Tilastollinen kuvaus automaattisesti
Tällä sivulla
Ymmärrä dataasi hetkessä
Kuvaileva tilastotiede on kaiken analyysin perusta. Keskiarvo, mediaani, keskihajonta, jakauma: nämä indikaattorit kertovat, mitä datasi sisältää, ennen kuin edes yrität selittää mitään. Tämän vaiheen ohittaminen on kuin rakentaisit suosituksen keskiarvolle, jonka kolme ääriarvoa vinouttavat, ja puolustaisit sitä varmuudella, jota luvut eivät ansaitse. ChatGPT:n avulla tämä diagnoosi vaatii vain yhden lauseen, ja tulkinta seuraa välittömästi.
Nopea tilastollinen yhteenveto
Yksinkertaisin komento aloittamiseen:
Give me a complete statistical summary of this dataset.
ChatGPT luottaa yleensä pandas-kirjaston describe()-funktioon ja kommentoi tulosta. Saat jokaiselle numeeriselle sarakkeelle seuraavat indikaattorit:
- count – ei-tyhjien arvojen määrä
- mean – keskiarvo
- std – keskihajonta (hajonnan mitta)
- min / max – ääriarvot
- 25% / 50% / 75% – kvartiilit (mediaani = 50 %)
Näiden rivien vertailu itsessään antaa jo oivalluksia. Jos count on 8 400 tiedostossa, jossa on 10 000 riviä, 16 % datasta puuttuu, ja mikä tahansa laskettu keskiarvo pätee vain osaan portfoliota. Jos keskiarvo poikkeaa merkittävästi mediaanista, jakauma on vinoutunut. Sen sijaan, että tekisit tämän päässälaskun itse, kysy vain:
Interpret these statistics: which columns have high dispersion?
Are there outliers? Which distributions appear skewed?
Tilastot kategorioittain
Yleiset keskiarvot peittävät lähes aina eroavaisuuksia. 180 euron keskimääräinen ostoskori voi kätkeä sisäänsä 900 euron yrityssegmentin ja 60 euron yksityisasiakassegmentin. Tällöin keskiarvo ei kuvaa yhtään todellista asiakasta, ja siihen perustuva päätöksenteko osuu ohi molemmista ryhmistä täysin.
Calculate the mean, median, and standard deviation of order amounts
for each product category.
Sinun on silti valittava kysymykseesi vastaava indikaattori, sillä kukin mittaa jotain eri asiaa.
| Indikaattori | Mitä se mittaa | Milloin käyttää |
|---|---|---|
| Keskiarvo (Mean) | Keskusarvo | Symmetrinen data, ei ääriarvoja |
| Mediaani (Median) | Keskimmäinen arvo | Vinoutunut data tai data, jossa on ääriarvoja |
| Keskihajonta (Standard deviation) | Hajonta keskiarvon ympärillä | Suorituskyvyn vaihtelun arviointi |
| Tyyppiarvo (Mode) | Yleisin arvo | Kategorinen tai diskreetti data |
| Korrelaatio | Lineaarinen suhde kahden muuttujan välillä | Kytkettyjen tekijöiden tunnistaminen |
Jakaumat ja frekvenssit
Numeerisen muuttujan kohdalla jakauman muoto kertoo enemmän kuin keskiarvo. Histogrammi näyttää, klusteroiduuko arvosi yhden arvon ympärille vai levittäytyvätkö ne kahteen erilliseen huippuun, mikä on merkki kahdesta päällekkäisestä ostokäyttäytymisestä samassa tiedostossa.
Show the distribution of the "order_amount" column
with a histogram and indicate whether it follows a normal distribution.
ChatGPT generoi histogrammin ja voi soveltaa normaalisuustestiä, kuten Shapiro-Wilk-testiä, mikä vaikuttaa myöhempien testien valintaan. Suurissa otoksissa tämä testi merkitsee jopa pienimmän poikkeaman normaalisuudesta, joten tarkista histogrammin muoto ennen johtopäätösten tekemistä. Kategoristen muuttujien kohdalla logiikka siirtyy frekvensseihin:
What is the distribution of clients by industry sector?
Display absolute and relative frequencies.
Saat kunkin kategorian määrän ja prosenttiosuuden – riittävästi havaitsemaan, että yksi sektori muodostaa 60 % portfoliosta, mikä tarkoittaa 60 % riskistäsi, jos kyseinen sektori hidastuu.
Muuttujien väliset korrelaatiot
Korrelaatiot paljastavat suhteita numeeristen sarakkeidesi välillä ja avaavat uusia analyysiväyliä.
Calculate the correlation matrix and identify the pairs
of variables with the highest correlations (positive and negative).
ChatGPT generoi matriisin, korostaa merkitävät korrelaatiot ja selittää, mitä kukin niistä tarkoittaa liiketoimintakontekstissasi. Tuloksia lukiessa on noudatettava kolmea varotoimenpidettä. Ensinnäkin korrelaatio ei tarkoita syy-seuraussuhdetta: mainosbudjetin ja myynnin yhteinen nousu voi johtua pelkästään kausivaihtelun yhteisvaikutuksesta. Toiseksi ääriarvot vääristävät kerrointa – pyydä laskenta ääriarvojen kanssa ja ilman; ero on usein opettavainen. Lopuksi kategorisia muuttujia ei sisällytetä oletusarvoisesti. Jos haluat sisällyttää asiakassegmentit tai myyntikanavat, pyydä ensin koodausta. Päästäksesi pidemmälle – ryhmien vertailuun t-testillä tai ANOVA:lla tai suhteen mallintamiseen regressiolla – kuvaile, mitä haluat ymmärtää, pyydä ChatGPT:tä valitsemaan sopiva tekniikka ja pyydä sitä selittämään tulos.
Ääriarvojen havaitseminen
Ääriarvo ei välttämättä ole virhe. 95 000 euron tilaus voi olla syöttövirhe tai vuoden ensimmäinen suuri yrityssopimus. Käsittely tapahtuu täysin eri tavalla: toisessa tapauksessa korjaat sen, toisessa tuot sen esiin.
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 laskee IQR-rajat (Q1 - 1,5 * IQR ja Q3 + 1,5 * IQR) ja luettelee rajojen ulkopuolelle jäävät arvot niiden kontekstin kera. Päätät sitten rivi riviltä sen sijaan, että hylkäisit koko erän – ja vahingossa poistaisit juuri ne asiakkaat, jotka tekivät vuodestasi menestyksekkään.
Kuvailevan raportin automatisointi
Kun hallitset lähestymistavan, tiivistä se yhdeksi kehotteeksi:
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.
Tämä kehote tuottaa jäsennellyn dokumentin, joka sinun tulee tarkistaa ennen jakamista. Pidä se saatavilla: samaan vientiin joka kuukausi sovellettuna siitä tulee standardi lähtökohtasi, ja jaksot tulevat vertailukelpoisiksi.
Sinun vuorosi
Ensimmäinen tilastollinen diagnoosisi.
- Pyydä tiedostosi tilastollinen yhteenveto ja sen tulkinta
- Vertaa keskiarvoa ja mediaania ensisijaisessa summasarakkeessasi
- Laske samat indikaattorit kategorioittain
- Näytä tämän sarakkeen jakauma ja tunnista ääriarvot
- Luokittele jokainen ääriarvo: korjattava virhe vai perusteltu tapaus
Viralliset lähteet: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)
Keskeiset asiat
- Tilastollinen yhteenveto on ensimmäinen askeleesi siivouksen jälkeen
- Segmentoi aina kategorioittain – yleiset keskiarvot peittävät eroavaisuudet
- Mediaani on usein luotettavampi kuin keskiarvo todellisen maailman datassa
- Korrelaatiot paljastavat analyysiväyliä, eivät varmuuksia
- Pyydä ChatGPT:tä tulkitsemaan luvut, älä vain laskemaan niitä