CSV-től a teljes analitikai jelentésig ChatGPT-vel 5 egyszerű lépésben – KDnuggets

Kép rawpixel.com on Freepik
 

Nem számít, milyen üzlettel foglalkozik, az adatok elemzésének ismerete fontosabb, mint valaha az adatvezérelt korszakban. Az adatelemzés lehetővé tenné a vállalkozások számára, hogy versenyképesek maradjanak, és jobb döntéseket hozzanak.

Az adatelemzés fontossága arra késztet minden egyént, hogy tudja, hogyan végezzen adatelemzést. Néha azonban túl sok időt vesz igénybe az adatelemzés. Ezért támaszkodhattunk a ChatGPT-re, hogy teljes jelentést készítsen adatfájlunkból.

Ez a cikk öt egyszerű lépést mutat be, amelyekkel teljes analitikai jelentéseket hozhat létre a CSV-fájlból. Ez az öt lépés a következőket tartalmazza:

1. lépés: A CSV-fájl importálása

2. lépés: Adatösszegzés és előfeldolgozás

3. lépés: Adatelemzés

4. lépés: Adatvizualizáció

5. lépés: Jelentéskészítés

Ez a cikk előfeltételként feltételezi, hogy az olvasó előfizetett a ChatGPT Plus szolgáltatásra. Ennek tudatában kezdjük is el.

Az első lépés az elemezni kívánt CSV-fájl előkészítése és jelentés létrehozása. Ez a fájl bármilyen megbízható forrásból származhat, de ez a cikk a Telecom Churn adatkészletét használja Kaggle.

Győződjön meg arról, hogy az adatok strukturáltak, rendszerezettek és világos fejléccel rendelkeznek. Ha van egy bizonyos célpontja, amelyet elemezni szeretne, ne felejtse el felvenni ezeket az adatokat a fájlba. Példánkban megpróbálunk elemzést végezni a lemorzsolódási oszlopra vonatkozóan.

Ha készen vannak az adatok, csatolja őket a ChatGPT-hez, és hagyja, hogy a modell elvégezze a munkáját.

A következő lépés az adatok összegzése a CSV-fájlunkból, és előfeldolgozása. Írja be a következő promptot az adatok feltöltése közben.

Provide the data summary to this file and perform appropriate data processing for the dataset.

A fenti felszólítás a következő eredményeket adja:

Íme az adatkészlet összefoglalása:

Sorok száma: 3333

Oszlopok száma: 11

Oszlopok nevei:

Köpül

AccountWeeks

Szerződés meghosszabbítása

Adat terv

Adathasználat

CustServCalls

DayMins

Napi hívások

Havidíj

OverageFee

RoamMins

Adattípusok:

Egész szám: Lemorzsolódás, AccountWeeks, ContractRenewal, DataPlan, CustServCalls, DayCalls

Float: DataUsage, DayMins, Monthly Charge, OverageFee, RoamMins

Hiányzó értékek: Nincs hiányzó érték egyik oszlopban sem.

A ChatGPT egyértelműen jól tudta olvasni az adatokat, és biztosítani tudta az adott adatkészletet. A következő eredmény a ChatGPT-ből származó adatok előfeldolgozása.

Mivel az adatkészletben nincsenek hiányzó értékek, az adatok tisztítása és előfeldolgozása a következőkre összpontosít:

• Ellenőrzi, hogy az adatokban vannak-e kiugró értékek vagy anomáliák.
• Szükség esetén az adatok normalizálása vagy szabványosítása, különösen a folyamatos számértékeket tartalmazó oszlopok esetében.
• Kategorikus adatok szükség esetén elemzésre alkalmas formátumba konvertálása.

Folytassuk ezekkel a lépésekkel. 
 

A boxplotok vizuális áttekintést nyújtanak az adatkészlet minden egyes numerikus oszlopában található lehetséges kiugró értékekről. Íme néhány megfigyelés:

• AccountWeeks, CustServCalls, DayCalls: Ezek az oszlopok meglehetősen normális eloszlást mutatnak néhány kiugró értékkel.
• DataUsage, DayMins, MonthlyCharge, OverageFee, RoamMins: Ezek az oszlopok is mutatnak néhány kiugró értéket, de úgy tűnik, hogy az adatok természetét tekintve ésszerű tartományon belül vannak.
• Churn, ContractRenewal, DataPlan: Kategorikus/bináris adatokról lévén szó, ezek az oszlopok nem mutatnak hagyományos kiugró értékeket.

Ezen információk birtokában az adatok tisztításának és előfeldolgozásának következő lépései a következők lehetnek:

• Kiugró értékek kezelése: Eldönthetjük, hogy eltávolítjuk, korlátozzuk vagy más módon kezeljük a kiugró értékeket az Ön egyedi elemzési igényei és a domain ismerete alapján.
• Adatátalakítás: Ha szükséges, normalizálhatjuk vagy szabványosíthatjuk az olyan oszlopokat, mint a DayMins, a MonthlyCharge stb., különösen akkor, ha olyan algoritmusokat tervez, amelyek érzékenyek az adatok léptékére.
• Kategorikus adatkódolás: Konvertálja a kategorikus adatokat elemzésre alkalmas formátumba, ha ilyen átalakításra van szükség.

Hagyhatja, hogy a ChatGPT további lépéseket hajtson végre az adatok tisztításához és előfeldolgozásához, vagy hagyja, hogy a folyamat úgy legyen, ahogy van. Ebben a példában a következő lépésekkel folytatnánk.

Ezután a ChatGPT-vel adatelemzést végzünk. Az adatelemzés attól függ, hogy mit szeretne elérni. Esetünkben a Churn POV-ból szeretnénk adatelemzést végezni.

Az alábbi promptot használjuk az adatelemzés végrehajtásához a ChatGPT-vel a fenti esetben.

Please perform the data analysis based on the data above with respect to the churn data.

Az adatelemzés a következő eredményben látható.

A lemorzsolódási adatokkal kapcsolatos adatelemzés elvégzéséhez arra összpontosítunk, hogy megértsük, hogyan kapcsolódnak különböző tényezők az ügyfelek lemorzsolódásához. A lemorzsolódást, mivel bináris változó (0 ha nincs lemorzsolódás, 1 ha churn), általában osztályozási módszerekkel és más változókkal való kapcsolatok vizsgálatával elemezzük. Íme a terv:

1. Korrelációelemzés: Kezdésként megvizsgáljuk, hogy az egyes numerikus jellemzők hogyan korrelálnak a lemorzsolódással. Ez ad nekünk egy kezdeti megértést arról, hogy mely tényezők lehetnek szorosabb kapcsolatban a lemorzsolódással.

2. Statisztikai tesztek: Az olyan kategorikus változók esetében, mint a ContractRenewal és a DataPlan, statisztikai teszteket használhatunk annak megállapítására, hogy vannak-e szignifikáns különbségek a lemorzsolódási arányok között a különböző kategóriák között.

3. Vizuális elemzés: Létrehozunk néhány vizualizációt, hogy tovább vizsgáljuk ezeket a kapcsolatokat. Ez magában foglalja a különböző csoportok lemorzsolódási arányának összehasonlítását, valamint a kulcsváltozók lemorzsolódásának összehasonlítását.

4. Összefoglaló statisztikák: Összefoglaló statisztikát adunk a különböző csoportokhoz a lemorzsolódási állapot alapján, hogy megnézzük, vannak-e észrevehető különbségek az átlagokban vagy az eloszlásban.

Kezdjük a korrelációs elemzéssel, majd folytassuk a következő lépésekkel.

Korrelációs elemzés Churnnal

A különböző változók korrelációja a lemorzsolódással a következő (a legerősebb negatívtól a legerősebb pozitív korrelációig):

Negatív összefüggés:

• Szerződésmegújítás: A legerősebb negatív korreláció. Azt jelzi, hogy azok az ügyfelek, akik nem hosszabbítják meg a szerződésüket, nagyobb valószínűséggel fognak lemondani.
• DataPlan: Az adatforgalmi előfizetéssel nem rendelkező ügyfelek valamivel nagyobb valószínűséggel hibáznak.
• DataUsage: A nagyobb adathasználat enyhén csökkenti a lemorzsolódás valószínűségét.

Pozitív korreláció:

• AccountWeeks, DayCalls: Nagyon gyenge pozitív korreláció, ami minimális hatással van a lemorzsolódásra.
• RoamMins: A lemorzsolódás valószínűségének enyhe növekedése a roaming percek számának növekedésével.
• Havidíj: Valamivel magasabb lemorzsolódási arány megnövekedett havi díjakkal.
• OverageFee: A magasabb túlélési díjak mérsékelten korrelálnak a megnövekedett lemorzsolódással.
• DayMins: A magasabb napi percek mérsékelten korrelálnak a megnövekedett lemorzsolódással.
• CustServCalls: Erős pozitív korreláció. Több ügyfélszolgálati hívás magasabb lemorzsolódási arányhoz kapcsolódik.

Ezen összefüggések alapján úgy tűnik, hogy az olyan tényezők, mint a szerződés megújítása, az ügyfélszolgálati hívások, a napi percek és a többletdíjak szorosabban kapcsolódnak a lemorzsolódáshoz. Vizuális elemzéssel és statisztikai tesztekkel tovább kutathatjuk ezeket a tényezőket, különösen az olyan kategorikus változók esetében, mint a ContractRenewal és a DataPlan.

Vizuális elemzés

A vizualizációk értékes betekintést nyújtanak a különböző változók és a lemorzsolódás közötti kapcsolatba:

Lemorzsolódás a ContractRenewal és a DataPlan szerint:

• Szerződés megújítása: A lemorzsolódási arányok jelentős eltérései nyilvánvalóak. Azok az ügyfelek, akik nem hosszabbították meg szerződésüket, magasabb lemorzsolódást mutatnak.
• DataPlan: Észrevehető különbség van a lemorzsolódási arányok között attól függően, hogy az ügyfelek rendelkeznek-e adatcsomaggal vagy sem, az adattervvel nem rendelkezők pedig magasabb lemorzsolódást mutatnak.

Numerikus változók (CustServCalls, DayMins, MonthlyCharge, OverageFee) lemorzsolódás szerint:

• CustServCalls: Azok az ügyfelek, akiknél több ügyfélszolgálati hívás érkezik, általában többet hallgatnak.
• DayMins: A magasabb napi percek nagyobb eséllyel járnak együtt.
• Havidíj: A magasabb havi díjak együtt járnak a megnövekedett lemorzsolódási aránnyal.
• OverageFee: A magasabb túlélési díjak a megnövekedett lemorzsolódáshoz is társulnak.

Következtetések az elemzésből

• A szerződés megújítási állapota és az adatcsomag megléte jelentős tényezők az ügyfelek lemorzsolódásában.
• A magas használat (napi percekben kifejezve) és a magas költségek (havi díjak és túllépési díjak) magasabb lemorzsolódási rátával járnak.
• Az ügyfélszolgálati hívások magasabb száma erős mutatója a potenciális lemorzsolódásnak.

Következő lépések

Ezen betekintések alapján célzott stratégiákat lehet kidolgozni a lemorzsolódás csökkentésére, például javítani kell az ügyfélszolgálatot, felül kell vizsgálni az árképzési stratégiákat, vagy ösztönözni lehet a szerződés megújítását és az adatcsomag-előfizetéseket.

Egyetlen felszólítással láthatjuk, hogy a ChatGPT mennyire képes teljes adatelemzést adni, és betekintést nyerni az adatokból. Módosíthatja az elemzési célokat, és onnan indulhat.

Az adatvizualizáció egy támogató tevékenység az adatelemzés és az átfogó jelentés javításához. A vizualizáció birtokában átfogóbb jelentést készíthetünk adataink megértéséhez.

A következő prompt segítségével elvégezhetjük az adatvizualizációt a ChatGPT-vel.

Please perform data visualization from the data analysis to explain the data better.

Az adatelemzési eredmények jobb megértése érdekében egy sor vizualizációt készítek, amelyek egyértelműen leírják az ügyfelek lemorzsolódásával kapcsolatos legfontosabb megállapításokat. Ezek a vizualizációk a következőket tartalmazzák:

1. Bar Plots kategorikus változókhoz:

• A lemorzsolódási arányok összehasonlítása szerződés-megújítással és anélkül.
• Adatcsomaggal rendelkező és anélküli ügyfelek lemorzsolódási arányának összehasonlítása.
• Box Plots kulcsfontosságú numerikus változókhoz:

2. Ügyfélszolgálati hívások vs.

• Napi percek vs.
• Havi díjak és lemorzsolódás.
• Túlélési díjak vs.

3. A korreláció hőtérképe:

Az összes változó korrelációjának megjelenítése a churn-nel.

A vizualizáció megmutatja az összes fontos diagramot, amely a teljes adatkészletet magába foglalja. Minden cselekményhez kérhetünk részletesebb leírást, amit önállóan is kipróbálhat.

Az utolsó lépés a jelentés elkészítése az előző lépések alapján. Sajnos előfordulhat, hogy a ChatGPT nem rögzíti az adatelemzés összes leírását és betekintést, de a jelentés egyszerű változata továbbra is elérhető.

Használja a következő prompt PDF-jelentés létrehozásához az előző elemzés alapján.

Please provide me with the pdf report from the first step to the last step.

Megkapja a PDF hivatkozás eredményét a korábbi elemzésével. Próbálja meg ismételni a lépéseket, ha úgy érzi, hogy az eredmény nem megfelelő, vagy ha vannak olyan dolgok, amelyeken változtatni szeretnének.

Az adatelemzés olyan tevékenység, amelyet mindenkinek tudnia kell, mivel ez az egyik leginkább szükséges készség a jelenlegi korszakban. Az adatelemzés végrehajtásának megismerése azonban sokáig tarthat. A ChatGPT segítségével minimálisra csökkenthetjük ezt a tevékenységi időt. 

Ebben a cikkben megvitattuk, hogyan hozhat létre teljes analitikai jelentést CSV-fájlokból 5 lépésben. A ChatGPT végpontok közötti adatelemzési tevékenységet biztosít a felhasználóknak, a fájl importálásától a jelentés elkészítéséig.
 
 

Cornelius Yudha Wijaya adattudományi asszisztens menedzser és adatíró. Miközben teljes munkaidőben dolgozik az Allianz Indonesia-nál, szeret Python és Data tippeket megosztani a közösségi médián és az írási médián keresztül.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://www.kdnuggets.com/from-csv-to-complete-analytical-report-with-chatgpt-in-5-simple-steps?utm_source=rss&utm_medium=rss&utm_campaign=from-csv-to-complete-analytical-report-with-chatgpt-in-5-simple-steps