Melhores Prompts de IA para Análise de Dados

Escreva uma consulta SQL para a seguinte tarefa: Tarefa: [descreva o que precisa, ex.: encontrar todos os usuários cadastrados nos últimos 30 dias que fizeram pelo menos uma compra] Tabelas e colunas relevantes: [descreva seu esquema ou cole comandos CREATE TABLE] Banco de dados: [ex.: PostgreSQL, MySQL, BigQuery] Retorne a consulta com comentários explicando cada etapa importante.

Esta consulta SQL está lenta. Ajude-me a otimizá-la. Consulta: [cole a consulta aqui] Banco de dados: [ex.: PostgreSQL, MySQL] Tamanho das tabelas: [ex.: pedidos tem 50M de linhas, usuários tem 2M de linhas] Índices existentes: [liste-os ou cole o plano de execução EXPLAIN] Identifique os gargalos, sugira alterações de índices e reescreva a consulta, se necessário. Explique cada otimização aplicada.

Explique esta consulta SQL em linguagem clara. Detalhe passo a passo — o que cada cláusula faz, quais dados ela processa e o que o resultado final representa: [cole a consulta aqui]

Projete um esquema de banco de dados para o seguinte caso de uso: Caso de uso: [descreva sua aplicação ou funcionalidade, ex.: SaaS multi-inquilino com projetos, tarefas e funções de usuários] Banco de dados: [ex.: PostgreSQL] Inclua: nomes de tabelas, colunas com tipos de dados e restrições, chaves primárias e estrangeiras, índices e uma explicação das decisões de design e eventuais concessões (trade-offs).

Tenho um conjunto de dados e quero realizar uma análise exploratória (EDA). Crie um plano detalhado passo a passo. Descrição do dataset: [descreva colunas, tipos de dados, volume aproximado e domínio, ex.: pedidos de e-commerce com ID do cliente, produto, preço, data] Pergunta de negócio que pretendo responder: [descreva-a] Inclua: verificações de qualidade dos dados, análise univariada, correlações e relações a explorar, visualizações recomendadas e possíveis inconsistências a monitorar.

Ajude-me a selecionar e interpretar o teste estatístico correto para minha análise. O que estou comparando: [ex.: taxas de conversão entre dois grupos de usuários] Tipo de dados: [ex.: resultados binários, medições contínuas] Tamanhos de amostra: [ex.: Grupo A: 1.200, Grupo B: 1.400] Resultados atuais: [ex.: Grupo A: 4,2%, Grupo B: 5,1%] Recomende o teste adequado, apresente as premissas necessárias, mostre o cálculo ou código correspondente e explique como interpretar o valor-p (p-value) e o intervalo de confiança em linguagem acessível.

Ajude-me a estruturar e interpretar uma análise de coorte (cohort analysis). Objetivo: [ex.: medir retenção em 30/60/90 dias pelo mês de cadastro] Dados disponíveis: [descreva tabelas e colunas, ex.: tabela de usuários com data de cadastro, tabela de eventos com ID do usuário e data do evento] Banco de dados / ferramenta: [ex.: BigQuery, pandas] Escreva a consulta ou código para construir a tabela de coortes, explique como interpretar os resultados e aponte possíveis armadilhas de análise.

Estou observando uma tendência nos meus dados e preciso de apoio para interpretá-la. Métrica: [ex.: usuários ativos semanais (WAU)] O que observei: [ex.: queda de 15% nas últimas 6 semanas após um período de crescimento constante] Contexto: [eventos conhecidos, mudanças no produto, sazonalidade ou fatores externos] Ajude-me a: identificar causas prováveis, descartar anomalias de instrumentação/dados, sugerir análises complementares para confirmar a causa-raiz e propor os próximos passos.

Recomende o tipo de gráfico mais adequado para o meu caso de uso e justifique a escolha. O que desejo apresentar: [ex.: distribuição da receita por categoria de produto e evolução mês a mês] Público: [ex.: diretoria executiva em reunião trimestral] Estrutura dos dados: [ex.: 12 meses x 6 categorias, valores entre R$ 50 mil e R$ 2 milhões] Ferramenta: [ex.: Tableau, matplotlib, Looker Studio] Sugira de 2 a 3 alternativas, classifique-as por recomendação e explique os prós e contras de cada uma.

Ajude-me a planejar o layout de um dashboard funcional e eficiente. Objetivo: [ex.: monitoramento operacional diário da equipe de suporte] Métricas-chave a exibir: [liste-as, ex.: chamados abertos, tempo de resolução, pontuação CSAT, volume por canal] Público e contexto de uso: [ex.: líderes de equipe verificam no início de cada turno] Ferramenta: [ex.: Metabase, Tableau, Grafana] Proponha uma disposição com seções lógicas, tipos de gráficos para cada indicador e boas práticas de UX para leitura rápida e intuitiva.

Ajude-me a transformar esses dados em uma narrativa clara e persuasiva para uma apresentação. Principais descobertas: [liste de 3 a 5 conclusões fundamentais da sua análise] Público: [ex.: partes interessadas não técnicas, liderança C-level] Objetivo da apresentação: [ex.: aprovar investimento em melhorias de retenção] Escreva um arco narrativo que comece com o insight mais impactante, sustente com dados concretos e finalize com recomendações claras. Mantenha o texto direto e sem jargões desnecessários.

Ajude-me a elaborar anotações para este gráfico de forma que ele seja autoexplicativo. Tipo de gráfico: [ex.: gráfico de linhas] O que ele apresenta: [ex.: receita mensal dos últimos 2 anos] Marcos importantes a destacar: [ex.: lançamento do produto em março, mudança de preços em agosto, queda pontual em dezembro] Público: [ex.: investidores em um pitch deck] Escreva de 3 a 5 rótulos de anotação concisos e impactantes, além de uma sugestão de título e subtítulo de uma frase para o gráfico.

Gere um checklist abrangente de limpeza e validação para o meu conjunto de dados. Descrição do dataset: [descreva colunas, tipos de dados, origem e domínio] Problemas conhecidos: [liste inconsistências já identificadas, ex.: linhas duplicadas, datas com formatos divergentes, valores ausentes em campos essenciais] Uso final: [ex.: treinamento de modelo de machine learning, alimentação de dashboard] Organize o checklist por ordem de prioridade, detalhando as verificações a executar e como tratar cada problema.

Ajude-me a definir a melhor abordagem para tratar valores ausentes no meu dataset. Coluna com dados ausentes: [nome da coluna e o que ela representa] Percentual ausente: [ex.: 18%] Tipo de dados: [ex.: numérico, categórico, data/hora] Como a coluna é usada na etapa seguinte: [ex.: é uma feature em um modelo de regressão] Compare as alternativas (exclusão de registros, imputação por média/mediana/moda, imputação por modelo preditivo, criação de categoria separada) e recomende a melhor solução com embasamento técnico.

Ajude-me a identificar e tratar valores atípicos (outliers) no meu conjunto de dados. Coluna: [nome da coluna e o que representa] Tipo de dado: [numérico / data/hora] Estatísticas da amostra: [ex.: mín: 0, máx: 99.000, média: 450, mediana: 380, desvio padrão: 1.200] Contexto: [ex.: valor de pedidos em reais; valores muito altos podem ser pedidos legítimos no atacado ou falhas de sistema] Sugira métodos apropriados de detecção (IQR, z-score, Isolation Forest, etc.), forneça o código em [Python/SQL] e recomende como proceder com os outliers confirmados.

Ajude-me a padronizar valores inconsistentes nesta coluna. Nome da coluna: [ex.: país] Amostra de valores despadronizados: [ex.: 'Brasil', 'brasil', 'BR', 'BRA', 'brazil'] Formato de saída desejado: [ex.: códigos ISO 3166-1 alfa-2] Ferramenta: [ex.: Python pandas, SQL, dbt] Escreva o código para mapear e normalizar esses valores, tratar casos excepcionais e sinalizar registros que não puderem ser convertidos automaticamente.

Escreva um pipeline de processamento de dados usando pandas para a seguinte tarefa. Entrada: [descreva a fonte de dados, ex.: arquivo CSV com colunas: user_id, event_type, timestamp, revenue] Transformações necessárias: 1. [ex.: filtrar apenas eventos de compra] 2. [ex.: agregar receita por usuário por mês] 3. [ex.: calcular taxa de crescimento mês a mês] Saída: [descreva o resultado esperado, ex.: DataFrame com uma linha por usuário por mês] Escreva código limpo, legível e comentado. Utilize encadeamento de métodos (method chaining) onde isso melhorar a clareza.

Escreva código Python para gerar a seguinte visualização. Tipo de gráfico: [ex.: mapa de calor (heatmap), barras agrupadas, série temporal com intervalo de confiança] Dados: [descreva a estrutura do DataFrame, ex.: colunas: mês, categoria, valor] Requisitos visuais: [ex.: tema escuro, paleta acessível para daltônicos, sem bordas desnecessárias] Saída: [ex.: salvar como imagem PNG em 300 DPI] Utilize matplotlib e/ou seaborn. Adicione título adequado, rótulos de eixos e legenda. Deixe o gráfico pronto para publicação.

Sugira ideias de engenharia de features para meu conjunto de dados de machine learning. Variável alvo (target): [ex.: se um usuário vai cancelar nos próximos 30 dias (churn)] Features brutas disponíveis: [liste-as com os tipos, ex.: data_cadastro (data), ultimo_login (data), total_sessoes (int), tipo_plano (categórico)] Granularidade dos dados: [ex.: uma linha por usuário] Sugira de 10 a 15 features derivadas, explique a intuição analítica de cada uma e forneça o código em pandas para criá-las.

Escreva um script Python de validação de dados para o meu dataset. Dataset: [descreva colunas, tipos e origem] Regras de validação a aplicar: 1. [ex.: user_id não pode ser nulo e deve ser único] 2. [ex.: data_evento deve estar entre 2020-01-01 e a data atual] 3. [ex.: valor_receita deve ser >= 0] 4. [ex.: status deve ser um de: ativo, inativo, pendente] O script deve exibir um relatório consolidado com todas as violações encontradas, em vez de falhar no primeiro erro. Use pandas ou Great Expectations.

Escreva um sumário executivo com base nas seguintes descobertas de dados. Contexto: [ex.: revisão de desempenho do 1º trimestre de 2026 para um produto SaaS] Métricas principais: - [métrica 1]: [valor e variação em relação ao período anterior] - [métrica 2]: [valor e variação] - [métrica 3]: [valor e variação] Fatos relevantes: [ex.: lançamento do recurso X em fevereiro, perda de um cliente-chave em março] Escreva um sumário executivo de 150 a 200 palavras. Destaque a conclusão mais importante logo no início, aborde problemas com transparência e encerre com as 2 a 3 prioridades para o próximo trimestre.

Escreva um relatório semanal sucinto para os seguintes números. Equipe / produto: [ex.: time de Growth, aplicativo móvel] Semana: [ex.: semana de 17 de março de 2026] Métricas desta semana: - [métrica]: [valor] vs [valor da semana anterior] - [métrica]: [valor] vs [valor da semana anterior] Destaques positivos: [conquistas ou marcos atingidos] Pontos de atenção: [quedas ou inconsistências observadas] Formate como uma atualização curta para Slack ou e-mail: 3 a 5 tópicos, linguagem direta e sem jargões. Sinalize itens que exigem ação imediata.

Escreva um resumo claro dos resultados do meu teste A/B para um público não técnico. Nome do teste: [ex.: Novo fluxo de checkout] Hipótese: [ex.: Simplificar o checkout para 2 etapas aumentará a conversão] Controle vs variante: [descreva a alteração testada] Resultados: - Métrica primária: [ex.: taxa de conversão] — Controle: [X%], Variante: [Y%], ganho relativo: [Z%] - Significância estatística: [ex.: p=0,03, IC 95%: +1,2% a +4,8%] - Métricas secundárias/de guarda: [resultados das métricas de controle] Duração do teste: [ex.: 14 dias, 25.000 usuários por grupo] Explique o significado prático dos resultados, se a alteração deve ser implementada em produção e eventuais ressalvas a considerar.

Elabore um dicionário de dados para a seguinte tabela ou dataset. Nome da tabela: [ex.: pedidos] Colunas: - [nome_coluna]: [tipo de dado, ex.: INT] — [breve descrição do conteúdo] - [nome_coluna]: [tipo de dado] — [descrição] - [adicione mais conforme necessário] Público-alvo: [ex.: novos analistas de dados que estão entrando na equipe] Para cada coluna inclua: nome, tipo de dado, descrição, exemplos de valores, permissão de valores nulos e peculiaridades ou pegadinhas conhecidas. Formate como uma tabela limpa em Markdown.