Veri Analizi ve Bilimi için En İyi Yapay Zeka Promptları

Aşağıdaki görev için bir SQL sorgusu yazın: Görev: [neye ihtiyacınız olduğunu açıklayın, örn. son 30 günde kaydolmuş ve en az bir alışveriş yapmış tüm kullanıcıları bul] İlgili tablolar ve sütunlar: [şemanızı açıklayın veya CREATE TABLE ifadelerini yapıştırın] Veritabanı: [örn. PostgreSQL, MySQL, BigQuery] Her kilit adımı açıklayan yorum satırlarıyla birlikte sorguyu döndürün.

Bu SQL sorgusu yavaş çalışıyor. Optimize etmeme yardımcı olun. Sorgu: [sorguyu buraya yapıştırın] Veritabanı: [örn. PostgreSQL, MySQL] Tablo boyutları: [örn. siparişler tablosunda 50 milyon satır, kullanıcılar tablosunda 2 milyon satır var] Mevcut indeksler: [bunları listeleyin veya EXPLAIN çıktısını yapıştırın] Darboğazları tespit edin, indeks değişiklikleri önerin ve gerekiyorsa sorguyu yeniden yazın. Her optimizasyonu açıklayın.

Bu SQL sorgusunu sade bir dille açıklayın. Adım adım üzerinden geçin — her cümlenin (clause) ne yaptığını, hangi veriyi ürettiğini ve nihai sonucun neyi temsil ettiğini anlatın: [sorguyu buraya yapıştırın]

Aşağıdaki kullanım senaryosu için bir veritabanı şeması tasarlayın: Kullanım senaryosu: [uygulamanızı veya özelliğinizi açıklayın, örn. projeleri, görevleri ve kullanıcı rolleri olan çok kiracılı (multi-tenant) bir SaaS] Veritabanı: [örn. PostgreSQL] Şunları dahil edin: tablo isimleri, tipleri ve kısıtlamalarıyla sütunlar, birincil/yabancı anahtarlar (primary/foreign keys), indeksler; tasarım kararlarınızın ve varsa ödünleşimlerin (trade-offs) açıklaması.

Elimde bir veri kümesi var ve keşifçi veri analizi (EDA) yapmak istiyorum. Adım adım bir EDA planı oluşturun. Veri kümesi açıklaması: [sütunları, veri tiplerini, yaklaşık boyutu ve etki alanını tanımlayın, örn. müşteri kimliği, ürün, fiyat, tarih içeren e-ticaret siparişleri] Cevaplamaya çalıştığım iş sorusu: [açıklayın] Şunları dahil edin: veri kalitesi kontrolleri, tek değişkenli (univariate) analiz, incelenecek ilişkiler, oluşturulacak görselleştirmeler ve dikkat edilmesi gereken olası tehlike sinyalleri.

Analizim için doğru istatistiksel testi seçmeme ve yorumlamama yardımcı olun. Karşılaştırdığım şey: [örn. iki kullanıcı grubu arasındaki dönüşüm oranları] Veri tipi: [örn. ikili (binary) sonuçlar, sürekli ölçümler] Örneklem büyüklükleri: [örn. Grup A: 1.200, Grup B: 1.400] Mevcut sonuçlar: [örn. Grup A: %4,2, Grup B: %5,1] Uygun testi önerin, varsayımları belirtin, hesaplamayı veya kodu gösterin; p-değerini ve güven aralığını sade bir dille nasıl yorumlayacağımı açıklayın.

Bir kohort analizi tasarlamama ve yorumlamama yardımcı olun. Amaç: [örn. kayıt ayına göre 30/60/90 günlük kullanıcı tutma (retention) oranını ölçmek] Mevcut veri: [tabloları ve sütunları tanımlayın, örn. signup_date içeren kullanıcılar tablosu, user_id ve event_date içeren etkinlikler tablosu] Veritabanı / araç: [örn. BigQuery, pandas] Kohort tablosunu oluşturacak sorguyu veya kodu yazın, çıktının nasıl okunacağını açıklayın ve olası yorumlama hatalarını belirtin.

Verilerimde bir eğilim (trend) görüyorum ve bunu yorumlamak için yardıma ihtiyacım var. Metrik: [örn. haftalık aktif kullanıcı sayısı] Gözlemlediğim şey: [örn. düzenli bir büyümenin ardından son 6 haftada %15 düşüş] Bağlam: [bilinen olaylar, ürün değişiklikleri, mevsimsellik veya dış faktörler] Şunlarda bana yardımcı olun: olası nedenleri belirlemek, veri anomalilerini/yanılsamalarını elemek, kök nedeni doğrulamak için ek analizler önermek ve sonraki adımları tavsiye etmek.

Kullanım senaryom için en iyi grafik türünü önerin ve nedenini açıklayın. Göstermek istediğim şey: [örn. gelirin ürün kategorilerine göre nasıl dağıldığı ve aydan aya nasıl değiştiği] Hedef kitle: [örn. üç aylık iş değerlendirmesindeki (QBR) üst yönetim ekibi] Veri yapısı: [örn. 12 ay x 6 kategori, değerler 10 bin $ ile 2 milyon $ arasında] Araç: [örn. Tableau, matplotlib, Looker Studio] 2-3 seçenek önerin, bunları sıralayın ve avantaj/dezavantajlarını açıklayın.

Etkili bir kontrol paneli (dashboard) yerleşimi tasarlamama yardımcı olun. Amaç: [örn. destek ekibi için günlük operasyon takibi] Gösterilecek temel metrikler: [listeleyin, örn. açık talepler, çözüm süresi, CSAT puanı, kanala göre talep hacmi] Hedef kitle ve nasıl kullandıkları: [örn. vardiya başında takım liderleri kontrol eder] Araç: [örn. Metabase, Tableau, Grafana] Bölümler, her metrik için grafik türleri ve ilk bakışta okunabilirlik sağlayan UX en iyi uygulamalarını içeren bir yerleşim önerin.

Bu verileri bir sunum için net bir anlatıya dönüştürmeme yardımcı olun. Temel bulgular: [analizinizden çıkan 3-5 ana içgörüyü listeleyin] Hedef kitle: [örn. teknik olmayan paydaşlar, üst düzey yöneticiler (C-suite)] Sunumun amacı: [örn. kullanıcı tutma iyileştirmelerine yatırım yapmak için onay almak] En önemli içgörüyle başlayan, bunu veri noktalarıyla destekleyen ve net bir öneriyle biten bir hikaye kurgusu yazın. Kısa, öz ve jargondan uzak tutun.

Bu grafiğin kendi kendini açıklayabilmesi için üzerine eklenecek açıklama notlarını (annotations) yazmama yardımcı olun. Grafik türü: [örn. çizgi grafik] Neyi gösteriyor: [örn. son 2 yılın aylık geliri] Vurgulanacak kilit anlar: [örn. Mart ayındaki ürün lansmanı, Ağustos'taki fiyat değişikliği, Aralık'taki düşüş] Hedef kitle: [örn. yatırımcı sunumundaki yatırımcılar] 3-5 kısa, vurucu açıklama etiketi ile tek cümlelik bir grafik başlığı ve alt başlığı yazın.

Veri kümem için kapsamlı bir veri temizleme kontrol listesi oluşturun. Veri kümesi açıklaması: [sütunları, veri tiplerini, kaynağı ve etki alanını tanımlayın] Bilinen sorunlar: [zaten gördüğünüz sorunları listeleyin, örn. yinelenen satırlar, tutarsız tarih biçimleri, kilit sütunlardaki eksik değerler] Sonraki kullanım amacı: [örn. bir makine öğrenimi modelini beslemek, bir dashboard oluşturmak] Kontrol listesini öncelik sırasına göre düzenleyin; çalıştırılacak spesifik kontrolleri ve her bir sorunun nasıl çözüleceğini dahil edin.

Veri kümemdeki eksik değerleri nasıl ele alacağıma karar vermeme yardımcı olun. Eksik değer içeren sütun: [sütun adı ve neyi temsil ettiği] Eksiklik yüzdesi: [örn. %18] Veri tipi: [örn. sayısal, kategorik, tarih/saat] Sütunun sonraki aşamada nasıl kullanılacağı: [örn. bir regresyon modelinde girdi özelliği] Seçenekleri karşılaştırın (satırları silme, ortalama/medyan/mod ile doldurma, model tabanlı doldurma, ayrı bir kategori olarak etiketleme) ve gerekçesiyle en iyi yaklaşımı önerin.

Veri kümemdeki aykırı değerleri (outliers) tespit etmeme ve yönetmeme yardımcı olun. Sütun: [sütun adı ve neyi temsil ettiği] Veri tipi: [sayısal / tarih-saat] Örneklem istatistikleri: [örn. min: 0, maks: 99.000, ortalama: 450, medyan: 380, standart sapma: 1.200] Bağlam: [örn. bu sipariş tutarı (USD); çok yüksek değerler meşru toplu siparişler veya veri hatası olabilir] Uygun tespit yöntemleri (IQR, z-skoru, isolation forest vb.) önerin, [Python/SQL] dilinde kod sağlayın ve doğrulanan aykırı değerlere nasıl müdahale edileceği konusunda tavsiyede bulunun.

Bu sütundaki tutarsız değerleri standartlaştırmama yardımcı olun. Sütun adı: [örn. ülke] Tutarsız değer örnekleri: [örn. 'USA', 'United States', 'US', 'u.s.a', 'America'] İstenen çıktı formatı: [örn. ISO 3166-1 alpha-2 ülke kodları] Araç: [örn. Python pandas, SQL, dbt] Bu değerleri eşleyecek ve standartlaştıracak, uç durumları yönetecek ve otomatik olarak eşlenemeyen değerleri işaretleyecek kodu yazın.

Aşağıdaki görev için bir pandas veri işlem hattı (pipeline) yazın. Girdi: [veri kaynağını tanımlayın, örn. user_id, event_type, timestamp, revenue sütunlarına sahip bir CSV dosyası] Gereken dönüşümler: 1. [örn. yalnızca satın alma etkinliklerini filtrele] 2. [örn. kullanıcı başına aylık geliri topla] 3. [örn. aydan aya büyüme oranını hesapla] Çıktı: [istenen sonucu tanımlayın, örn. kullanıcı başına ay bazında bir satır içeren DataFrame] Yorum satırlarıyla temiz, okunabilir bir kod yazın. Netliği artırdığı yerlerde metot zincirleme (method chaining) kullanın.

Aşağıdaki görselleştirmeyi oluşturmak için Python kodu yazın. Grafik türü: [örn. ısı haritası (heatmap), gruplandırılmış çubuk grafik, güven aralıklı zaman serisi] Veri: [DataFrame yapısını tanımlayın, örn. df şu sütunlara sahip: month, category, value] Stil gereksinimleri: [örn. koyu arka plan, renk körü dostu palet, grafik kenarlıksız] Çıktı: [örn. 300 DPI'da PNG olarak kaydet] matplotlib ve/veya seaborn kullanın. Uygun başlık, eksen etiketleri ve gösterge (legend) ekleyin. Yayına hazır kalitede olsun.

Makine öğrenimi veri kümem için özellik mühendisliği (feature engineering) fikirleri önerin. Tahmin hedefi: [örn. bir kullanıcının önümüzdeki 30 gün içinde churn edip etmeyeceği] Mevcut ham özellikler: [tipleriyle birlikte listeleyin, örn. signup_date (tarih), last_login (tarih), num_sessions (tamsayı), plan_type (kategorik)] Veri tanecik boyutu (granularity): [örn. kullanıcı başına bir satır] 10-15 türetilmiş özellik önerin, her birinin arkasındaki sezgiyi açıklayın ve bunları oluşturmak için pandas kodu sağlayın.

Veri kümem için bir Python veri doğrulama betiği yazın. Veri kümesi: [sütunları, tipleri ve kaynağı tanımlayın] Uygulanacak doğrulama kuralları: 1. [örn. user_id null olamaz ve benzersiz olmalıdır] 2. [örn. event_date, 2020-01-01 ile bugün arasında olmalıdır] 3. [örn. revenue >= 0 olmalıdır] 4. [örn. status şunlardan biri olmalıdır: active, inactive, pending] Betik sadece ilk hatada durup çökmemeli, tüm ihlallerin bir özetini yazdırmalıdır. pandas veya Great Expectations kullanın.

Aşağıdaki veri bulgularına dayanarak bir yönetici özeti yazın. Bağlam: [örn. bir SaaS ürünü için 2026 1. Çeyrek performans değerlendirmesi] Temel metrikler: - [metrik 1]: [değer ve önceki döneme göre değişim] - [metrik 2]: [değer ve değişim] - [metrik 3]: [değer ve değişim] Önemli olaylar: [örn. Şubat ayında X özelliği yayınlandı, Mart ayında büyük bir müşteri kaybedildi] 150-200 kelimelik bir yönetici özeti yazın. En önemli içgörüyle başlayın, sorunlar konusunda doğrudan ve net olun, gelecek çeyrek için en önemli 2-3 öncelikle bitirin.

Aşağıdaki sayılar için kısa ve öz bir haftalık metrik raporu yazın. Ekip / ürün: [örn. Büyüme ekibi, mobil uygulama] Hafta: [örn. 17 Mart 2026 haftası] Bu haftanın metrikleri: - [metrik]: [değer] - [geçen haftaki değer] ile karşılaştırmalı - [metrik]: [değer] - [geçen haftaki değer] ile karşılaştırmalı Öne çıkanlar: [kazanımlar veya önemli gelişmeler] Endişe verici noktalar: [düşüşler veya sorunlar] Kısa bir Slack veya e-posta güncellemesi formatında hazırlayın: 3-5 madde, sade bir dil, jargonsuz. Dikkat gerektiren maddeleri işaretleyin.

Teknik olmayan bir kitle için A/B testi sonuçlarımın net bir özetini yazın. Test adı: [örn. Yeni ödeme akışı] Hipotez: [örn. Ödeme adımlarını 2'ye indirmek dönüşümü artıracaktır] Kontrol vs varyant: [yapılan değişikliği açıklayın] Sonuçlar: - Birincil metrik: [örn. dönüşüm oranı] — Kontrol: [%X], Varyant: [%Y], göreceli artış: [%Z] - İstatistiksel anlamlılık: [örn. p=0,03, %95 GA: +%1,2 ile +%4,8] - İkincil metrikler: [koruyucu/güvenlik metrikleri ve sonuçları] Test süresi: [örn. 14 gün, grup başına 25.000 kullanıcı] Sonuçların ne anlama geldiğini, değişikliğin yayına alınıp alınmaması gerektiğini ve varsa dikkat edilmesi gereken çekinceleri açıklayın.

Aşağıdaki tablo veya veri kümesi için bir veri sözlüğü (data dictionary) yazın. Tablo adı: [örn. orders] Sütunlar: - [sütun_adı]: [veri tipi, örn. INT] — [ne içerdiğine dair kısa açıklama] - [sütun_adı]: [veri tipi] — [açıklama] - [gerektiği kadar ekleyin] Hedef kitle: [örn. ekibe yeni katılan veri analistleri] Her sütun için şunları ekleyin: ad, veri tipi, açıklama, örnek değerler, null olup olamayacağı ve bilinen istisnalar veya dikkat edilecek noktalar. Temiz bir markdown tablosu olarak biçimlendirin.