データ分析に役立つChatGPTプロンプト20選

データ業務でモデルが本当に役立つのは、実行して検証するコードを書くことと、すでに行った分析を問い直すことです。一方、結果の意味をそのまま説明させることは、特に過信しやすく、信頼性も低い使い方です。

以下の20個のプロンプトは、生データの監査から完成した分析の批評まで、六つの段階を網羅します。それぞれに使いどころを示しました。曖昧な説明ではなく、実際のデータ構造やサンプルを貼り付けて使ってください。

これらは ChatGPT や類似モデルで使えます。データに向き合う前に問題設定がまだ曖昧なら、まず AIデータ分析のプロンプト を参照してください。一般的な入力の工夫は ChatGPTのプロンプト ガイドにまとめています。

• 提示していないデータは見えません。サンプルかスキーマを共有しなければ、存在しないデータを分析した回答になります。
• 生成されたコードは必ず実行します。各変換の前後で行数を確認してください。
• 試した検定の回数は分かりません。比較回数を伝えなければ、一つのp値の意味は限られます。
• 相関関係は因果関係ではありません。プロンプト6を調整しても、この説明を残してください。
• 発表前に批評させます。修正が間に合ううちにプロンプト20を実行しましょう。

最初の四つは、その後の分析が意味を持つか決める工程です。説明だけでなくサンプルを貼り付けます。GPT-5.6 Sol は長く複数段階のクリーニングコードに向いています。

プロンプト 1: データの初期監査

以下の列とサンプル行を持つデータセットがあります：[サンプルを貼る]。上級データアナリストとして監査し、(1) 各列の意味、(2) 欠損、不整合、誤りの疑いがある列、(3) このデータで確実に答えられる問いと答えられない問い、(4) 分析前に必要なクリーニングを教えてください。

プロンプト 2: データクリーニングコード

このデータセットを整理するPython（pandas）コードを書いてください：[サンプルか構造を貼る]。(1) [列名]の欠損を[削除／中央値補完／最頻値補完／前方補完]で処理し、(2) [列]の[既知の表記ゆれ]を統一し、(3) [列]を正しい型に変換し、(4) [キー列]で重複行を削除してください。各工程にコメントを付けてください。

プロンプト 3: 外れ値の検出

数値列[列を列挙]のあるデータです。Pythonコードで(1) IQR法とZスコア法の両方で各列の外れ値を検出し、(2) 方法別・列別の件数を一覧表示し、(3) 二つの方法の違いと選び方を説明してください。データは[行数]行で、内容は[説明]です。

プロンプト 4: 特徴量エンジニアリング

[顧客取引／ウェブセッション／従業員情報など]を分析します。列は[一覧]です。[離反予測／季節パターンの把握／顧客分類などの目的]に役立つ新たな特徴量を5～8個提案してください。それぞれの意味と作成するpandasコードを示してください。

データに何が含まれるか探る四つのプロンプトです。必ずビジネス上の問いと結び付けましょう。目的のない探索では結果は増えても答えは得られません。厳密な統計や研究設計には 定量データ分析向けChatGPTプロンプト も役立ちます。

プロンプト 5: 探索的分析の計画

[対象]の探索的データ分析を始めます。ビジネス上の問いは[問い]、列と型は[一覧]です。(1) 重要な列の単変量分析、(2) 問いに関係する二変量分析、(3) 作るべきグラフと理由、(4) 検証すべき仮説を含む計画を作り、実行するPythonコードを書いてください。

プロンプト 6: 相関分析

数値列は[一覧]、目的変数は[列名]です。Pythonコードで(1) 相関行列を計算し、(2) 目的変数と相関の強い上位5特徴量を探し、(3) seabornでヒートマップを描き、(4) 相関係数の意味と、高い相関から因果について分かること・分からないことを平易に説明してください。

プロンプト 7: セグメント別集計

[売上／エンゲージメント／離反率などの指標]がセグメント間でどう変わるか知りたいです。グループ化に使うカテゴリ列は[一覧]です。Pythonコードで(1) 各列別、(2) 重要な二つの列の組み合わせ別に指標を計算し、(3) 平均より有意に高い・低いセグメントを示し、(4) 分かりやすい結果表を作ってください。

プロンプト 8: 時系列データの探索

日付列[列名]と指標列[列名]がある[期間]の時系列データです。指標は[意味]です。Pythonコードで(1) 日次・週次・月次に再サンプリングし、(2) 各傾向を描き、(3) 7日・30日移動平均を計算して描き、(4) 上位5件の山と谷を図に表示し、(5) パターンと考えられる原因を説明してください。

始める前にビジネス上の問いを書き出し、常に見えるところに置いてください。数値ではなくインタビューや自由記述を扱う場合は 質的データ分析向けChatGPTプロンプト が適しています。

クエリ用の三つです。結果が実行して確かめられるコードなので、モデルを特に活用しやすい領域です。SQLの方言を明示し、コーディングが得意な Claude Sonnet 4.6 や DeepSeek V4 Pro も候補にしてください。

プロンプト 9: 複雑な集計クエリ

SQLデータベースのスキーマは[表と主な列の説明、またはCREATE TABLEを貼る]です。[例：商品カテゴリ別月間売上、前月比、3か月移動平均]を計算するクエリを書いてください。[PostgreSQL／BigQuery／MySQL／Snowflake]を使い、各部分をコメントで説明し、スキーマについての仮定を明示してください。

プロンプト 10: コホート分析クエリ

私の表[スキーマ]でSQLコホート分析クエリを書いてください。(1) 初回[購入／登録など]の月でユーザーを分け、(2) 初回から1、2、3、6、12か月後に戻った割合を追跡し、(3) 表計算に出せる継続率の表を作ります。[SQL方言]を使い、仕組みと見るべき結果も説明してください。

プロンプト 11: クエリの最適化

次のSQLが遅いです：[クエリ]。DBは[SQL方言]で表は約[行数]行です。(1) 考えられる性能問題、(2) より効率的な書き換え、(3) 役立つインデックス、(4) 変更が速くなる理由を示してください。

最も注意が必要な三つです。意味のない統計結果もモデルは流暢に説明できます。解釈を聞く前に、比較回数と検定の設計を伝えましょう。Claude Sonnet 5 は留保条件を丁寧に扱う傾向があり、AI数学計算ツール は数式の確認に使えます。

プロンプト 12: 仮説検定

[例：割引を受けた顧客の平均注文額は高い]という仮説を検証したいです。関連する列と標本数は[説明]です。適切な統計検定と選択理由、実行するPythonコード、結果の平易な解釈を示し、p値がビジネス判断に何を意味するかも説明してください。

プロンプト 13: A/Bテストの分析

A/Bテストを実施しました。対照群[n]人、処置群[n]人、転換率はそれぞれ[%]と[%]、実施期間は[日数]です。(1) 統計的有意性と信頼水準、(2) 効果が事業にとって十分大きいか、(3) 結果を無効にしうる設計上の懸念、(4) 次にすべきことを分析してください。

プロンプト 14: 回帰分析

[目的変数]を左右する要因を知りたいです。説明変数は[列一覧]です。Pythonコードで(1) 目的変数を従属変数とする線形回帰、(2) 線形性、等分散性、残差の正規性、多重共線性の確認、(3) 係数の平易な解釈、(4) 予測力の強い特徴量と除外候補の特定を行ってください。

結果だけでなく、早期に検定を止めたか、何指標を確認したか、実験データかも伝えましょう。関連する統計手法は 定量データ分析向けChatGPTプロンプト で確認できます。

分析結果を伝える三つです。対象読者を明示すると出力が大きく変わります。長いメモは AI要約ツール で先に整理できます。

プロンプト 15: グラフ選択とコード

[商品別年齢分布／週次売上の傾向／広告費と転換の関係など]を示したいです。関連列は[一覧]です。それぞれに適したグラフを理由とともに選び、matplotlibとseabornで、タイトル、軸ラベル、ビジネス向けの配色を含むPythonコードを書いてください。

プロンプト 16: ダッシュボード設計

[営業幹部／マーケティング部門／取締役会など]向けにダッシュボードを作ります。主な問いは[問い]、使えるデータと指標は[説明]です。(1) 上部に示す重要KPIを3～5個、(2) 補助グラフと内訳、(3) 必要なフィルタ、(4) 画面構成と視覚的優先順位を設計し、各要素の理由を説明してください。

プロンプト 17: 分析結果の説明

[対象]を分析し、[結果や要約統計]を得ました。[CFO／プロダクト部門／取締役会など]向けに300語以内の要約を書いてください。(1) 最重要の発見から始め、(2) 事業上の意味を平易に示し、(3) 裏付けとなる発見を2～3点挙げ、(4) 主要な不確実性や限界を示し、(5) 明確な提案で締めてください。

要約にはプロンプト17の第4項目を残しましょう。主な限界を省いた分析は、そのまま限界抜きで引用されがちです。検索データの報告には SEO向けChatGPTプロンプト をどうぞ。

最後の三つでは、特にプロンプト20が重要です。自分の結論を疑うために使えます。ビジネス向けの分析と報告には AIデータ分析プロンプト も参照してください。

プロンプト 18: 顧客セグメンテーション

顧客行動で分類したいです。顧客ごとの特徴量は[総支出、購入頻度、最終購入からの日数、商品カテゴリなど]です。Pythonコードで(1) 特徴量の正規化、(2) K-meansによる3～6群への分類、(3) エルボー法で適切な群数を検討、(4) 各群の特徴を説明、(5) 群名と施策を提案してください。

プロンプト 19: 異常検知

[日次取引数／サーバー応答時間／週次売上など]の異常を検出します。データ構造と期間は[説明]です。Pythonコードで(1) Isolation Forestを適用し、(2) 正常点と異常点を可視化し、(3) 異常度上位10件と主要値を表示し、(4) この方法が得意な異常と見逃しうる異常を説明してください。

プロンプト 20: 分析の査読と批評

以下の分析を行いました：[分析、手法、結果を貼る]。厳しい査読者として、(1) 方法上の弱点や誤った仮定、(2) 見落とした別の説明、(3) 制御していない交絡変数、(4) 結論が証拠に見合うか、(5) 結論を強める、または疑わせる追加分析を挙げてください。

説明だけでなく実際の構造を貼り付けます。スキーマ、サンプル10行、正確な列名と行数で出力は大きく変わります。機密情報は先に伏せるか置き換えてください。実名や企業の識別子は不要です。

SQLやPythonでは、同じ質問を二つのモデルに投げると、ダッシュボードに反映する前に論理エラーを見つけやすくなります。大きなデータや長いスキーマには Gemini 3.5 Flash の広い文脈処理が役立ちます。

このページの全プロンプトをChat Smithの AIチャット で無料で試せます。

最も大切なのは、コードを実行し、行数を確認し、結果の意味を尋ねる前に実際に行った作業を伝えることです。このどれかを飛ばすと重大な間違いにつながります。