Biblioteka promptów

Ocena jakości danych przed analizą

Kontrola braków, duplikatów, typów, zakresów i spójności przed wyciąganiem wniosków.

Prompt – 4 zmienne do uzupełnienia

Oceń jakość załączonego zbioru danych przed analizą.
Cel późniejszej analizy: [CEL]
Opis kolumn: [OPIS KOLUMN]
Źródło i sposób zbierania danych: [ŹRÓDŁO]
Oczekiwane reguły biznesowe: [REGUŁY].

Sprawdź typy danych, braki, duplikaty, nieprawidłowe zakresy, niespójne formaty, wartości odstające i zależności między kolumnami. Dla każdego problemu podaj liczbę i odsetek rekordów, jeśli można je obliczyć, przykłady oraz możliwy wpływ na analizę. Nie usuwaj ani nie poprawiaj danych po cichu.

Zaproponuj reguły czyszczenia, ale rozdziel bezpieczne normalizacje od decyzji wymagających potwierdzenia biznesowego. Podsumuj, do jakich analiz zbiór nadaje się już teraz, a jakie wnioski byłyby ryzykowne.

Kiedy użyć tego promptu

Zanim zaczniesz analizę, raport albo model – gdy dostajesz eksport z systemu, arkusz od klienta albo dane z formularzy. Błędy w danych (duplikaty, braki, różne formaty) prowadzą do błędnych wniosków. Prompt sprawdza dane i oddziela bezpieczne poprawki od decyzji, które musi podjąć biznes.

Przykład

Przykładowe dane do uzupełnienia:

  • CEL: analiza sprzedaży według regionów i kanałów za 2026 rok
  • OPIS KOLUMN: data zamówienia, id klienta, województwo, kanał, wartość netto, status
  • ŹRÓDŁO: eksport z systemu sklepu połączony ręcznie z zamówieniami telefonicznymi z arkusza
  • REGUŁY: wartość netto większa od zera, status tylko: opłacone, anulowane, zwrot

Czego się spodziewać: Dostaniesz listę problemów z liczbą i odsetkiem rekordów, np. województwa zapisane różnie („mazowieckie”, „Mazowieckie”, „MAZ”), duplikaty zamówień z obu źródeł, wartości ujemne przy zwrotach – z wpływem na analizę i propozycją reguł, z podziałem na bezpieczne poprawki i decyzje do potwierdzenia.

Jak dopasować prompt do siebie

  • Dane z ankiety: dodaj sprawdzenie odpowiedzi niepełnych i podejrzanie szybkich.
  • Duży plik: poproś o skrypt w Pythonie albo kroki w Power Query do sprawdzenia danych.
  • Dane cykliczne: poproś o listę kontrolną do sprawdzania każdego nowego eksportu.

Wskazówki

  • Pracuj na kopii danych – nie zmieniaj oryginału.
  • Zapisz wszystkie zmiany w danych – przy pytaniach o wyniki będziesz wiedzieć, co zrobiłeś.
  • Dane osobowe zanonimizuj przed wklejeniem do narzędzia AI.

Najczęstsze błędy

  • Usuwanie „dziwnych” rekordów bez sprawdzenia, czy to błąd, czy ważny wyjątek.
  • Rozpoczęcie analizy bez sprawdzenia duplikatów po łączeniu źródeł.

Co dalej – dopytaj model

Gdy dostaniesz odpowiedź, możesz pójść krok dalej tym poleceniem:

Wygeneruj skrypt w Pythonie, który raportuje wykryte problemy i zapisuje oczyszczoną kopię bez nadpisywania oryginału.