Automatizovaná deskriptivní statistika
Na této stránce
Pochopte svá data okamžitě
Deskriptivní statistika je základem jakékoli analýzy. Průměr, medián, směrodatná odchylka, rozložení: tyto ukazatele vám řeknou, co vaše data obsahují, ještě než se pokusíte cokoli vysvětlovat. Přeskočení tohoto kroku je jako stavět doporučení na průměru zkresleném třemi extrémními hodnotami a poté ho obhajovat s přesvědčením, které čísla nezaslouží. S ChatGPT trvá tato diagnostika jedinou větu a interpretace následuje okamžitě.
Expresní statistické shrnutí
Nejjednodušší příkaz pro začátek:
Give me a complete statistical summary of this dataset.
ChatGPT se obecně spoléhá na funkci describe() v knihovně pandas a výsledek okomentuje. Pro každý numerický sloupec získáte následující ukazatele:
- count — počet neprázdných hodnot
- mean — průměr
- std — směrodatná odchylka (míra rozptylu)
- min / max — extrémní hodnoty
- 25% / 50% / 75% — kvartily (medián = 50 %)
Porovnání těchto řádků už samo o sobě přináší cenné poznatky. Pokud je count 8 400 v souboru o 10 000 řádcích, chybí 16 % dat a jakýkoli vypočítaný průměr platí pouze pro část portfolia. Pokud se průměr výrazně liší od mediánu, je rozložení zešikmené. Místo abyste si toto počítali v hlavě, stačí se zeptat:
Interpret these statistics: which columns have high dispersion?
Are there outliers? Which distributions appear skewed?
Statistika podle kategorií
Globální průměry téměř vždy maskují disparity. Průměrná hodnota košíku 180 € může skrývat firemní segment na úrovni 900 € a individuální segment na 60 €. V takovém případě průměr nepopisuje žádného reálného zákazníka a jakékoli rozhodnutí na něm založené mine obě populace úplně.
Calculate the mean, median, and standard deviation of order amounts
for each product category.
Stále si musíte vybrat ukazatel, který odpovídá na vaši otázku, protože každý měří něco jiného.
| Ukazatel | Co měří | Kdy jej použít |
|---|---|---|
| Průměr (Mean) | Střední hodnota | Symetrická data bez extrémních hodnot |
| Medián | Prostřední hodnota | Zešikmená data nebo data s odlehlými hodnotami |
| Směrodatná odchylka | Rozptyl kolem průměru | Posouzení variability výkonu |
| Modus | Nejčastější hodnota | Kategorická nebo diskrétní data |
| Korelace | Lineární vztah mezi dvěma proměnnými | Identifikace propojených faktorů |
Rozložení a frekvence
U numerické proměnné vám tvar rozložení řekne více než průměr. Histogram ukáže, zda se vaše částky shlukují kolem jedné hodnoty, nebo se rozprostírají do dvou odlišných vrcholů, což je známkou dvou překrývajících se nákupních chování ve stejném souboru.
Show the distribution of the "order_amount" column
with a histogram and indicate whether it follows a normal distribution.
ChatGPT vygeneruje histogram a může aplikovat test normality, jako je Shapiro-Wilkův test, což ovlivňuje výběr následných testů. U velkých vzorků tento test označí i nepatrnou odchylku od normality, proto před vyvozením závěrů zkontrolujte tvar histogramu. U kategorických proměnných se logika přesouvá k frekvencím:
What is the distribution of clients by industry sector?
Display absolute and relative frequencies.
Získáte počet a procento pro každou kategorii – což stačí k tomu, abyste odhalili, že jeden sektor tvoří 60 % portfolia, což znamená 60 % vašeho rizika, pokud tento sektor zpomalí.
Korelace mezi proměnnými
Korelace odhalují vztahy mezi vašimi numerickými sloupci a otevírají nové směry analýzy.
Calculate the correlation matrix and identify the pairs
of variables with the highest correlations (positive and negative).
ChatGPT vygeneruje matici, zvýrazní významné korelace a vysvětlí, co každá z nich znamená ve vašem obchodním kontextu. Při čtení výsledků jsou nutná tři opatření. Zaprvé, korelace neznamená kauzalitu: společný nárůst reklamního rozpočtu a prodejů může být jen společným efektem sezónnosti. Zadruhé, extrémní hodnoty zkreslují koeficient – požádejte o výpočet s odlehlými hodnotami i bez nich; rozdíl je často poučný. Nakonec, kategorické proměnné nejsou ve výchozím nastavení zahrnuty. Chcete-li zahrnout segmenty zákazníků nebo prodejní kanály, vyžádejte si předchozí kódování. Pokud chcete jít dál – porovnat skupiny pomocí t-testu nebo ANOVA, nebo modelovat vztah pomocí regrese – popište, co chcete pochopit, požádejte ChatGPT o vhodnou techniku a nechte si vysvětlit výsledek.
Detekce odlehlých hodnot
Odlehlá hodnota není nutně chyba. Objednávka na 95 000 € může být chyba při zadávání dat nebo první velký firemní kontrakt roku. Způsob řešení se zcela liší: v jednom případě ji opravíte, v druhém ji zvýrazníte.
Identify outliers in "order_amount"
using the IQR method. List the affected rows
and indicate whether they appear to be errors or legitimate cases.
ChatGPT vypočítá meze IQR (Q1 - 1,5 * IQR a Q3 + 1,5 * IQR) a vypíše hodnoty mimo tyto meze spolu s jejich kontextem. Vy se pak rozhodujete řádek po řádku, místo abyste zahodili celou dávku – a omylem smazali právě ty klienty, kteří vám udělali rok.
Automatizace deskriptivní zprávy
Jakmile zvládnete tento přístup, zkraťte jej do jediného promptu:
Generate a complete descriptive statistical report for this file.
Include: overview, statistics per numerical column,
distribution of categorical variables, main correlations,
detected outliers, and recommendations for the next analysis step.
Tento prompt vytvoří strukturovaný dokument, který byste měli před sdílením zkontrolovat. Mějte jej po ruce: pokud jej aplikujete na stejný export každý měsíc, stane se vaším standardním výchozím bodem a umožní srovnání jednotlivých období.
Teď jste na řadě vy
Vaše první statistická diagnostika.
- Vyžádejte si statistické shrnutí svého souboru a následně jeho interpretaci
- Porovnejte průměr a medián ve svém hlavním sloupci s částkami
- Vypočítejte stejné ukazatele podle kategorií
- Zobrazte rozložení tohoto sloupce a identifikujte odlehlé hodnoty
- Klasifikujte každou odlehlou hodnotu: chyba k opravě nebo legitimní případ
Oficiální zdroje: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)
Klíčové poznatky
- Statistické shrnutí je vaším prvním krokem po vyčištění dat
- Vždy segmentujte podle kategorií – globální průměry skrývají disparity
- Medián je u reálných dat často spolehlivější než průměr
- Korelace odhalují směry analýzy, nikoli jistoty
- Požádejte ChatGPT, aby čísla interpretoval, nejen počítal