20 พรอมต์ ChatGPT สำหรับวิเคราะห์ข้อมูลให้ได้อินไซต์ที่ชัดขึ้น

โมเดลช่วยงานข้อมูลได้จริงสองทาง คือเขียนโค้ดให้คุณนำไปรัน และช่วยตั้งคำถามกับการวิเคราะห์ที่ทำแล้ว ส่วนที่น่าเชื่อถือน้อยที่สุดกลับเป็นสิ่งที่หลายคนไว้วางใจมากที่สุด นั่นคือให้มันตัดสินว่าผลลัพธ์หมายความว่าอย่างไร

พรอมต์ทั้ง 20 ข้อต่อไปนี้ครอบคลุมหกขั้นตอน ตั้งแต่ตรวจข้อมูลดิบจนถึงทบทวนงานวิเคราะห์สุดท้าย แต่ละข้อมีคำอธิบายและต้องใส่โครงสร้างหรือข้อมูลจริง ไม่ใช่บรรยายแบบกว้าง ๆ

ใช้ได้กับ ChatGPT และโมเดลใกล้เคียง หากยังไม่ชัดว่าข้อมูลต้องตอบปัญหาอะไร ให้เริ่มจาก พรอมต์ AI สำหรับวิเคราะห์ข้อมูล และหากต้องการเทคนิคเขียนคำสั่งทั่วไปให้อ่านคู่มือ พรอมต์ ChatGPT เพิ่มเติม

• มันมองไม่เห็นข้อมูลที่คุณไม่ได้ส่ง ใส่ตัวอย่างหรือสคีมา มิฉะนั้นคำตอบจะวิเคราะห์ชุดข้อมูลที่ไม่มีอยู่จริง
• โค้ดที่สร้างต้องนำไปรันและตรวจสอบ เช็กจำนวนแถวก่อนและหลังการแปลงทุกครั้ง
• มันไม่รู้ว่าคุณทดสอบไปกี่ครั้ง บอกจำนวนการเปรียบเทียบ มิฉะนั้นค่า p เดี่ยว ๆ มีความหมายน้อย
• ความสัมพันธ์ไม่ใช่เหตุและผล เก็บข้อกำหนดให้อธิบายแบบภาษาง่ายในพรอมต์ 6
• ตรวจทานก่อนนำเสนอ ใช้พรอมต์ 20 ขณะที่ยังมีเวลาแก้ไข

สี่พรอมต์สำหรับขั้นที่กำหนดว่างานถัดไปมีความหมายหรือไม่ ทุกข้อควรใส่ตัวอย่างจริง ไม่ใช่เพียงคำบรรยาย และ GPT-5.6 Sol เหมาะกับสคริปต์ทำความสะอาดข้อมูลยาวหลายขั้นตอน

พรอมต์ 1: ตรวจข้อมูลเบื้องต้น

ฉันมีชุดข้อมูลที่มีคอลัมน์และแถวตัวอย่างดังนี้: [วางตัวอย่าง] ทำหน้าที่เป็นนักวิเคราะห์ข้อมูลอาวุโส ตรวจสอบว่า (1) แต่ละคอลัมน์น่าจะหมายถึงอะไร (2) คอลัมน์ใดมีค่าว่าง ค่าไม่สอดคล้อง หรือข้อผิดพลาด (3) ข้อมูลนี้ตอบคำถามใดได้หรือไม่ได้อย่างน่าเชื่อถือ และ (4) ควรทำความสะอาดอย่างไรก่อนวิเคราะห์

พรอมต์ 2: โค้ดทำความสะอาดข้อมูล

เขียนโค้ด Python pandas เพื่อทำความสะอาดข้อมูลนี้: [วางตัวอย่างหรือโครงสร้าง] โดย (1) จัดการค่าว่างใน [ชื่อคอลัมน์] ด้วย [ลบ/เติมค่ามัธยฐาน/ค่าฐานนิยม/เติมจากค่าก่อนหน้า] (2) ปรับค่าไม่สอดคล้องใน [คอลัมน์] เช่น [รายการ] (3) แปลง [คอลัมน์] เป็นชนิดข้อมูลถูกต้อง และ (4) ลบแถวซ้ำตาม [คอลัมน์หลัก] ใส่คอมเมนต์อธิบายทุกขั้น

พรอมต์ 3: ตรวจค่าผิดปกติ

ข้อมูลมีคอลัมน์ตัวเลข [รายการ] เขียน Python เพื่อ (1) ตรวจค่าผิดปกติด้วยทั้ง IQR และ Z-score (2) สรุปจำนวนที่แต่ละวิธีตรวจพบแยกตามคอลัมน์ และ (3) อธิบายความต่างและกรณีใช้แต่ละวิธี ข้อมูลมี [จำนวน] แถวและเกี่ยวกับ [คำอธิบาย]

พรอมต์ 4: สร้างตัวแปรใหม่

ฉันวิเคราะห์ข้อมูล [เช่น ธุรกรรมลูกค้า เซสชันเว็บ ข้อมูลพนักงาน] คอลัมน์คือ [รายการ] เสนอตัวแปรใหม่จากคอลัมน์เดิม 5–8 ตัวที่ช่วย [เป้าหมาย เช่น ทำนายการเลิกใช้ ดูฤดูกาล แบ่งกลุ่มลูกค้า] อธิบายความหมายและเขียน pandas เพื่อสร้างแต่ละตัว

สี่พรอมต์เพื่อสำรวจสิ่งที่อยู่ในข้อมูล ผูกแต่ละข้อกับคำถามทางธุรกิจ เพราะการสำรวจที่ไร้เป้าหมายให้ผลลัพธ์มากแต่ไม่ให้คำตอบ สำหรับสถิติและการออกแบบงานวิจัย ดู พรอมต์ ChatGPT สำหรับข้อมูลเชิงปริมาณ เพื่อศึกษาเชิงลึก

พรอมต์ 5: แผนสำรวจข้อมูล

ฉันเริ่มวิเคราะห์ข้อมูลเชิงสำรวจเกี่ยวกับ [หัวข้อ] คำถามธุรกิจคือ [คำถาม] ข้อมูลมีคอลัมน์และชนิด [รายการ] วางแผนที่ครอบคลุม (1) วิเคราะห์ตัวแปรเดี่ยวที่สำคัญ (2) ความสัมพันธ์สองตัวแปรที่ตรงโจทย์ (3) กราฟที่ควรทำพร้อมเหตุผล (4) สมมติฐานที่ควรทดสอบ แล้วเขียน Python ดำเนินการ

พรอมต์ 6: วิเคราะห์ความสัมพันธ์

ข้อมูลมีคอลัมน์ตัวเลข [รายการ] ตัวแปรเป้าหมายคือ [ชื่อ] เขียน Python เพื่อ (1) คำนวณเมทริกซ์สหสัมพันธ์ (2) หาตัวแปร 5 อันดับที่สัมพันธ์กับเป้าหมายมากที่สุด (3) ทำ heatmap ด้วย seaborn และ (4) อธิบายค่าความสัมพันธ์แบบง่าย รวมถึงสิ่งที่ความสัมพันธ์สูงบอกและไม่บอกเกี่ยวกับเหตุและผล

พรอมต์ 7: แบ่งกลุ่มและสรุปผล

ฉันอยากดูว่า [ตัวชี้วัด เช่น รายได้ การมีส่วนร่วม อัตราเลิกใช้] ต่างกันตามกลุ่มอย่างไร ตัวแปรจัดกลุ่มคือ [คอลัมน์หมวดหมู่] เขียน Python เพื่อ (1) คำนวณตัวชี้วัดตามแต่ละกลุ่ม (2) ตามคู่กลุ่มที่น่าสนใจ (3) ระบุกลุ่มที่สูงหรือต่ำกว่าค่าเฉลี่ยอย่างมีนัยสำคัญ และ (4) ทำตารางสรุป

พรอมต์ 8: สำรวจอนุกรมเวลา

มีข้อมูลอนุกรมเวลา คอลัมน์วันที่ [ชื่อ] และตัวชี้วัด [ชื่อ] ช่วง [วันที่] ซึ่งหมายถึง [คำอธิบาย] เขียน Python เพื่อ (1) resample รายวัน สัปดาห์ เดือน (2) วาดแนวโน้มทุกระดับ (3) คำนวณและวาดค่าเฉลี่ยเคลื่อนที่ 7 และ 30 วัน (4) ทำเครื่องหมายจุดสูงสุดและต่ำสุด 5 อันดับบนกราฟ (5) อธิบายรูปแบบและสาเหตุที่เป็นไปได้

เขียนคำถามธุรกิจก่อนเริ่มและวางไว้ให้เห็นเสมอ ถ้าข้อมูลเป็นบทสัมภาษณ์หรือข้อความปลายเปิดแทนตัวเลข ให้ใช้ พรอมต์ ChatGPT สำหรับข้อมูลเชิงคุณภาพ ที่เหมาะกว่า

สามพรอมต์สำหรับคำสั่ง SQL จุดนี้โมเดลมีประโยชน์เพราะคุณรันโค้ดตรวจสอบได้ ระบุ SQL dialect เสมอ และอาจใช้โมเดลเขียนโค้ดอย่าง Claude Sonnet 4.6 หรือ DeepSeek V4 Pro สำหรับงานนี้

พรอมต์ 9: คำสั่งรวมข้อมูลซับซ้อน

ฐานข้อมูล SQL มีสคีมา [อธิบายตารางและคอลัมน์หลักหรือวาง CREATE TABLE] เขียนคำสั่งเพื่อ [เช่น รายได้รายเดือนตามหมวดสินค้า อัตราเติบโตเทียบเดือนก่อน ค่าเฉลี่ยเคลื่อนที่ 3 เดือน] ใช้ [PostgreSQL / BigQuery / MySQL / Snowflake] ใส่คอมเมนต์แต่ละส่วนและระบุสมมติฐานเกี่ยวกับสคีมา

พรอมต์ 10: คำสั่งวิเคราะห์ Cohort

เขียน SQL วิเคราะห์ cohort จากตารางของฉัน [สคีมา] เพื่อ (1) จัดผู้ใช้ตามเดือนที่ทำ [ซื้อ/สมัคร] ครั้งแรก (2) ติดตามสัดส่วนที่กลับมาในเดือน 1, 2, 3, 6 และ 12 (3) ส่งออกตาราง retention ลงสเปรดชีต ใช้ [SQL dialect] และอธิบายหลักการกับสิ่งที่ต้องดู

พรอมต์ 11: ปรับประสิทธิภาพคำสั่ง

SQL นี้ทำงานช้า: [วางคำสั่ง] ฐานข้อมูลใช้ [SQL dialect] และตารางมีประมาณ [จำนวนแถว] ตรวจ (1) สาเหตุด้านประสิทธิภาพ (2) เขียนใหม่ให้เร็วขึ้น (3) ดัชนีที่เหมาะ (4) อธิบายว่าแก้อะไรและทำไมจึงดีขึ้น

สามพรอมต์ที่ต้องระวังเป็นพิเศษ โมเดลอาจอธิบายผลสถิติอย่างคล่องแคล่วแม้ผลไม่มีความหมาย บอกจำนวนการเปรียบเทียบและรูปแบบการทดสอบก่อนถามความหมาย Claude Sonnet 5 มักระบุข้อจำกัดรอบคอบ ส่วน เครื่องคิดเลข AI ช่วยเช็กสูตร

พรอมต์ 12: ทดสอบสมมติฐาน

ฉันต้องการทดสอบ [สมมติฐาน เช่น ลูกค้าที่ได้ส่วนลดมียอดสั่งซื้อเฉลี่ยสูงกว่า] ข้อมูลที่เกี่ยวข้องและขนาดตัวอย่างคือ [คำอธิบาย] เลือกวิธีทดสอบสถิติพร้อมเหตุผล เขียน Python และตีความผลอย่างง่าย รวมถึงความหมายของค่า p ต่อการตัดสินใจธุรกิจ

พรอมต์ 13: วิเคราะห์ A/B Test

ฉันทำ A/B Test: กลุ่มควบคุม [n] กลุ่มทดลอง [n] อัตราแปลงของแต่ละกลุ่ม [%] และ [%] ระยะเวลา [วัน] วิเคราะห์ (1) มีนัยสำคัญทางสถิติหรือไม่และระดับความเชื่อมั่น (2) ขนาดผลมีความหมายต่อธุรกิจหรือไม่ (3) ปัญหาการออกแบบที่อาจทำให้ผลใช้ไม่ได้ (4) ควรทำอะไรต่อ

พรอมต์ 14: วิเคราะห์การถดถอย

ฉันต้องการรู้ตัวขับเคลื่อน [ตัวแปรเป้าหมาย] ตัวแปรอิสระคือ [รายการ] เขียน Python เพื่อ (1) ทำ linear regression โดยมี [เป้าหมาย] เป็นตัวแปรตาม (2) ตรวจความเป็นเส้นตรง ความแปรปรวนคงที่ ความปกติของค่าคลาดเคลื่อน และ multicollinearity (3) อธิบายค่าสัมประสิทธิ์อย่างง่าย (4) หาตัวแปรที่ทำนายได้ดีและตัวที่ควรตัด

บอกสิ่งที่ทำ ไม่ใช่แค่ผลที่พบ เช่น หยุดทดสอบก่อนกำหนดหรือไม่ ตรวจดูกี่ตัวชี้วัด และข้อมูลมาจากการทดลองหรือไม่ หากต้องการทบทวนสถิติ ดู พรอมต์ ChatGPT สำหรับข้อมูลเชิงปริมาณ เพิ่มเติม

สามพรอมต์เพื่อทำให้ผลวิเคราะห์เข้าใจง่าย การระบุผู้อ่านมีผลมาก และ เครื่องมือสรุปด้วย AI ช่วยย่อบันทึกยาวก่อนเขียนรายงาน

พรอมต์ 15: เลือกกราฟและเขียนโค้ด

ฉันอยากแสดง [เช่น การกระจายอายุลูกค้าตามสินค้า แนวโน้มรายได้รายสัปดาห์ ความสัมพันธ์ค่าโฆษณากับ conversion] คอลัมน์เกี่ยวข้องคือ [รายการ] แนะนำชนิดกราฟที่เหมาะพร้อมเหตุผล แล้วเขียน Python ด้วย matplotlib และ seaborn พร้อมชื่อกราฟ ป้ายแกน และสีเหมาะกับงานธุรกิจ

พรอมต์ 16: วางแผนดาชบอร์ด

ฉันสร้างดาชบอร์ดให้ [ผู้ชม เช่น ทีมขาย ทีมการตลาด คณะกรรมการ] คำถามหลักคือ [คำถาม] ข้อมูลมี [ชุดข้อมูลและตัวชี้วัด] ออกแบบ (1) KPI สำคัญ 3–5 ตัวด้านบน (2) กราฟและการแบ่งข้อมูล (3) ตัวกรองและการควบคุม (4) เลย์เอาต์และลำดับสายตา อธิบายว่าทำไมต้องมีแต่ละส่วน

พรอมต์ 17: เล่าอินไซต์จากข้อมูล

ฉันวิเคราะห์ [หัวข้อ] แล้วพบ [ผลหรือสถิติ] เขียนสรุปผู้บริหารสำหรับ [เช่น CFO ทีมผลิตภัณฑ์ คณะกรรมการ] ไม่เกิน 300 คำ โดย (1) เปิดด้วยข้อค้นพบสำคัญที่สุด (2) อธิบายผลต่อธุรกิจแบบง่าย (3) ข้อสนับสนุน 2–3 ข้อ (4) ความไม่แน่นอนหรือข้อจำกัดหลัก (5) ปิดด้วยข้อเสนอแนะที่ชัดเจน

เก็บข้อ 4 ของพรอมต์ 17 ในทุกสรุป เพราะผลวิเคราะห์ที่ตัดข้อจำกัดหลักออกอาจถูกอ้างต่อโดยไม่มีข้อจำกัดนั้น หากรายงานข้อมูลการค้นหา ดู พรอมต์ ChatGPT สำหรับ SEO ประกอบ

สามข้อสุดท้าย โดยเฉพาะพรอมต์ 20 มีคุณค่าเพราะช่วยตรวจทานข้อสรุปของคุณ หากต้องการไอเดียเชิงธุรกิจเพิ่ม ดู พรอมต์ AI สำหรับวิเคราะห์ข้อมูล ด้วย

พรอมต์ 18: แบ่งกลุ่มลูกค้า

ฉันต้องการแบ่งกลุ่มลูกค้าตามพฤติกรรม ตัวแปรระดับลูกค้าคือ [ยอดใช้จ่าย ความถี่ซื้อ วันตั้งแต่ซื้อครั้งล่าสุด หมวดสินค้าที่ซื้อ] เขียน Python เพื่อ (1) ปรับตัวแปรให้อยู่สเกลเดียวกัน (2) ใช้ K-means แบ่ง 3–6 กลุ่ม (3) ใช้ elbow method หาจำนวนกลุ่มเหมาะสม (4) อธิบายความต่างของแต่ละกลุ่ม (5) ตั้งชื่อและเสนอการดำเนินการทางธุรกิจ

พรอมต์ 19: ตรวจจับความผิดปกติ

ฉันต้องตรวจค่าผิดปกติใน [เช่น ปริมาณธุรกรรมรายวัน เวลาตอบเซิร์ฟเวอร์ ยอดขายรายสัปดาห์] โครงสร้างและช่วงเวลาคือ [คำอธิบาย] เขียน Python เพื่อ (1) ใช้ Isolation Forest (2) แสดงจุดปกติและผิดปกติ (3) แสดงรายการผิดปกติมากที่สุด 10 รายการพร้อมค่าหลัก (4) อธิบายชนิดความผิดปกติที่วิธีนี้พบหรือพลาด

พรอมต์ 20: ทบทวนและวิจารณ์ผลวิเคราะห์

ฉันทำการวิเคราะห์ดังนี้: [วางวิธีการและผล] ทำหน้าที่ผู้ทบทวนที่วิจารณ์ตรงไปตรงมา ระบุ (1) จุดอ่อนของวิธีหรือสมมติฐานที่ไม่ถูกต้อง (2) คำอธิบายอื่นที่มองข้าม (3) ตัวแปรกวนที่ไม่ได้ควบคุม (4) ข้อสรุปเกินหลักฐานหรือไม่ (5) การวิเคราะห์เพิ่มที่ช่วยสนับสนุนหรือท้าทายข้อสรุป

ใส่โครงสร้างจริงแทนการบรรยาย สคีมา ตัวอย่างสิบแถว ชื่อคอลัมน์ และจำนวนแถวจริงเปลี่ยนผลลัพธ์อย่างมาก ปกปิดหรือเปลี่ยนข้อมูลอ่อนไหวก่อน ไม่จำเป็นต้องมีชื่อจริงของลูกค้าหรือรหัสบริษัท

สำหรับ SQL และ Python ลองถามสองโมเดลด้วยโจทย์เดียวกันเพื่อจับข้อผิดพลาดก่อนข้อมูลเข้าดาชบอร์ด หากต้องใส่ข้อมูลหรือสคีมายาว Gemini 3.5 Flash รองรับบริบทได้มากในครั้งเดียว

ทดลองพรอมต์ทั้งหมดในหน้านี้ได้ฟรีผ่าน แชต AI ของเชทสมิธ

นิสัยสำคัญที่สุดคือรันโค้ด ตรวจจำนวนแถว และบอกโมเดลว่าคุณทำอะไรไปก่อนถามว่าผลหมายถึงอะไร การข้ามขั้นตอนใดขั้นตอนหนึ่งเสี่ยงต่อความผิดพลาดร้ายแรง