डेटा के काम में मॉडल दो तरीकों से सच में उपयोगी है: ऐसा कोड लिखना जिसे आप चलाकर जाँचें, और आपके किए हुए विश्लेषण पर सवाल उठाना। सबसे कम भरोसेमंद काम वही है जिस पर लोग अक्सर सबसे अधिक भरोसा करते हैं—किसी नतीजे का अर्थ बताना।

नीचे दिए 20 प्रॉम्प्ट छह चरणों को कवर करते हैं, कच्चे डेटा की जाँच से लेकर अंतिम विश्लेषण की आलोचना तक। हर एक का उपयोग समझाया गया है और सबमें अस्पष्ट विवरण के बदले असली डेटा या उसकी संरचना देने की ज़रूरत है।

ये ChatGPT और मिलते-जुलते मॉडल में चलते हैं। अगर डेटा से हल होने वाली समस्या अभी स्पष्ट नहीं है, तो पहले AI डेटा विश्लेषण प्रॉम्प्ट देखें; सामान्य प्रॉम्प्ट तकनीक के लिए ChatGPT प्रॉम्प्ट गाइड पढ़ें।

chat smith pro

ChatGPT डेटा विश्लेषण प्रॉम्प्ट का भरोसेमंद उपयोग कैसे करें

  • जो डेटा नहीं दिया, वह इसे दिखाई नहीं देता। नमूना या स्कीमा दें, वरना यह काल्पनिक डेटा का विश्लेषण करेगा।
  • बनाए गए कोड को चलाकर जाँचें। हर बदलाव से पहले और बाद में पंक्तियों की संख्या देखें।
  • कितनी जाँचें कीं, यह नहीं जानता। तुलनाओं की संख्या बताएँ; एक अकेला p-value बहुत कम बताता है।
  • सहसंबंध कारण नहीं होता। प्रॉम्प्ट 6 बदलते समय इसका सरल भाषा वाला निर्देश रखें।
  • पेश करने से पहले समीक्षा करें। प्रॉम्प्ट 20 तब चलाएँ जब सुधार करने का समय हो।

चरण 1: डेटा समझना और साफ़ करना

ये चार प्रॉम्प्ट तय करते हैं कि आगे का विश्लेषण अर्थपूर्ण होगा या नहीं। विवरण की जगह असली नमूना दें। GPT-5.6 Sol लंबे और कई चरणों वाले सफ़ाई कोड में उपयोगी है।

प्रॉम्प्ट 1: डेटा की पहली जाँच

मेरे डेटा में ये कॉलम और नमूना पंक्तियाँ हैं: [नमूना चिपकाएँ]। वरिष्ठ डेटा विश्लेषक की तरह जाँचकर बताइए: (1) हर कॉलम का संभावित अर्थ, (2) किसमें खाली मान, असंगतियाँ या संभावित त्रुटियाँ हैं, (3) डेटा किन सवालों का भरोसेमंद जवाब दे सकता है और किनका नहीं, (4) विश्लेषण से पहले क्या साफ़ करना चाहिए।

प्रॉम्प्ट 2: डेटा सफ़ाई का कोड

इस डेटा को साफ़ करने के लिए Python pandas कोड लिखें: [नमूना या संरचना दें]। (1) [कॉलम] के खाली मान [हटाना/मध्यिका/बहुलक/पिछला मान भरना] से संभालें, (2) [कॉलम] के [ज्ञात असंगत मान] एक जैसे करें, (3) [कॉलम] का प्रकार बदलें, (4) [मुख्य कॉलम] पर दोहराई पंक्तियाँ हटाएँ। हर चरण पर टिप्पणी करें।

प्रॉम्प्ट 3: असामान्य मान पहचानना

मेरे संख्यात्मक कॉलम [सूची] हैं। Python कोड लिखें जो (1) IQR और Z-score दोनों से असामान्य मान खोजे, (2) हर कॉलम में दोनों तरीकों से मिली संख्या बताए, (3) दोनों के अंतर और उपयोग समझाए। डेटा में [संख्या] पंक्तियाँ हैं और यह [विवरण] दर्शाता है।

प्रॉम्प्ट 4: नई विशेषताएँ बनाना

मैं [ग्राहक लेनदेन/वेबसाइट सत्र/कर्मचारी रिकॉर्ड] का विश्लेषण कर रहा हूँ। कॉलम [सूची] हैं। [ग्राहक छूटना/मौसमी रुझान/वर्गीकरण] जैसे लक्ष्य के लिए मौजूदा कॉलम से 5–8 नई विशेषताएँ सुझाएँ। हर विशेषता का अर्थ और उसे बनाने का pandas कोड दें।

चरण 2: खोजपरक डेटा विश्लेषण

डेटा में क्या है, यह जानने के चार प्रॉम्प्ट। हर एक को कारोबारी सवाल से जोड़ें, वरना खोज से आउटपुट तो मिलेगा, जवाब नहीं। गंभीर सांख्यिकी और अध्ययन डिज़ाइन के लिए मात्रात्मक डेटा विश्लेषण वाले ChatGPT प्रॉम्प्ट देखें।

प्रॉम्प्ट 5: खोजपरक विश्लेषण की योजना

मैं [विषय] का खोजपरक विश्लेषण शुरू कर रहा हूँ। कारोबारी सवाल [प्रश्न] और कॉलम तथा प्रकार [सूची] हैं। ऐसी योजना दें जिसमें (1) महत्वपूर्ण कॉलम का एकल विश्लेषण, (2) सवाल से जुड़ा द्विचर विश्लेषण, (3) चार्ट और कारण, (4) परीक्षण योग्य परिकल्पनाएँ हों। फिर Python कोड लिखें।

प्रॉम्प्ट 6: सहसंबंध विश्लेषण

संख्यात्मक कॉलम [सूची] और लक्ष्य [कॉलम] है। Python कोड लिखें जो (1) सहसंबंध मैट्रिक्स निकाले, (2) लक्ष्य से सबसे जुड़े पाँच फ़ीचर खोजे, (3) seaborn heatmap बनाए, (4) सरल भाषा में मानों का अर्थ और मज़बूत सहसंबंध से कारण-कार्य के बारे में क्या पता चलता है और क्या नहीं, समझाए।

प्रॉम्प्ट 7: सेगमेंट और समूह

मैं देखना चाहता हूँ कि [राजस्व/जुड़ाव/ग्राहक छोड़ने की दर] समूहों में कैसे बदलता है। वर्गीकरण कॉलम [सूची] हैं। Python कोड लिखें जो (1) हर समूह कॉलम, (2) महत्वपूर्ण दो कॉलम के जोड़ से मेट्रिक निकाले, (3) औसत से उल्लेखनीय ऊपर-नीचे वाले समूह चिन्हित करे, (4) स्पष्ट नतीजों की तालिका बनाए।

प्रॉम्प्ट 8: समय श्रृंखला की खोज

दिनांक कॉलम [नाम] और मेट्रिक कॉलम [नाम] वाला समय श्रृंखला डेटा [अवधि] के लिए है, मेट्रिक का अर्थ [विवरण] है। Python कोड से (1) दैनिक/साप्ताहिक/मासिक resample करें, (2) हर रुझान दिखाएँ, (3) 7 और 30 दिन के चल औसत बनाएँ, (4) पाँच प्रमुख शिखर और गिरावट चिन्हित करें, (5) पैटर्न और संभावित कारण समझाएँ।

शुरू करने से पहले कारोबारी सवाल लिखें और उसे सामने रखें। अगर डेटा संख्या के बजाय इंटरव्यू या खुले जवाब हैं, तो गुणात्मक डेटा विश्लेषण वाले ChatGPT प्रॉम्प्ट बेहतर हैं।

चरण 3: SQL क्वेरी बनाना

SQL के तीन प्रॉम्प्ट। यहाँ मॉडल का कोड चलाकर जाँचा जा सकता है। SQL बोली हमेशा बताएँ, और कोड के लिए Claude Sonnet 4.6 या DeepSeek V4 Pro जैसे मॉडल पर विचार करें।

प्रॉम्प्ट 9: जटिल समेकन क्वेरी

SQL डेटाबेस स्कीमा [टेबल और प्रमुख कॉलम लिखें या CREATE TABLE चिपकाएँ] है। [जैसे उत्पाद श्रेणी के अनुसार मासिक राजस्व, महीने-दर-महीने वृद्धि और तीन महीने का चल औसत] निकालने की क्वेरी लिखें। [PostgreSQL/BigQuery/MySQL/Snowflake] इस्तेमाल करें, हर भाग समझाएँ और स्कीमा संबंधी धारणाएँ बताएँ।

प्रॉम्प्ट 10: कोहोर्ट विश्लेषण क्वेरी

मेरी टेबल [स्कीमा] से SQL कोहोर्ट विश्लेषण क्वेरी लिखें। (1) पहली [खरीद/साइन अप] के महीने पर उपयोगकर्ता समूह बनाएँ, (2) महीने 1, 2, 3, 6, 12 में लौटने का प्रतिशत निकालें, (3) स्प्रेडशीट में निर्यात होने वाला रिटेंशन ग्रिड दें। [SQL बोली] इस्तेमाल कर तरीका और नतीजों में ध्यान देने की बातें समझाएँ।

प्रॉम्प्ट 11: क्वेरी तेज़ करना

यह SQL क्वेरी धीमी है: [क्वेरी चिपकाएँ]। डेटाबेस [SQL बोली] है और टेबल में लगभग [पंक्तियों की संख्या] हैं। (1) संभावित प्रदर्शन समस्या, (2) अधिक कुशल क्वेरी, (3) उपयोगी इंडेक्स, (4) बदलाव से गति क्यों बढ़ेगी, समझाएँ।

चरण 4: सांख्यिकीय विश्लेषण और व्याख्या

ये तीन प्रॉम्प्ट सबसे सावधानी से उपयोग करें। मॉडल अर्थहीन सांख्यिकीय नतीजे को भी धाराप्रवाह समझा सकता है। अर्थ पूछने से पहले तुलनाओं की संख्या और परीक्षण की रचना बताएँ। Claude Sonnet 5 अक्सर सीमाएँ बताता है और AI गणित कैलकुलेटर सूत्र जाँचने में मदद करता है।

प्रॉम्प्ट 12: परिकल्पना परीक्षण

मैं [जैसे छूट पाने वालों का औसत ऑर्डर मूल्य ज़्यादा है] की जाँच चाहता हूँ। संबंधित कॉलम और नमूना आकार [विवरण] हैं। उचित सांख्यिकीय परीक्षण चुनकर कारण बताएँ, Python कोड लिखें और परिणाम सरल भाषा में समझाएँ, जिसमें कारोबारी निर्णय के लिए p-value का अर्थ भी हो।

प्रॉम्प्ट 13: A/B टेस्ट का विश्लेषण

मैंने A/B टेस्ट किया: कंट्रोल समूह [n], प्रयोग समूह [n], उनकी कन्वर्ज़न दर [%] और [%], अवधि [दिन]। (1) सांख्यिकीय महत्व और विश्वास स्तर, (2) प्रभाव का कारोबारी महत्व, (3) डिज़ाइन की ऐसी कमियाँ जो नतीजे को अमान्य करें, (4) अगला कदम बताइए।

प्रॉम्प्ट 14: रिग्रेशन विश्लेषण

मैं [लक्ष्य चर] को प्रभावित करने वाले कारण समझना चाहता हूँ। फ़ीचर [कॉलम सूची] हैं। Python कोड से (1) लक्ष्य को आश्रित और फ़ीचर को स्वतंत्र मानकर रैखिक रिग्रेशन, (2) रैखिकता, समान विचरण, अवशेषों की सामान्यता और बहुसहसंबद्धता की जाँच, (3) गुणांकों की सरल व्याख्या, (4) सबसे उपयोगी और हटाने योग्य फ़ीचर पहचानें।

सिर्फ़ नतीजा नहीं, प्रक्रिया बताएँ: क्या परीक्षण जल्दी रोका, कितने मेट्रिक देखे और डेटा प्रयोग से आया था या नहीं। संबंधित सांख्यिकी के लिए मात्रात्मक डेटा विश्लेषण वाले ChatGPT प्रॉम्प्ट देखें।

चरण 5: विज़ुअलाइज़ेशन और रिपोर्टिंग

ये तीन प्रॉम्प्ट नतीजे समझाने के लिए हैं। पाठक कौन है, इससे आउटपुट बहुत बदलता है। AI सारांश टूल लंबे नोट पहले छोटा कर सकता है।

प्रॉम्प्ट 15: चार्ट चुनना और कोड

मैं [उत्पाद के अनुसार ग्राहकों की आयु का वितरण/साप्ताहिक राजस्व का रुझान/मार्केटिंग खर्च और कन्वर्ज़न का संबंध] दिखाना चाहता हूँ। संबंधित कॉलम [सूची] हैं। हर उद्देश्य के लिए सही चार्ट और कारण सुझाएँ, फिर matplotlib और seaborn का Python कोड दें, शीर्षक, अक्षों के लेबल और कारोबारी प्रस्तुति के रंग सहित।

प्रॉम्प्ट 16: डैशबोर्ड की योजना

मैं [सेल्स नेतृत्व/मार्केटिंग टीम/बोर्ड] के लिए डैशबोर्ड बना रहा हूँ। मुख्य प्रश्न [प्रश्न] और डेटा/मेट्रिक [विवरण] हैं। (1) शीर्ष पर 3–5 मुख्य KPI, (2) सहायक चार्ट और विभाजन, (3) ज़रूरी फ़िल्टर, (4) लेआउट और दृश्य प्राथमिकता डिज़ाइन करें। हर तत्व क्यों है, बताएँ।

प्रॉम्प्ट 17: नतीजों की कहानी

मैंने [विषय] का विश्लेषण किया और [नतीजे/सार आँकड़े] पाए। [CFO/प्रोडक्ट टीम/बोर्ड] के लिए 300 शब्दों के भीतर कार्यकारी सार लिखें: (1) सबसे अहम निष्कर्ष पहले, (2) उसका कारोबारी अर्थ सरल भाषा में, (3) 2–3 सहायक नतीजे, (4) मुख्य अनिश्चितता या सीमा, (5) साफ़ सुझाव।

हर सारांश में प्रॉम्प्ट 17 का चौथा बिंदु रखें; मुख्य सीमा बताए बिना नतीजा आगे उसी तरह उद्धृत होगा। खोज डेटा की रिपोर्ट के लिए SEO वाले ChatGPT प्रॉम्प्ट देखें।

चरण 6: उन्नत और विशेषज्ञ विश्लेषण

आख़िरी तीन में प्रॉम्प्ट 20 ख़ास है क्योंकि यह आपके अपने निष्कर्ष पर सवाल उठाता है। कारोबारी रिपोर्ट और अन्य विचारों के लिए AI डेटा विश्लेषण प्रॉम्प्ट देखें।

प्रॉम्प्ट 18: ग्राहक सेगमेंटेशन

मैं ग्राहकों को व्यवहार से बाँटना चाहता हूँ। ग्राहक स्तर के फ़ीचर [कुल खर्च, खरीद आवृत्ति, पिछली खरीद से दिन, खरीदी गई श्रेणियाँ] हैं। Python कोड से (1) फ़ीचर सामान्यीकृत करें, (2) K-means से 3–6 समूह बनाएँ, (3) elbow method से सही संख्या चुनें, (4) हर समूह की अलग पहचान बताएँ, (5) नाम और कारोबारी कार्रवाई सुझाएँ।

प्रॉम्प्ट 19: विसंगति पहचानना

मुझे [दैनिक लेनदेन/सर्वर प्रतिक्रिया समय/साप्ताहिक बिक्री] में विसंगति खोजनी है। डेटा की संरचना और अवधि [विवरण] है। Python कोड से (1) Isolation Forest लगाएँ, (2) सामान्य और असामान्य बिंदु दिखाएँ, (3) सबसे असामान्य 10 रिकॉर्ड और उनके मुख्य मान दें, (4) यह तरीका क्या अच्छा खोजता है और क्या छोड़ सकता है, समझाएँ।

प्रॉम्प्ट 20: विश्लेषण की समीक्षा और आलोचना

मैंने यह विश्लेषण किया है: [विश्लेषण, विधि और नतीजे चिपकाएँ]। सख़्त सहकर्मी समीक्षक बनकर (1) विधि की कमियाँ या गलत धारणाएँ, (2) छूटे वैकल्पिक कारण, (3) नियंत्रित न किए गए भ्रमकारी चर, (4) निष्कर्ष सबूत से अधिक दावा करते हैं या नहीं, (5) कौन से अतिरिक्त विश्लेषण निष्कर्ष को मज़बूत या चुनौती देंगे, बताएँ।

चैट स्मिथ में इन प्रॉम्प्ट का उपयोग

वास्तविक संरचना दें, केवल विवरण नहीं। स्कीमा, दस नमूना पंक्तियाँ, असली कॉलम नाम और पंक्तियों की संख्या आउटपुट को बदल देते हैं। पहले संवेदनशील जानकारी छिपाएँ या बदलें; ग्राहक का असली नाम और कंपनी पहचान ज़रूरी नहीं।

SQL और Python में एक ही सवाल दो मॉडल से पूछने पर डैशबोर्ड तक पहुँचने से पहले तर्क की गलती पकड़ सकते हैं। बड़ा निर्यात या लंबा स्कीमा हो तो Gemini 3.5 Flash का बड़ा संदर्भ उपयोगी है।

इस पृष्ठ के सभी प्रॉम्प्ट चैट स्मिथ की AI चैट में मुफ़्त आज़मा सकते हैं।

सबसे ज़रूरी आदत: कोड चलाएँ, पंक्तियों की संख्या जाँचें और अर्थ पूछने से पहले बताएँ कि आपने क्या किया। इनमें कोई कदम छोड़ना गंभीर गलती पैदा कर सकता है।

अक्सर पूछे जाने वाले प्रश्न

ये वे वाक्य होते हैं जो प्रणाली से आँकड़ों पर कोई काम करवाते हैं, जैसे आँकड़े साफ करने के नियम, कोई सूत्र, कोई पूछताछ पंक्ति, आरेख बनाने की प्रोग्राम पंक्तियाँ, या पहले से मौजूद परिणामों की व्याख्या। काम के निर्देश सामान्य सलाह नहीं माँगते, वे आपके स्तंभ और आपका सवाल बताते हैं।

logo chat smith

Editorial Team

Managing Editor

Chat Smith संपादकीय टीम AI के प्रति उत्साही लोगों, शोधकर्ताओं और कंटेंट क्रिएटर्स का एक समूह है, जो कृत्रिम बुद्धिमत्ता को अधिक सुलभ और व्यावहारिक बनाने के लिए समर्पित है। Chat Smith ब्लॉग के माध्यम से हम नवीनतम AI रुझान, टूल समीक्षाएँ, उद्योग संबंधी जानकारी और उपयोगी मार्गदर्शिकाएँ साझा करते हैं, ताकि व्यक्ति और व्यवसाय AI से अधिक मूल्य प्राप्त कर सकें। हमारा उद्देश्य सरल है—स्पष्ट, विश्वसनीय और आसानी से समझ आने वाली सामग्री प्रदान करना, जिससे पाठक AI की तेज़ी से बदलती दुनिया में हमेशा अपडेट रहें, अधिक उत्पादक बनें और दूसरों से आगे रह सकें।

यह लेख साझा करें

संबंधित लेख