产品的突出表现。
• 识别表现不佳的领域（例如转化率低的渠道）。
• 4–6 条优先级观察。
• 5 条具体的后续分析或问题，以供进一步调查。

2. 审查并分析销售漏斗

任务
审查并分析我们的销售漏斗数据。

上下文
使用 [Campaign name] 来自 [connected analytics app] 的数据。

预期输出
生成明确分段的章节：

1. 漏斗中观察到的关键模式
2. 解释这些模式的假设（例如 onboarding 为主要驱动因素）
3. 推荐的实验或测试

洞见按业务影响力排序，重点关注转化瓶颈和杠杆点。

3. 使用工单数据识别流程低效

任务
利用数据识别流程中的问题或低效环节。

上下文
审阅附带的当前流程文档，以及支持团队的工单数据 CSV。

预期输出

• 按优先级列出的运营问题和瓶颈（如升级延迟、重复工单原因），每项均有数据支撑。
• 对每个问题重要性的清晰解释。
• 推荐的即时改进或调查方向，分为 快速获胜 与 深层修复 两类。

可信分析的技巧

• 提前定义“好”。 包括你关心的成功指标、时间范围以及想要比较的群体或细分。
• 要求透明度。 让 ChatGPT 展示其得出结论的过程，包括假设、公式以及对缺失数据或异常峰值的快速检查。
• 设定规则。 例如，告知它不要把相关性当作因果关系，标记任何数据限制，并突出看起来不对的地方。
• 验证结果。 在分享或决策前，抽查几组关键数字，确保所有数据相符。