데이터 분석을 위한 ChatGPT 프롬프트 20가지

모델이 데이터 작업에 실제로 도움이 되는 방식은 두 가지입니다. 직접 실행할 코드를 작성하게 하거나 이미 수행한 분석에 질문하게 하는 것입니다. 반대로 결과의 의미를 단정적으로 설명하게 하는 것은 많은 사람이 믿지만 가장 주의해야 할 용도입니다.

아래 20개 프롬프트는 원자료 점검부터 완성된 분석의 비판적 검토까지 여섯 단계를 다룹니다. 각 프롬프트의 쓰임을 설명했으며, 막연한 설명 대신 실제 구조나 데이터를 붙여 넣도록 설계했습니다.

이 프롬프트는 ChatGPT와 비슷한 모델에서 사용할 수 있습니다. 데이터로 풀어야 할 문제부터 불분명하다면 AI 데이터 분석 프롬프트를 먼저 참고하고, 프롬프트 작성법은 ChatGPT 프롬프트 가이드를 보세요.

• 붙여 넣지 않은 데이터는 볼 수 없습니다. 샘플이나 스키마를 공유하지 않으면 존재하지 않는 데이터에 대한 분석이 나옵니다.
• 생성된 코드는 실행해서 검증해야 합니다. 각 변환 전후의 행 수를 확인하세요.
• 몇 번 검정했는지 알 수 없습니다. 비교 횟수를 알려 주지 않으면 단일 p값의 의미가 작습니다.
• 상관관계가 인과관계는 아닙니다. 프롬프트 6을 고칠 때 쉬운 설명을 남겨 두세요.
• 발표 전에 비판적으로 검토하세요. 답을 바꿀 시간이 남았을 때 프롬프트 20을 사용하세요.

다음 모든 분석의 의미를 좌우하는 단계에 쓰는 네 가지 프롬프트입니다. 설명만 하지 말고 실제 샘플을 붙여 넣으세요. GPT-5.6 Sol은 길고 여러 단계인 정리 코드에 잘 맞습니다.

프롬프트 1: 초기 데이터 감사

다음 열과 샘플 행을 가진 데이터가 있습니다: [샘플 붙여 넣기]. 숙련된 데이터 분석가로서 (1) 각 열이 무엇을 나타내는지, (2) 결측값·불일치·오류 의심이 있는 열, (3) 이 데이터로 신뢰할 수 있게 답할 수 있는 질문과 없는 질문, (4) 분석 전 필요한 정리 작업을 점검해 주세요.

프롬프트 2: 데이터 정리 코드

다음 데이터를 정리하는 Python pandas 코드를 작성해 주세요: [샘플 또는 구조 붙여 넣기]. (1) [열 이름]의 결측값을 [삭제/중앙값/최빈값/앞의 값 채우기]로 처리하고, (2) [열]의 [알려진 불일치]를 표준화하고, (3) [열]의 자료형을 변환하고, (4) [키 열]을 기준으로 중복 행을 제거하세요. 각 단계에 주석을 달아 주세요.

프롬프트 3: 이상치 탐지

수치형 열 [목록]이 있습니다. Python 코드로 (1) IQR 및 Z점수 방식으로 각 열의 이상치를 탐지하고, (2) 방법과 열별로 탐지한 개수를 요약하고, (3) 방법의 차이와 사용 시점을 설명해 주세요. 데이터는 [행 수]행이고 [내용]을 나타냅니다.

프롬프트 4: 특성 엔지니어링

[고객 거래/웹 세션/직원 기록 등] 데이터를 분석합니다. 열은 [목록]입니다. [이탈 예측/계절 패턴/고객 세분화 등 목표]에 유용한 파생 변수 5~8개를 제안하고, 각각의 의미와 생성하는 pandas 코드를 작성해 주세요.

데이터에 무엇이 있는지 찾는 네 가지 프롬프트입니다. 모든 탐색을 비즈니스 질문과 연결하세요. 목적 없는 탐색은 답보다 출력만 늘립니다. 더 엄격한 통계와 연구 설계는 정량 데이터 분석용 ChatGPT 프롬프트를 참고하세요.

프롬프트 5: 탐색적 분석 계획

[주제]의 탐색적 분석을 시작합니다. 비즈니스 질문은 [질문]이고 열과 자료형은 [목록]입니다. (1) 주요 열의 단변량 분석, (2) 질문과 연관된 이변량 분석, (3) 필요한 시각화와 이유, (4) 검증할 가설을 포함하는 계획을 세운 뒤 실행할 Python 코드를 작성해 주세요.

프롬프트 6: 상관관계 분석

수치형 열은 [목록], 목표 변수는 [열 이름]입니다. Python 코드로 (1) 상관행렬을 계산하고, (2) 목표와 상관이 큰 상위 5개 특성을 찾고, (3) seaborn 히트맵을 만들고, (4) 상관값의 뜻과 높은 상관이 인과에 관해 말해 주는 것과 말해 주지 않는 것을 쉽게 설명해 주세요.

프롬프트 7: 세그먼트별 집계

[매출/참여도/이탈률 등 지표]가 세그먼트별로 어떻게 다른지 알고 싶습니다. 그룹화할 범주형 열은 [목록]입니다. Python 코드로 (1) 각 열별 지표, (2) 중요한 두 열의 조합별 지표를 계산하고, (3) 평균보다 유의하게 높거나 낮은 세그먼트를 표시하고, (4) 결과표를 만들어 주세요.

프롬프트 8: 시계열 탐색

날짜 열 [이름]과 지표 열 [이름]이 있는 시계열 데이터입니다. 기간은 [범위]이고 지표는 [설명]입니다. Python 코드로 (1) 일·주·월별 리샘플링, (2) 각 추세 시각화, (3) 7일·30일 이동평균 계산 및 표시, (4) 상위 5개 고점과 저점 표시, (5) 패턴과 가능한 원인 설명을 해 주세요.

시작하기 전에 비즈니스 질문을 적어 계속 확인하세요. 숫자가 아니라 인터뷰나 서술형 텍스트라면 정성 데이터 분석용 ChatGPT 프롬프트가 더 적합합니다.

쿼리를 만드는 세 가지입니다. 실행으로 검증할 수 있는 코드가 결과이므로 특히 유용합니다. SQL 방언을 꼭 명시하고, 코딩 중심의 Claude Sonnet 4.6 또는 DeepSeek V4 Pro를 고려하세요.

프롬프트 9: 복잡한 집계 쿼리

SQL 데이터베이스의 스키마는 [테이블과 주요 열 설명 또는 CREATE TABLE 붙여 넣기]입니다. [예: 제품별 월매출, 전월 대비 성장률과 3개월 이동평균]을 계산할 쿼리를 작성해 주세요. [PostgreSQL/BigQuery/MySQL/Snowflake] 방언을 사용하고 각 부분에 주석을 달며 스키마에 대한 가정을 밝히세요.

프롬프트 10: 코호트 분석 쿼리

내 테이블 [스키마]로 SQL 코호트 분석 쿼리를 써 주세요. (1) 첫 [구매/가입 등 행동] 월로 이용자를 묶고, (2) 첫 행동 후 1·2·3·6·12개월에 돌아온 비율을 계산하고, (3) 스프레드시트로 내보낼 유지율 표를 만들고 싶습니다. [SQL 방언]을 쓰고 분석 방식과 확인할 점을 설명해 주세요.

프롬프트 11: 쿼리 최적화

다음 SQL 쿼리가 느립니다: [쿼리]. DB는 [SQL 방언]이고 테이블은 대략 [행 수]행입니다. (1) 가능한 성능 문제, (2) 효율적인 재작성, (3) 유용한 인덱스, (4) 개선되는 이유를 알려 주세요.

가장 조심해야 하는 세 가지입니다. 통계 결과가 무의미해도 모델은 유창하게 해석할 수 있습니다. 비교 횟수와 검정 설계를 먼저 알려 주세요. Claude Sonnet 5는 한계를 신중하게 다루는 편이고 AI 수학 계산기는 공식을 확인할 때 도움이 됩니다.

프롬프트 12: 가설 검정

[예: 할인을 받은 고객의 평균 주문액이 더 높다]라는 가설을 검정하고 싶습니다. 데이터의 관련 열과 표본 크기는 [설명]입니다. 적합한 통계 검정과 이유를 추천하고, 실행하는 Python 코드와 결과의 쉬운 해석, p값이 비즈니스 결정에 갖는 의미를 알려 주세요.

프롬프트 13: A/B 테스트 분석

A/B 테스트를 실시했습니다. 대조군 [n]명, 실험군 [n]명, 각각의 전환율 [%]와 [%], 테스트 기간 [일수]입니다. (1) 통계적 유의성과 신뢰 수준, (2) 효과 크기가 사업에 의미 있는지, (3) 결과를 무효화할 설계상 우려, (4) 다음 행동을 분석해 주세요.

프롬프트 14: 회귀 분석

[목표 변수]를 좌우하는 요인을 알고 싶습니다. 특성은 [열 목록]입니다. Python 코드로 (1) 목표를 종속변수로 한 선형회귀, (2) 선형성·등분산성·잔차 정규성·다중공선성 점검, (3) 계수의 쉬운 해석, (4) 예측력 높은 변수와 제거 후보 파악을 수행해 주세요.

발견한 결과뿐 아니라 조기 종료 여부, 확인한 지표 수, 실험 데이터인지도 알려 주세요. 관련 통계를 복습하려면 정량 데이터 분석용 ChatGPT 프롬프트를 참고하세요.

분석 결과를 전달하는 세 가지입니다. 독자를 명시하면 결과가 크게 달라집니다. 긴 메모는 AI 요약 도구로 먼저 줄일 수 있습니다.

프롬프트 15: 차트 선택과 코드

[제품별 연령 분포/주간 매출 추세/마케팅 비용과 전환 관계 등]을 시각화합니다. 관련 열은 [목록]입니다. 각 시각화에 적합한 차트를 이유와 함께 추천하고, 제목과 축 레이블, 비즈니스 발표용 색을 포함한 matplotlib·seaborn Python 코드를 작성해 주세요.

프롬프트 16: 대시보드 설계

[영업 리더/마케팅팀/이사회 등]을 위한 대시보드를 만듭니다. 주요 질문은 [질문]이고 데이터와 핵심 지표는 [설명]입니다. (1) 상단의 핵심 KPI 3~5개, (2) 보조 차트와 세부 분석, (3) 필요한 필터와 조작, (4) 배치와 시각적 우선순위를 설계하고 각 요소의 이유를 설명해 주세요.

프롬프트 17: 인사이트 서술

[주제]를 분석해 [결과 또는 요약 통계]를 얻었습니다. [CFO/제품팀/이사회 등]을 위한 300단어 이내 요약을 작성하세요. (1) 가장 중요한 발견으로 시작하고, (2) 비즈니스 의미를 쉬운 말로 설명하고, (3) 근거 2~3개, (4) 가장 중요한 불확실성이나 한계, (5) 명확한 권고로 마무리하세요.

모든 요약에 프롬프트 17의 네 번째 항목을 넣으세요. 중요한 한계를 뺀 분석은 결국 그 한계 없이 인용됩니다. 검색 데이터를 보고할 때는 SEO용 ChatGPT 프롬프트를 보세요.

마지막 세 가지 중 프롬프트 20은 자신의 결론을 다시 점검한다는 점에서 특히 중요합니다. 비즈니스 인사이트와 보고 아이디어는 AI 데이터 분석 프롬프트를 보세요.

프롬프트 18: 고객 세분화

고객 행동에 따라 세분화하려고 합니다. 고객 단위 특성은 [총지출, 구매 빈도, 마지막 구매 이후 날짜, 상품 종류 등]입니다. Python 코드로 (1) 특성 정규화, (2) K-means로 3~6개 그룹 구분, (3) 엘보 방법으로 적정 그룹 수 결정, (4) 각 그룹의 특징 파악, (5) 이름과 비즈니스 조치 제안을 해 주세요.

프롬프트 19: 이상 탐지

[일간 거래량/서버 응답 시간/주간 판매량 등]의 이상을 탐지합니다. 데이터 구조와 기간은 [설명]입니다. Python 코드로 (1) Isolation Forest 적용, (2) 정상·이상점 시각화, (3) 가장 이상한 기록 10개와 주요 값 표시, (4) 이 방법이 잘 찾는 이상과 놓치는 유형을 설명해 주세요.

프롬프트 20: 분석 검토와 비판

다음 분석을 수행했습니다: [분석, 방법, 결과 붙여 넣기]. 비판적인 동료 검토자로서 (1) 방법의 약점이나 잘못된 가정, (2) 놓친 다른 설명, (3) 통제하지 않은 교란 변수, (4) 결론이 증거를 과장하는지, (5) 결론을 강화하거나 반박할 추가 분석을 제시해 주세요.

설명만 하지 말고 실제 구조를 붙여 넣으세요. 스키마, 샘플 열 행, 정확한 열 이름과 행 수에 따라 결과가 달라집니다. 민감한 내용은 미리 가리거나 바꾸세요. 실제 고객 이름이나 회사 식별자는 필요하지 않습니다.

SQL과 Python 질문을 두 모델에 보내면 대시보드에 반영되기 전에 논리 오류를 발견하는 데 도움이 됩니다. 큰 내보내기 파일이나 긴 스키마는 Gemini 3.5 Flash의 긴 맥락 처리가 유용할 수 있습니다.

이 페이지의 모든 프롬프트를 챗스미스의 AI 채팅에서 무료로 사용해 볼 수 있습니다.

가장 중요한 습관은 코드를 실행하고 행 수를 확인하며, 의미를 묻기 전에 어떤 작업을 했는지 설명하는 것입니다. 이 중 하나를 건너뛰면 심각한 오류로 이어질 수 있습니다.