Prompt cho Phân tích dữ liệu

Tôi có một dataset với các thông tin sau:

Mô tả dataset:

• Nguồn dữ liệu: [tên nguồn/hệ thống]
• Số dòng: [số lượng records]
• Các cột chính: [liệt kê tên cột và kiểu dữ liệu]
• Khoảng thời gian: [từ ngày — đến ngày]
• Mẫu dữ liệu: [dán 5-10 dòng đầu tiên]

Hãy suy nghĩ từng bước và thực hiện phân tích:

1. Kiểm tra chất lượng dữ liệu — missing values, outliers, duplicates, data types
2. Thống kê mô tả — mean, median, mode, std, phân phối cho các cột quan trọng
3. Phân tích tương quan — mối quan hệ giữa các biến
4. Phát hiện patterns — xu hướng theo thời gian, phân nhóm, anomaly
5. Top 5-7 insights quan trọng — sắp xếp theo mức độ actionable
6. Đề xuất hành động — dựa trên từng insight, gợi ý next steps cụ thể

Trình bày kết quả rõ ràng, có số liệu minh họa cho mỗi insight.

Bạn là một senior data analyst thành thạo SQL. Hãy viết SQL query cho yêu cầu sau:

Database: [tên database, ví dụ: PostgreSQL/MySQL/BigQuery]

Schema các bảng liên quan:

`[Dán schema hoặc mô tả các bảng, cột, kiểu dữ liệu, và mối quan hệ giữa các bảng]`

Yêu cầu phân tích: [Mô tả chi tiết kết quả mong muốn]

Điều kiện:

• Khoảng thời gian: [từ — đến]
• Bộ lọc: [các điều kiện lọc]
• Sắp xếp: [cách sắp xếp kết quả]
• Giới hạn: [số dòng kết quả]

Hãy suy nghĩ từng bước:

1. Xác định các bảng cần JOIN
2. Xác định điều kiện WHERE
3. Xác định aggregation cần thiết (GROUP BY, HAVING)
4. Viết query hoàn chỉnh
5. Giải thích logic từng phần của query
6. Đề xuất index nếu cần tối ưu performance

Viết query sạch, có comment, dễ đọc. Nếu query phức tạp, chia thành CTE (Common Table Expression).

Bạn là một business analyst chuyên tạo báo cáo phân tích cho lãnh đạo cấp cao.

Tạo báo cáo phân tích kinh doanh [loại: tuần/tháng/quý/năm] cho [tên công ty/phòng ban].

Dữ liệu đầu vào:

• Doanh thu kỳ này: [số liệu]
• Doanh thu kỳ trước: [số liệu]
• Các KPI chính: [liệt kê KPI và giá trị]
• Chi phí: [các khoản chi phí chính]
• Số liệu khách hàng: [new/returning/churn]
• Dữ liệu bổ sung: [bất kỳ số liệu nào khác]

Báo cáo cần bao gồm:

1. Executive Summary — 3-5 bullet points, key findings
2. Phân tích doanh thu — so sánh kỳ trước, YoY, breakdown theo [sản phẩm/kênh/khu vực]
3. Phân tích chi phí — tỷ lệ chi phí/doanh thu, biến động bất thường
4. KPI Dashboard — bảng tổng hợp các chỉ số, có so sánh target
5. Phân tích khách hàng — acquisition, retention, LTV
6. Rủi ro & Cơ hội — 2-3 rủi ro, 2-3 cơ hội
7. Đề xuất hành động — 3-5 đề xuất cụ thể, ưu tiên theo impact

Trình bày chuyên nghiệp, sử dụng bảng và bullet points. Mỗi nhận xét phải có số liệu đi kèm.

Tôi cần trực quan hóa dữ liệu sau và không chắc nên dùng loại biểu đồ nào.

Dữ liệu:

• Loại dữ liệu: [time-series/categorical/geospatial/hierarchical]
• Số biến: [liệt kê các biến và kiểu dữ liệu]
• Kích thước dataset: [số data points]
• Mẫu dữ liệu: [dán vài dòng mẫu]

Mục đích trực quan hóa:

• Thông điệp muốn truyền tải: [so sánh/xu hướng/phân phối/tương quan/composition]
• Đối tượng xem: [lãnh đạo/đội kỹ thuật/khách hàng]
• Công cụ: [Python matplotlib/seaborn/Plotly/Excel/Power BI/Tableau]

Trước tiên, hãy lùi lại phân tích bản chất dữ liệu, sau đó:

1. Đề xuất 3 loại biểu đồ phù hợp nhất, giải thích tại sao
2. Chọn chart tốt nhất và giải thích lý do
3. Viết code ([ngôn ngữ: Python/R/JavaScript]) để tạo biểu đồ
4. Hướng dẫn customize — màu sắc, label, title, legend, annotation
5. Lưu ý thiết kế — best practices cho readability

Code cần sẵn sàng chạy, có comment giải thích.

Phân tích xu hướng và dự báo dựa trên dữ liệu time-series sau:

Dữ liệu:

• Chỉ số theo dõi: [doanh thu/traffic/users/orders/...]
• Tần suất: [ngày/tuần/tháng]
• Khoảng thời gian: [từ — đến, ví dụ: 12 tháng gần nhất]
• Dữ liệu: [dán dữ liệu hoặc mô tả xu hướng tổng quan]
• Yếu tố ảnh hưởng đã biết: [mùa vụ, campaign, sự kiện, thay đổi giá, ...]

Hãy phân tích từng bước:

Bước 1 — Phân tích xu hướng:

• Trend tổng quát (tăng/giảm/đi ngang)
• Tính mùa vụ (seasonality patterns)
• Các điểm bất thường (anomalies) và nguyên nhân có thể

Bước 2 — Decomposition:

• Tách thành: Trend + Seasonality + Residual
• Xác định cycle length

Bước 3 — Dự báo:

• Dự báo [số kỳ] kỳ tiếp theo
• Khoảng tin cậy (confidence interval)
• Phương pháp phù hợp: [Moving Average/Exponential Smoothing/ARIMA/Prophet]
• Giải thích tại sao chọn phương pháp này

Bước 4 — Đề xuất:

• Kịch bản tốt nhất / xấu nhất / trung bình
• Yếu tố rủi ro cần theo dõi
• Hành động khuyến nghị

Tôi cần làm sạch và chuẩn hóa dataset trước khi phân tích.

Dataset:

• Nguồn: [CSV/Excel/database/API]
• Số dòng: [số lượng], số cột: [số lượng]
• Mô tả cột: [tên cột — kiểu dữ liệu — mô tả]
• Vấn đề đã biết: [missing values, duplicates, format không đồng nhất, outliers, ...]
• Mẫu dữ liệu bẩn: [dán 5-10 dòng có vấn đề]

Viết script [Python pandas/R/SQL] thực hiện data cleaning pipeline theo thứ tự:

1. Loại bỏ duplicates — xác định criteria, giữ bản ghi nào
2. Xử lý missing values — cho mỗi cột: drop/fill mean/median/mode/forward fill, giải thích lý do
3. Chuẩn hóa format — ngày tháng, số điện thoại, tên, địa chỉ, đơn vị tiền tệ
4. Xử lý outliers — phát hiện bằng IQR/Z-score, quyết định keep/remove/cap
5. Chuyển đổi kiểu dữ liệu — cast đúng type cho từng cột
6. Validation — kiểm tra logic (ví dụ: ngày kết thúc > ngày bắt đầu)
7. Tạo data quality report — thống kê trước/sau cleaning

Code cần có error handling, logging, và có thể tái sử dụng.

Phân tích kết quả A/B test sau và đưa ra kết luận:

Thiết kế thí nghiệm:

• Mục tiêu test: [tăng conversion/CTR/engagement/revenue]
• Biến thay đổi: [mô tả sự khác biệt giữa A và B]
• Metric chính (primary): [tên metric]
• Metric phụ (secondary): [liệt kê]
• Thời gian chạy: [từ — đến]

Kết quả:

Hãy phân tích từng bước:

1. Kiểm tra validity — sample size đủ lớn không? Có sample ratio mismatch không?
2. Statistical significance — tính p-value, confidence interval (95%)
3. Practical significance — minimum detectable effect, relative uplift
4. Segmentation — kết quả có khác nhau theo [device/geo/user type] không?
5. Novelty/Primacy effect — kết quả có ổn định theo thời gian?
6. Kết luận — Ship variant B / Cần test thêm / Giữ control A
7. Tự phản biện — những giới hạn của phân tích, yếu tố chưa xét đến

Nếu cần, viết code [Python/R] để tính toán thống kê.

Bạn là một BI analyst chuyên thiết kế dashboard. Hãy thiết kế dashboard KPI cho [phòng ban/công ty].

Bối cảnh:

• Ngành: [lĩnh vực kinh doanh]
• Phòng ban: [Marketing/Sales/Product/Operations/Finance]
• Đối tượng sử dụng: [CEO/Manager/Team lead]
• Công cụ: [Power BI/Tableau/Looker/Metabase/Google Data Studio]
• Nguồn dữ liệu: [liệt kê database/API/spreadsheet]
• Tần suất cập nhật: [real-time/daily/weekly]

Hãy lên kế hoạch dashboard theo các bước:

1. Xác định KPI — chọn 8-12 KPI quan trọng nhất, phân loại:
   • Leading indicators (dự báo tương lai)
   • Lagging indicators (đo kết quả)
   • Mỗi KPI: tên, công thức, nguồn dữ liệu, target
2. Layout design — wireframe mô tả vị trí từng thành phần:
   • Scorecard tổng quan (top)
   • Charts chi tiết (middle)
   • Tables chi tiết (bottom)
3. Chi tiết từng chart — loại chart, trục X/Y, filters, drill-down
4. Interactivity — filters, date range picker, drill-through
5. Alerts & Thresholds — cảnh báo khi KPI vượt ngưỡng
6. SQL/Query cho mỗi KPI (nếu dùng database)

Thiết kế theo nguyên tắc: quan trọng nhất ở góc trên bên trái, information hierarchy rõ ràng.

Thực hiện phân tích cohort và churn cho [sản phẩm/dịch vụ].

Dữ liệu có sẵn:

• Bảng users: [user_id, signup_date, plan_type, ...]
• Bảng activities: [user_id, event_date, event_type, ...]
• Bảng transactions: [user_id, transaction_date, amount, ...]
• Khoảng thời gian: [từ — đến]
• Định nghĩa churn: [không hoạt động trong X ngày / hủy subscription / ...]

Phân tích theo các cấp độ:

Cấp 1 — Cohort Analysis cơ bản:

• Tạo cohort retention table theo tháng signup
• Tính retention rate cho mỗi cohort tại month 1, 2, 3… 12
• Visualize bằng heatmap

Cấp 2 — Churn Analysis chi tiết:

• Churn rate theo tháng và xu hướng
• Churn rate theo segment: [plan/source/geo/device]
• Time-to-churn distribution
• Revenue churn vs Customer churn

Cấp 3 — Predictive & Actionable:

• Xác định early warning signals (dấu hiệu sắp churn)
• User behavior pattern của churned vs retained users
• Tính Customer Lifetime Value (CLV) theo cohort
• Đề xuất 3-5 chiến lược giảm churn, ưu tiên theo impact

Viết code [Python/SQL] cho toàn bộ phân tích. Code cần có comment giải thích.

Bạn là một data storyteller chuyên biến dữ liệu phức tạp thành câu chuyện dễ hiểu cho lãnh đạo cấp C-level.

Tôi cần trình bày kết quả phân tích sau cho [CEO/Ban giám đốc/Hội đồng quản trị]:

Kết quả phân tích: [Dán tóm tắt kết quả phân tích, bao gồm số liệu chính, insights, và đề xuất]

Bối cảnh:

• Mục tiêu kinh doanh liên quan: [target/KPI công ty]
• Quyết định cần đưa ra: [quyết định mà lãnh đạo cần make]
• Thời gian trình bày: [5/10/15 phút]
• Định dạng: [slide deck/email report/one-pager]

Tạo data story theo framework:

1. Hook — mở đầu bằng insight gây bất ngờ hoặc con số ấn tượng
2. Context — bối cảnh tại sao insight này quan trọng (liên kết với business goal)
3. Findings — 3-5 phát hiện chính, sắp xếp theo logic narrative
4. So What? — ý nghĩa kinh doanh của mỗi finding (đánh vào cảm xúc: cơ hội bị bỏ lỡ, rủi ro tiềm ẩn)
5. Recommendation — đề xuất hành động cụ thể, kèm expected impact
6. Next Steps — timeline và resource cần thiết

Nguyên tắc:

• Mỗi slide/section chỉ 1 message chính
• Dùng con số tuyệt đối VÀ tương đối (ví dụ: “giảm 500 triệu, tương đương 15%”)
• Tránh jargon kỹ thuật, dùng ngôn ngữ kinh doanh
• Đề xuất phải actionable và có ROI estimate

Điều này rất quan trọng với sự nghiệp của tôi — hãy giúp tôi trình bày thật thuyết phục.

Giúp tôi tổ chức và chuẩn hóa bộ dữ liệu sau:

Dữ liệu thô:

`[Dán dữ liệu lộn xộn, không đồng nhất]`

Mục tiêu sử dụng: [phân tích/báo cáo/import vào hệ thống] Format output mong muốn: [CSV/JSON/SQL/Excel]

Thực hiện:

1. Phân tích hiện trạng — các vấn đề về chất lượng dữ liệu
2. Chuẩn hóa — format ngày tháng, số, text, loại bỏ duplicate
3. Data dictionary — mô tả từng cột/trường dữ liệu
4. Output — dữ liệu đã được chuẩn hóa
5. Ghi chú — các giả định và quyết định đã đưa ra khi xử lý

Phân loại bộ đánh giá/review sản phẩm sau:

Reviews:

`[Dán danh sách reviews cần phân loại]`

Với mỗi review, phân loại theo:

1. Sentiment: Positive / Neutral / Negative (kèm confidence score 0-100%)
2. Chủ đề chính: [chất lượng/giá cả/dịch vụ/giao hàng/UX/khác]
3. Sub-topic: chi tiết hơn về khía cạnh cụ thể
4. Mức độ ưu tiên xử lý: Cao / Trung bình / Thấp
5. Actionable insight: hành động cần thực hiện (nếu có)

Trình bày dạng bảng và kèm theo:

• Tóm tắt tổng quan — phân bố sentiment, chủ đề hot nhất
• Top 3 insights quan trọng nhất
• Đề xuất cải thiện dựa trên dữ liệu

Phân tích các số liệu dashboard sau và tạo báo cáo insights:

Số liệu:

`[Dán các metrics từ dashboard: traffic, conversion, revenue, retention, etc.]`

Kỳ báo cáo: [tuần/tháng/quý] So sánh với: [kỳ trước/cùng kỳ năm trước/target]

Phân tích bao gồm:

1. Executive Summary — 3-5 bullet points tóm tắt tình hình
2. Highlights — các chỉ số tăng trưởng tích cực
3. Concerns — các chỉ số cần chú ý (giảm hoặc dưới target)
4. Trend Analysis — xu hướng đáng chú ý
5. Correlations — mối quan hệ giữa các metrics
6. Action Items — 3-5 hành động cụ thể, ưu tiên theo impact
7. Forecast — dự báo cho kỳ tiếp theo