Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Esitä kysymyksiä datallesi luonnollisella kielellä

Oppitunti 2 / 14 Päivitetty 5. marraskuuta 2026 Keskitasoinen
Tällä sivulla
  1. Kysy datastasi kuin puhuisit kollegalle
  2. Periaate: Luonnollisesta kielestä Python-koodiksi
  3. Kysymystyypit, joita voit esittää
  4. Tehokkaiden kysymysten muotoilu
  5. Tulosten iterointi
  6. Lisää ajattelua vaativat monimutkaiset analyysit
  7. Sinun vuorosi
  8. Keskeiset asiat

Kysy datastasi kuin puhuisit kollegalle

ChatGPT:n suurin etu data-analyysissä tiivistyy yhteen asiaan: se ymmärtää kysymyksesi arkikielellä. Et tarvitse SQL:ää, Pythonia tai kolmikerroksisia Excel-kaavoja. Kuvaile vain tarkasti, mitä etsit, aivan kuten kertoisit kollega-analyytikolle, joka tarkastelee samaa tiedostoa, ja ChatGPT kääntää aikomuksesi suoritettavaksi koodiksi. Tämä muutos on todellinen, ja se muuttaa työn luonnetta: ponnistelusi siirtyvät syntaksista oikean kysymyksen muotoiluun.

Periaate: Luonnollisesta kielestä Python-koodiksi

Kun esität kysymyksen datastasi, tapahtuu kulissien takana seuraavaa:

Luonnollisesta kielestä tulokseen Neljä vaihetta: esität kysymyksen arkikielellä; ChatGPT kirjoittaa Python-koodin, usein käyttäen pandas-kirjastoa; koodi suoritetaan Jupyter-notebookissa; tulos saapuu taulukkona, lukuna tai kaaviona. PERIAATE Luonnollisesta kielestä tulokseen 1 Kysymys Arkikielellä 2 Koodi Python, usein pandas 3 Suoritus Notebookissa Jupyter 4 Tulos Taulukko, luku, kaavio Näytä koodi ja tarkista oletukset ennen kuin luotat tulokseen.
Perustuu artikkeliin "Data analysis with ChatGPT" OpenAI Help Centeristä (marraskuu 2026).

Tämä koodi ei ole musta laatikko: voit näyttää sen, tarkistaa sen ja pyytää ChatGPT:tä säätämään menetelmää. Huomaa, että Python-ympäristöllä ei ole verkkoyhteyttä: jos analyysisi tarvitsee ulkoista dataa, tuo se sisään tai yhdistä lähde.

Kysymystyypit, joita voit esittää

Yhteenveto-kysymykset auttavat hahmottamaan tiedoston ennen yksityiskohtiin sukeltamista: “Montako riviä ja saraketta tässä tiedostossa on?”, “Anna yleiskatsaus dataan” tai “Mitä sarakkeita on saatavilla ja mitä tyyppejä ne ovat?” Nämä kysymykset estävät sinua aloittamasta analyysiä, joka olettaa sellaista granulaarisuutta, jota datassasi ei ole – et voi laskea keskimääräistä ostoskorin kokoa asiakasta kohden, jos tiedosto on jo aggregoitu alueittain.

Seuraavaksi tulevat aggregointi-kysymykset, jotka tiivistävät tuhansia rivejä toimintakelpoisiksi luvuiksi: “Mitkä ovat kokonaismyyntitulot tuoteluokittain?”, “Mikä on keskimääräinen ostoskorin koko kuukausittain?” tai “Kuinka monta uniikkia asiakasta neljännesvuosittain?” Tämä on kuukausiraportoinnin ydintä ja usein puolet siitä työstä, jota sinulta pyydetään.

Suodatus-kysymykset eristävät relevantin osajoukon – “Näytä vain myynnit, jotka ylittävät 10 000 €”, “Mitkä tuotteet eivät myyneet lainkaan maaliskuussa?” tai “Listaa asiakkaat Île-de-Francen alueella” – kun taas järjestely-kysymykset lajittelevat dataa ääriarvojen korostamiseksi: “Ketkä ovat 10 parasta myyjää?”, “Järjestä alueet liikevaihdon mukaan laskevassa järjestyksessä” tai “Mikä kuukausi menestyi parhaiten?” Käytännössä vakava analyysi ketjuttaa kaikki neljä tyyppiä: teet yhteenvedon, aggregoit datan, suodatats havaitsemasi poikkeaman ja järjestät tulokset toiminnan priorisoimiseksi. Voit myös valita rivejä, sarakkeita tai soluja interaktiivisesta taulukkonäkymästä ja esittää kysymyksesi vain siitä valinnasta – esimerkiksi sarakkeen yleisin arvo tai muutaman solun keskiarvo.

Tehokkaiden kysymysten muotoilu

Vastauksen laatu riippuu suoraan kysymyksesi selkeydestä. Ensimmäinen vaistosi tulisi olla nimetä sarakkeet yleispuhelun sijaan. “Analysoi myynti” jättää ChatGPT:n arvailemaan, mikä sarake sisältää summan; tämä muotoilu ei jätä tilaa tulkinnoille:

Laske sarakkeen "amount_incl_tax" summa ryhmiteltynä sarakkeen "region" mukaan
ja järjestettynä suurimmasta pienimpään.

Toinen vaistosi on määrittää haluamasi tulostusmuoto. Muuten saat tekstivastauksen, vaikka tarvitsisit taulukon raporttiisi liittämistä varten, ja menetät laskennassa säästämäsi ajan uudelleenmuotoiluun:

Anna tulos taulukkona, jossa on nämä sarakkeet:
region, total sales, number of transactions, average basket size.

Kolmas, usein unohdettu asia, on tarjota liiketoimintakontekstia, jota tiedosto ei sisällä. ChatGPT ei tiedä, ettei tiettyjä rivejä pitäisi sisällyttää laskelmaan:

Sarake "status" sisältää arvot "approved", "pending" ja "cancelled".
Sisällytä laskelmaan vain hyväksytyt tilaukset.

Ilman tätä tarkennusta peruutetut tilauksesi paisuttavat liikevaihtoa, ja virhe jää huomaamatta: tulos näyttää edelleen täysin uskottavalta. Tämä on virhetyyppi, joka lipuu johtoryhmän kokouksen läpi havaitsemattomana.

Tulosten iterointi

Data-analyysi on harvoin lineaarista, eikä sinun odoteta löytävän oikeaa kysymystä ensimmäisellä yrittämällä. Aloitat pyytämällä kuukausittaista kokonaisliikevaihtoa, huomaat laskun helmikuussa ja kysyt sitten, miksi tuo lasku tapahtui. Jos vastaus jää epämääräiseksi, suodatdat “premium”-luokan ja lasket uudelleen, vertaat sitten samaan jaksoon viime vuonna selvittääksesi, onko kyseessä tunnettu kausivaihtelu vai jokin poikkeustilanne.

ChatGPT pitää yllä keskustelukontekstia ja ladattua tiedostoa, joten jokainen kysymys rakentuu edellisten päälle. Tämä mahdollistaa progressiivisen tutkimisen: helmikuun lasku, kun se on eristetty premium-segmenttiin, voi selittyä sillä, että yksi suuri asiakas on siirtynyt kilpailijalle – johtopäätös, joka ei olisi ollut mahdollinen ensimmäisen kysymyksen perusteella.

Lisää ajattelua vaativat monimutkaiset analyysit

Joihinkin kysymyksiin ei voi vastata yksinkertaisella aggregoinnilla. Ristikorrelaatiot, usean lähteen analyysit, vivahteikkaat tulkinnat: aina kun tarvitaan monivaiheista päättelyä, valitse korkeampi ajattelutaso ChatGPT:n valitsimesta – High tai Extra High suunnitelmasi mukaan, tai Think-painike Free- ja Go-tasoilla. Lisäajattelu auttaa huomioimaan tekijöitä, jotka voivat selittää kahden muuttujan välisen yhteyden ennen syy-seuraussuhteen päätelmistä, havaitsemaan hienovaraisia kuvioita – kolme viikkoa siirtyneen kausivaihtelun, neljännesvuosittain heikkenevän segmentin – ja rakentamaan suosituksia laskettujen lukujen pohjalta. Mikään asetus ei kuitenkaan muuta korrelaatiota kausaliteetiksi: siinä vaiheessa ratkaisevat oma aluetuntemuksesi ja joskus testi.

Sinun vuorosi

Ensimmäiset kysymyksesi.

  1. Tuo sisään tiedosto, jonka tunnet hyvin
  2. Esitä yksi kysymys kustakin perheestä: yhteenveto, aggregointi, suodatus, järjestely
  3. Muotoile yksi niistä uudelleen nimeämällä sarakkeet ja määrittämällä tulostusmuoto, ja vertaa sitten kahta vastausta
  4. Lisää liiketoimintasääntö – esimerkiksi sulje pois peruutetut tilaukset – ja mittaa ero
  5. Näytä koodi laskelmalle ja varmista se manuaalisesti kahdelta tai kolmelta riviltä

Viralliset lähteet: Data analysis with ChatGPT · Extracting Insights with ChatGPT Data Analysis (OpenAI Help Center) · Prompting (ChatGPT-dokumentaatio)

Keskeiset asiat

  • Esitä kysymykset arkikielellä; ChatGPT kääntää ne koodiksi
  • Ole tarkka: nimeä sarakkeet, määritä suodattimet, ilmoita haluamasi muoto
  • Iteroi samassa keskustelussa syventääksesi analyysiäsi
  • Nosta ajattelutasoa monivaiheisia analyysejä varten
  • Varmista tulokset aina – ChatGPT voi tulkita sarakkeen väärin