ChatGPT助力数据分析：如何利用AI提升数据处理效率

在探讨ChatGPT的分析能力时，我们不得不承认AI平台的重要性。这个强大的工具利用了人工智能的卓越性能，使得数据专家能够更加高效地处理项目，对各种指标有更深入的理解，并能轻易识别并排除关键的编码错误。

在本篇文章中，我们将探讨 ChatGPT 在合作撰写或贡献方面的实际应用效果。实验结果表明，ChatGPT 的表现相当出色，与 Dall-E 2 共同创作的作品展现了极高的艺术水平和创新能力。这两款人工智能工具均属于 OpenAI 旗下的开源项目，进一步证实了其在学术界和创意产业中的广泛应用潜力。

作为一名CPDA数据分析师，我该如何理解ChatGPT分析呢？

要深入了解ChatGPT，建议您阅读本文。ChatGPT是OpenAI开发的一款强大的人工智能工具，简而言之，它是一个经过大量数据训练的大型语言模型。当面临任何问题或提示时，该系统都能生成极具真实感的、类似于人类文本的回答。ChatGPT在自然语言处理（NLP）领域具有广泛的应用前景，如翻译、摘要、问答等。随着人们对它的认识不断深入，更多潜在的应用场景将被发掘。

获取ChatGPT用于分析

如果你想访问OpenAI的资源，首先需要在该公司建立一个账户。OpenAI是一个致力于人工智能研究和部署的公司，旨在为全球人类带来益处。要注册，只需在主页顶部横幅中点击“Try xxx”。

如何使用通用人工智能:

询问ChatGPT有价值甚至复杂的问题就像给同事或导师输入消息一样简单。看看下面人工智能聊天机器人是如何回答这个问题的(文字记录如下图):

作者问题:你能解释一下如何使用https://chat.openai.com/chat吗?

回复:当然!要使用OpenAI聊天界面，只需在web浏览器中导航到https://chat.openai.com/chat。系统将提示您在屏幕底部的输入框中输入一条消息。在输入消息并单击Send按钮后，聊天界面将响应由OpenAI语言模型生成的答案。您可以继续向它提出问题或发表声明，让它作出回应。请注意，聊天界面只是一个演示，并不用于生产使用。

6个ChatGPT分析会话示例

既然我们已经建立了如何访问和使用OpenAI的ChatGPT通用人工智能，让我们来看看几个与分析专业人员特别相关的例子。在我们开始之前，让我们再次让AI聊天机器人自己回答:

第一个问题是聊天

作者问题:如何使用ChatGPT的聊天界面来帮助我成为一名数据分析专业人员?

ChatGPT回应:作为一名数据分析专业人员，您可以使用OpenAI聊天界面从数据中快速生成见解和解释。例如，你可以使用聊天界面来:

•要求对你的数据进行总结统计

•要求对方解释复杂的数据关系

•要求对方根据你的数据做出预测或预测

•要求数据可视化

寻求进一步分析的建议

•在特定的数据分析任务上寻求帮助

但是，请注意，该聊天界面仅用于演示，并不用于生产使用。此外，聊天界面不是专门为数据分析任务设计的，可能无法回答与分析相关的所有问题。如果你需要更高级的分析功能，你可能需要考虑使用专门的分析软件或与数据科学家合作。

________________________________________

虽然这个回答很好，但它没有提到一些我最喜欢的数据专业人员应该问的问题。

主要绩效指标

KPI.org将关键绩效指标(kpi)定义为朝着预期结果进展的关键(关键)量化指标。作为分析专业人员，您可以询问ChatGPT关于各种行业和部门的kpi。例如:

________________________________________

作者问题:对于基于订阅的电子商务业务来说，最重要的kpi是什么?

答:对于基于电子商务订阅的业务来说，有几个关键绩效指标(kpi)是重要的，包括:

1.月经常性收入(MRR):该KPI衡量每月订阅客户产生的总收入。

2.客户获取成本(CAC):该KPI衡量获取新客户的成本，包括营销和销售费用。

3.客户终身价值(CLV):该KPI衡量客户在其生命周期中预期产生的总收益。

4.流失率:该KPI衡量客户取消订阅的比率。低流失率对于基于订阅的业务是可取的。

5.保留率:这个KPI衡量的是客户继续订阅您的服务的比率。对于基于订阅的业务来说，高留存率是可取的。

6.毛利率:该KPI衡量每个订阅的盈利能力以及销售商品的收入和成本之间的差异。

7.净推荐分数(NPS):这个KPI通过询问客户有多大可能向其他人推荐您的业务来衡量客户满意度和忠诚度。

8.用户获取成本(SAC):该KPI衡量获取新用户的成本，包括营销和销售费用。第一个问题是聊天

作者问题:如何使用ChatGPT的聊天界面来帮助我成为一名数据分析专业人员?

ChatGPT 的回应：作为一名具备数据分析专业背景的专家，您完全可以通过 OpenAI 的聊天界面迅速地从数据中提炼出有价值的见解和解释。例如，您可以利用这个功能来:

•要求对你的数据进行总结统计

•要求对方解释复杂的数据关系

•要求对方根据你的数据做出预测或预测

•要求数据可视化

寻求进一步分析的建议

•在特定的数据分析任务上寻求帮助

然而，需要强调的是，这个聊天界面仅仅是为了展示而设计的，并非用于实际的生产使用。同时，由于聊天界面的主要设计目标并非数据分析任务，因此它可能无法对所有与数据分析相关的问题作出回应。如果你对于数据分析的需求更为复杂和高级，那么你可能需要考虑使用专业的数据分析软件，或者寻求数据科学家的协助。

________________________________________

虽然这个回答很好，但它没有提到一些我最喜欢的数据专业人员应该问的问题。

主要绩效指标

KPI.org将关键绩效指标(kpi)定义为朝着预期结果进展的关键(关键)量化指标。作为分析专业人员，您可以询问ChatGPT关于各种行业和部门的kpi。例如:

________________________________________

作者问题:对于基于订阅的电子商务业务来说，最重要的kpi是什么?

答:对于基于电子商务订阅的业务来说，有几个关键绩效指标(kpi)是重要的，包括:

1. 月经常性收入(MRR):该KPI衡量每月订阅客户产生的总收入。

2. 客户获取成本(CAC):该KPI衡量获取新客户的成本，包括营销和销售费用。

3. 客户终身价值(CLV):该KPI衡量客户在其生命周期中预期产生的总收益。

4. 流失率:该KPI衡量客户取消订阅的比率。低流失率对于基于订阅的业务是可取的。

5. 保留率:这个KPI衡量的是客户继续订阅您的服务的比率。对于基于订阅的业务来说，高留存率是可取的。

6. 毛利率:该KPI衡量每个订阅的盈利能力以及销售商品的收入和成本之间的差异。

7. 净推荐分数(NPS):这个KPI通过询问客户有多大可能向其他人推荐您的业务来衡量客户满意度和忠诚度。

8. 用户获取成本(SAC):该KPI衡量获取新用户的成本，包括营销和销售费用。

这些是一些最重要的kpi，可以用来衡量电子商务订阅业务的表现。其他kpi可能也很重要，这取决于所提供的特定业务模型、产品和服务。

公式查找

这些结果很好，但如果你是第一次为一个新的行业或部门处理指标，你可能需要更多细节:

________________________________________

你可能有问题:你能在上次回复中提供8个指标的数学公式吗?

CPDA数据分析师科研组的张彤老师，在ChatGPT项目中进行过咨询：

ChatGPT回应:当然，以下是我在之前的回复中提到的8个关键绩效指标(kpi)的数学公式:

1. 月经常性收入(MRR):这个KPI是通过将付费客户数量乘以每个客户每月的平均收入来计算的。MRR =付费客户数量x每个客户每月平均收益

2. 客户获取成本(CAC):这一KPI是通过将销售和营销总成本除以特定时期内获得的新客户数量来计算的。CAC =销售和营销总成本/新客户数量

3. 客户生命周期价值(CLV):这个KPI是用每个客户的平均收益乘以客户的平均生命周期来计算的。CLV =每客户平均收益x平均客户寿命

4. 流失率:该KPI的计算方法是将取消订阅的客户数量除以特定时期开始时的客户总数。流失率=取消订阅的客户数量/期间开始时的客户总数

5. 留存率:该KPI由1减去流失率计算得出。保留率= 1 -流失率

6. 毛利率:这一KPI的计算方法是从收入中减去销售成本(COGS)，然后将结果除以收入。毛利率=(收入-销货成本)/收入

7. 净推广者评分(NPS):该KPI的计算方法是用诋毁者(对业务评分为0-6的客户)的百分比减去推广者(对业务评分为9-10的客户)的百分比。NPS =启动子% -诋毁子%

8. 用户获取成本(SAC):该KPI的计算方法是将销售和营销总成本除以特定时期内获得的新用户数量。SAC =销售和营销总成本/新用户数量

请注意，这些公式是一般的例子，计算可能会根据具体的商业模式、产品和所提供的服务而有所不同。

编写代码

让我们继续沿着我们目前正在进行的对话路径进行:

________________________________________

作者问题:这些公式很棒，但是你能在SQL代码中给出8个公式的例子吗?

回复:当然!下面是使用SQL计算8个关键性能指标(kpi)的示例:

1. 每月经常性收入:

选择

总和(subscription_amount)

从订阅

WHERE start_date >= DATE_SUB(NOW()，间隔1个月)

2. 获客成本(CAC):

选择

SUM(marketing_cost + sales_cost) / COUNT(DISTINCT customer_id)

从customer_acquisition

3. 客户终身价值(CLV):

选择

/ COUNT(DISTINCT customer_id)

从订阅

4. 流失率:

选择

计数(不同customer_id)

从订阅

在哪里

end_date >= DATE_SUB(NOW()，间隔1个月)

/

计数(不同customer_id)

从订阅

5. 保持率:

SELECT 1 (COUNT(DISTINCT customer_id))

从订阅

WHERE end_date >= DATE_SUB(NOW()，间隔1个月)

/

计数(不同customer_id)

从订阅)

6. 毛利:

选择

SUM(subscription_amount – cost_of_goods_sold)

/

总和(subscription_amount)

从订阅

7. 净启动分数(NPS):

选择

(COUNT(DISTINCT customer_id) WHERE rating >= 9)

/

计数(不同customer_id)

–

(COUNT(DISTINCT customer_id) WHERE rating <= 6)

/

计数(不同customer_id)

8. 用户获取成本(SAC):

选择

SUM(marketing_cost + sales_cost)

/

计数(不同subscriber_id)

从subscriber_acquisition

请注意，这些SQL示例是通用的，可能需要进行调整，以匹配数据库和表的特定结构。此外，我建议您验证这些查询获得的结果，因为它们可能无法正确地使用您的特定数据结构，或者可能需要进行一些调整才能正常运行。

________________________________________

正如您所看到的，最初是一个关于特定行业和部门kpi的快速问题，很快就转化为有意义的技术建议。

数据策略规划

同样，一个很好的开始方法是简单地询问ChatGPT如何开始在您的组织中规划数据策略:

________________________________________

作者问题:如何将数据策略分解为类别进行规划?

ChatGPT回应:将数据策略分解为类别可以帮助您组织计划，并确保涵盖数据管理的所有重要方面。在规划数据策略时，您可以考虑以下几个类别:

1. 数据治理:这一类别包括用于管理数据的策略和过程，例如数据质量标准、数据安全、数据隐私、数据保留和数据归档。

2. 数据架构:这一类包括数据系统的设计和组织，如数据建模、数据仓库、数据集成和数据湖。

3. 数据分析:这一类别包括将数据用于商业智能、报告和决策，如数据可视化、数据挖掘、数据建模和数据科学。

4. 数据操作:包括数据的日常管理，如数据摄取、数据处理、数据存储、数据备份等。

5. 数据安全:此类别包括保护您的数据免受未经授权的访问、破坏和丢失的措施，例如数据加密、数据屏蔽和数据备份。

6. 数据隐私:这类包括保护客户、员工和其他方的个人数据，并遵守GDPR、CCPA、HIPAA等法规的措施。

7. 数据基础设施:包括用于存储、处理和管理数据的硬件和软件，如服务器、存储设备、数据库和云服务。

8. 数据遵从性:这类包括确保遵守法律和监管要求的措施，如数据保留、数据归档、数据删除和数据报告。

通过将数据策略分解为这些类别，您可以确保涵盖数据管理的所有重要方面，并开发出满足组织独特需求的全面数据策略。

生成示例数据

为了帮助我们完成关于Ad-hoc数据分析的下一节，让我们创建一些示例数据:

________________________________________

作者问题:生成一个事务数据集的示例

当然，这是一个事务数据集的例子:

Transaction ID | Date | Customer ID | Product ID | Quantity | Price | Total

———————————————————————————–

1 | 01/01/2022 | 1 | 1001 | 2 | 25.99 | 51.98

2 | 01/02/2022 | 2 | 1002 | 1 | 50.00 | 50.00

3 | 01/03/2022 | 3 | 1003 | 3 | 10.99 | 32.97

4 | 01/04/2022 | 4 | 1004 | 4 | 15.99 | 63.96

5 | 01/05/2022 | 5 | 1005 | 2 | 30.99 | 61.98

6 | 01/06/2022 | 6 | 1006 | 1 | 75.00 | 75.00

7 | 01/07/2022 | 7 | 1007 | 5 | 12.99 | 64.95

8 | 01/08/2022 | 8 | 1008 | 3 | 20.99 | 62.97

9 | 01/09/2022 | 9 | 1009 | 4 | 25.99 | 103.96

10 | 01/10/2022 | 10 | 1010 | 2 | 35.99 | 71.98

请注意，以上数据仅为示例，表格中的具体数据取决于实际交易情况和公司的数据结构。此外，以上数据是假的，并不是基于真实数据，所以不建议在任何现实场景中使用。

快速总结指标

通用人工智能非常擅长快速总结数据集，因此我们将根据数据集进一步讨论更详细的问题:

________________________________________

作者问题:考虑到上面的表格，你能提供什么总结指标?

ChatGPT回应:

•交易总数:10

•销售总量:35

•总收入:634.65美元

•平均每笔交易销售数量:3.5

•每笔交易平均收益:63.47美元

•最受欢迎的产品:产品ID 1007(售出5台)

•最不受欢迎的产品:产品ID 1002(售出1台)

•最有价值客户:客户ID 9(产生103.96美元收入)

•价值最低的客户:客户ID 2(产生50美元收入)

•最常见的单价:25.99美元(产品ID 1001, 1009)

•最常见单价:75.00美元(产品ID 1006)

通用人工智能在分析中的关键局限性

虽然功能强大，但使用ChatGPT也有各种限制，其中一些是它缺乏与不断变化的值或仪表板进行实时交互的能力，或者无法无缝连接到分散的数据源。

幸运的是，graphhable已经覆盖了你，因为这是Domo平台的核心产品，通过交互功能，如Domo变量和数据连接灵活性，包括超过1000+预构建连接器以及Domo Workbench中行业领先的内部数据传输解决方案。

然而，为了继续实验，让我们来了解一下ChatGPT自身的局限性:

________________________________________

作者问题:你在数据分析方面的关键限制是什么?

作为一个语言模型AI，我的能力是基于用于开发我的数据和训练过程。然而，你应该注意一些与数据分析相关的关键限制:

1.数据质量:数据质量对分析的准确性和可靠性有重大影响。数据质量差，例如数据缺失或不一致，可能导致不准确或不可靠的结果。

2.数据偏差:当数据收集或分析的方式不能代表所研究的人群时，就会发生数据偏差。这可能导致不准确或不公平的结论。

3.数据隐私:使用数据进行分析可能会引起隐私问题，特别是当涉及个人数据时。确保数据的收集和使用符合相关隐私法律法规是很重要的。

4.数据安全性:在处理敏感或机密数据时，数据安全性是一个关键问题。重要的是要确保数据受到保护，防止未经授权的访问、破坏和丢失。

5.模型限制:机器学习模型只能和它们训练的数据一样好，而且它们可能不能很好地泛化到新数据。它们也会受到偏差、异常值和训练集中缺失数据的影响。

6.人为偏差:人类可以在数据收集、数据清理、特征工程和模型选择中引入偏差。因此，重要的是要意识到偏见的潜在来源，并采取措施减轻它们。

7.数据量和速度:处理大量数据并进行实时处理可能具有挑战性，需要专门的基础设施和技术。

8.解释结果:从数据分析中获得的结果可能并不总是直接的，可能需要专业知识才能正确理解。结果应该在业务问题和行业的上下文中进行验证和解释。

考虑到这些限制，重要的是要意识到它们，并采取适当的步骤尽可能减轻它们，以确保数据分析的准确性和可靠性。

结论–聊天GPT分析

总之，通用人工智能正在发展成为数据专业人员在战略规划、技术故障排除、创建示例数据、快速数据总结(非常适合QA)等方面发挥作用的强大工具。在正确的数据平台上与数据专业人员一起使用人工智能，为分析以及许多其他领域的无限用例和效率提高打开了大门。

如果您对更好地利用您的业务数据来创建有价值的见解的解决方案感到好奇，从而导致有意义的行动和效率的提高，请不要犹豫联系Graphable团队。我们很乐意与您同步，了解最新的技术、产品和最佳实践如何有效地影响您组织中的数据和分析文化。