Migliori Prompt AI per Analisi Dati

Scrivi una query SQL per la seguente attività: Attività: [descrivi cosa desideri estrarre, es. trovare tutti gli utenti che si sono registrati negli ultimi 30 giorni e hanno effettuato almeno un acquisto] Tabelle e colonne pertinenti: [descrivi lo schema o incolla le istruzioni CREATE TABLE] Database: [es. PostgreSQL, MySQL, BigQuery] Fornisci la query corredata da commenti che spieghino ogni passaggio chiave.

Questa query SQL ha tempi di esecuzione troppo lenti. Aiutami a ottimizzarla. Query: [incolla la query qui] Database: [es. PostgreSQL, MySQL] Dimensioni delle tabelle: [es. orders ha 50 milioni di righe, users ha 2 milioni di righe] Indici esistenti: [elencali o incolla l'output di EXPLAIN] Identifica i colli di bottiglia, suggerisci modifiche agli indici e riscrivi la query se necessario. Spiega ogni singola ottimizzazione proposta.

Spiega questa query SQL in modo semplice e comprensibile. Analizzala passo dopo passo: cosa fa ciascuna clausola, quali dati produce e cosa rappresenta il risultato finale: [incolla la query qui]

Progetta uno schema di database per il seguente caso d'uso: Caso d'uso: [descrivi l'applicazione o la funzionalità, es. un SaaS multi-tenant con progetti, task e ruoli utente] Database: [es. PostgreSQL] Includi: nomi delle tabelle, colonne con tipi di dati e vincoli, chiavi primarie ed esterne, indici e una spiegazione dettagliata delle scelte progettuali e degli eventuali compromessi (trade-off).

Ho a disposizione un dataset e desidero condurre un'analisi esplorativa dei dati (EDA). Crea un piano strutturato passo dopo passo. Descrizione del dataset: [descrivi colonne, tipi di dati, dimensioni approssimative e dominio applicativo, es. ordini e-commerce con ID cliente, prodotto, prezzo, data] Domanda di business a cui intendo rispondere: [descrivila] Includi: verifiche sulla qualità dei dati, analisi univariata, relazioni da esplorare, visualizzazioni da produrre ed eventuali anomalie o campanelli d'allarme a cui prestare attenzione.

Aiutami a scegliere e interpretare il test statistico più indicato per la mia analisi. Elementi a confronto: [es. tassi di conversione tra due gruppi di utenti] Tipologia di dati: [es. esiti binari, misurazioni continue] Dimensioni dei campioni: [es. Gruppo A: 1.200, Gruppo B: 1.400] Risultati attuali: [es. Gruppo A: 4,2%, Gruppo B: 5,1%] Consiglia il test appropriato, enuncia le assunzioni di base, mostra il calcolo o il codice ed esprimi in modo chiaro e divulgativo come interpretare il p-value e l'intervallo di confidenza.

Aiutami a progettare e interpretare un'analisi per coorti (cohort analysis). Obiettivo: [es. misurare la retention a 30/60/90 giorni per mese di registrazione] Dati disponibili: [descrivi tabelle e colonne, es. tabella utenti con signup_date, tabella eventi con user_id e event_date] Database / strumento: [es. BigQuery, pandas] Scrivi la query o il codice per generare la tabella di coorte, spiega come leggere l'output ed evidenzia eventuali errori comuni di interpretazione.

Sto riscontrando un trend nei miei dati e ho bisogno di supporto per interpretarlo correttamente. Metrica: [es. utenti attivi settimanali] Cosa osservo: [es. calo del 15% nelle ultime 6 settimane dopo una crescita costante] Contesto: [eventi noti, modifiche di prodotto, stagionalità o fattori esterni] Aiutami a: individuare le cause più plausibili, escludere anomalie nel tracciamento dei dati, suggerire ulteriori analisi per confermare la causa radice e definire i prossimi passi raccomandati.

Consigliami il tipo di grafico migliore per il mio caso d'uso e spiegami il motivo. Cosa desidero rappresentare: [es. ripartizione del fatturato per categoria di prodotto e andamento mese su mese] Destinatari: [es. team di direzione in una revisione trimestrale aziendale] Struttura dei dati: [es. 12 mesi x 6 categorie, valori da 10.000 € a 2 milioni di €] Strumento: [es. Tableau, matplotlib, Looker Studio] Proponi 2-3 opzioni, ordinale per efficacia e spiegane i relativi pro e contro.

Aiutami a progettare un layout efficace per una dashboard. Finalità: [es. monitoraggio operativo quotidiano per il team di assistenza clienti] Metriche chiave da mostrare: [elencale, es. ticket aperti, tempo di risoluzione, punteggio CSAT, volume ticket per canale] Destinatari e modalità di utilizzo: [es. i team leader la consultano all'inizio di ogni turno] Strumento: [es. Metabase, Tableau, Grafana] Proponi una suddivisione in sezioni, i tipi di grafici consigliati per ogni metrica e le best practice di UX per garantire una leggibilità immediata a colpo d'occhio.

Aiutami a trasformare questi dati in una narrazione chiara e coinvolgente per una presentazione. Risultanze chiave: [elenca 3-5 insight principali emersi dall'analisi] Destinatari: [es. stakeholder non tecnici, dirigenti C-level] Obiettivo della presentazione: [es. ottenere l'approvazione per investire nel miglioramento della retention] Elabora una struttura narrativa che esordisca con l'insight più rilevante, lo sostenga con evidenze numeriche e si concluda con una raccomandazione azionabile. Mantieni il testo sintetico e privo di gergo tecnico.

Aiutami a scrivere annotazioni per questo grafico in modo che risulti autoesplicativo. Tipo di grafico: [es. grafico a linee] Cosa rappresenta: [es. fatturato mensile degli ultimi 2 anni] Momenti salienti da evidenziare: [es. lancio di prodotto a marzo, variazione prezzi ad agosto, flessione a dicembre] Destinatari: [es. investitori in un pitch deck] Scrivi 3-5 annotazioni brevi e incisive, accompagnate da un titolo e un sottotitolo di una riga per il grafico.

Genera una checklist esaustiva per la pulizia del mio dataset. Descrizione del dataset: [descrivi colonne, tipi di dati, sorgente e ambito] Problemi già riscontrati: [elenca eventuali criticità note, es. righe duplicate, formati data disomogenei, valori mancanti in colonne critiche] Utilizzo finale: [es. addestramento di un modello di machine learning, alimentazione di una dashboard] Organizza la checklist in ordine di priorità e specifica quali controlli effettuare e come correggere ciascuna anomalia.

Aiutami a definire il trattamento più appropriato per i valori mancanti (missing values) nel mio dataset. Colonna con valori mancanti: [nome colonna e cosa rappresenta] Percentuale di dati mancanti: [es. 18%] Tipo di dato: [es. numerico, categorico, data/ora] Utilizzo della colonna a valle: [es. variabile predittiva in un modello di regressione] Confronta le possibili opzioni (eliminazione delle righe, imputazione con media/mediana/moda, imputazione basata su modelli, valorizzazione come categoria a parte) e raccomanda l'approccio ottimale motivando la scelta.

Aiutami a rilevare e gestire i valori anomali (outlier) nel mio dataset. Colonna: [nome della colonna e cosa rappresenta] Tipo di dato: [numerico / data e ora] Statistiche di base: [es. min: 0, max: 99.000, media: 450, mediana: 380, deviazione standard: 1.200] Contesto: [es. valore dell'ordine in euro; cifre molto alte potrebbero rappresentare ordini all'ingrosso legittimi o errori nei dati] Suggerisci metodi di rilevamento adatti (IQR, z-score, Isolation Forest, ecc.), fornisci il codice in [Python/SQL] e consiglia come trattare gli outlier confermati.

Aiutami a standardizzare valori disomogenei presenti in questa colonna. Nome colonna: [es. paese] Esempio di valori disomogenei: [es. 'Italia', 'IT', 'ITA', 'italia', 'Italy'] Formato di output desiderato: [es. codici paese ISO 3166-1 alpha-2] Strumento: [es. Python pandas, SQL, dbt] Scrivi il codice per mappare e standardizzare questi valori, gestire i casi particolari e segnalare le voci che non possono essere mappate in automatico.

Scrivi una pipeline di elaborazione dati con pandas per la seguente attività. Input: [descrivi la sorgente dati, es. un file CSV con colonne: user_id, event_type, timestamp, revenue] Trasformazioni richieste: 1. [es. filtrare solo gli eventi di acquisto] 2. [es. aggregare i ricavi per utente su base mensile] 3. [es. calcolare il tasso di crescita mese su mese] Output: [descrivi il risultato atteso, es. un DataFrame con una riga per utente per mese] Scrivi codice pulito, leggibile e ben commentato. Utilizza il method chaining dove contribuisce alla chiarezza.

Scrivi codice Python per creare la seguente visualizzazione dati. Tipo di grafico: [es. heatmap, grafico a barre raggruppate, serie temporale con intervallo di confidenza] Dati: [descrivi la struttura del DataFrame, es. colonne: mese, categoria, valore] Requisiti stilistici: [es. sfondo scuro, palette accessibile per daltonici, assenza di bordi del grafico] Output: [es. salvataggio in PNG a 300 DPI] Usa matplotlib e/o seaborn. Aggiungi titolo, etichette degli assi e legenda ben formattati. Rendi il grafico pronto per la pubblicazione.

Suggerisci idee di feature engineering per il mio dataset di machine learning. Target di predizione: [es. se un utente abbandonerà il servizio nei prossimi 30 giorni] Feature grezze disponibili: [elencale con i rispettivi tipi, es. signup_date (data), last_login (data), num_sessions (int), plan_type (categorico)] Granularità dei dati: [es. una riga per utente] Suggerisci 10-15 feature derivate, spiega l'intuizione alla base di ciascuna e fornisci il relativo codice pandas per generarle.

Scrivi uno script Python per la validazione della qualità del mio dataset. Dataset: [descrivi colonne, tipi di dati e sorgente] Regole di validazione da verificare: 1. [es. user_id non deve contenere valori nulli e deve essere univoco] 2. [es. event_date deve essere compresa tra 2020-01-01 e la data odierna] 3. [es. revenue deve essere >= 0] 4. [es. status deve appartenere a: active, inactive, pending] Lo script deve stampare un riepilogo delle violazioni riscontrate, senza bloccarsi al primo errore. Usa pandas o Great Expectations.

Scrivi un executive summary basato sulle seguenti evidenze di dati. Contesto: [es. revisione delle performance del primo trimestre 2026 per un prodotto SaaS] Metriche chiave: - [metrica 1]: [valore e variazione rispetto al periodo precedente] - [metrica 2]: [valore e variazione] - [metrica 3]: [valore e variazione] Eventi rilevanti: [es. rilascio della funzionalità X a febbraio, perdita di un cliente strategico a marzo] Scrivi un executive summary di 150-200 parole. Esordisci con l'insight principale, sii trasparente sulle criticità e chiudi con le 2-3 priorità per il prossimo trimestre.

Scrivi un report settimanale conciso per i seguenti indicatori numerici. Team / prodotto: [es. Growth team, applicazione mobile] Settimana: [es. settimana del 17 marzo 2026] Metriche della settimana: - [metrica]: [valore] vs [valore settimana precedente] - [metrica]: [valore] vs [valore settimana precedente] Successi e punti salienti: [traguardi o eventi rilevanti] Criticità: [flessioni o problemi riscontrati] Formatta il testo come un breve aggiornamento per Slack o email: 3-5 punti elenco, linguaggio diretto e privo di gergo. Evidenzia gli elementi che richiedono attenzione immediata.

Scrivi un riepilogo chiaro dei risultati del mio A/B test per un pubblico non tecnico. Nome del test: [es. Nuovo flusso di checkout] Ipotesi: [es. Semplificare il checkout a 2 passaggi aumenterà il tasso di conversione] Gruppo di controllo vs variante: [descrivi la modifica introdotta] Risultati: - Metrica primaria: [es. tasso di conversione] — Controllo: [X%], Variante: [Y%], incremento relativo: [Z%] - Significatività statistica: [es. p=0,03, IC 95%: da +1,2% a +4,8%] - Metriche secondarie: [eventuali metriche di controllo (guardrail) e relativi esiti] Durata del test: [es. 14 giorni, 25.000 utenti per gruppo] Spiega il significato concreto dei risultati, se procedere con il rilascio della modifica ed eventuali limitazioni da tenere presenti.

Redigi un dizionario dei dati (data dictionary) per la seguente tabella o dataset. Nome tabella: [es. orders] Colonne: - [nome_colonna]: [tipo di dato, es. INT] — [breve descrizione del contenuto] - [nome_colonna]: [tipo di dato] — [descrizione] - [aggiungi altre colonne se necessario] Destinatari: [es. nuovi data analyst che entrano nel team] Per ciascuna colonna includi: nome, tipo di dato, descrizione, valori di esempio, ammissibilità di valori nulli ed eventuali particolarità o avvertenze note. Impagina il tutto in una tabella markdown chiara e ordinata.