はじめに
AI は開発者だけのものではなく、ビジネス ユーザーもそれを必要としています。この記事では、データ分析 (データ分析) と ビジネス ライティング (ビジネス文書の作成) という 2 つの最も実用的な応用分野について説明します。
現実: アナリストの時間の 70% はデータのクリーニングと探索に費やされ、30% は洞察に費やされます。リバース AI: インサイトに 70% 集中し、残りは AI が処理します。
1. データ分析 — データを分析する
1.1 CSV 解析プロンプト
= ROLE =
Bạn là Senior Data Analyst.
= DATA =
Dataset: {tên dataset}
Columns: {liệt kê cột + data type + mô tả}
Sample rows:
| col1 | col2 | col3 |
|------|------|------|
| ... | ... | ... |
(5-10 rows mẫu)
= TASK =
Phân tích dataset và cung cấp:
1. **Overview:** Số rows, columns, data quality (missing values, outliers)
2. **Key metrics:** Tính các KPIs quan trọng
3. **Trends:** Xu hướng theo thời gian
4. **Segments:** Phân nhóm (theo category, region...)
5. **Insights:** Top 3 phát hiện quan trọng nhất
6. **Actions:** Đề xuất hành động dựa trên data
= OUTPUT FORMAT =
- Bảng cho metrics
- Bullet points cho insights
- Code Python/SQL nếu cần
1.2 例: 収益分析
= DATA =
Dataset: Sales Q1-Q3 2024
Columns:
- date (DATE): ngày bán
- product (VARCHAR): tên sản phẩm
- region (VARCHAR): khu vực (North, South, Central)
- quantity (INT): số lượng
- revenue (DECIMAL): doanh thu (VND)
- customer_type (VARCHAR): new / returning
Sample:
| date | product | region | quantity | revenue | customer_type |
|-----------|---------|--------|----------|-----------|---------------|
| 2024-01-05 | Widget A | North | 50 | 25000000 | new |
| 2024-01-08 | Widget B | South | 30 | 18000000 | returning |
= TASK =
1. Tổng doanh thu theo quý, theo region
2. Top 3 sản phẩm best-seller theo quantity
3. Tỷ lệ new vs returning customers
4. Xu hướng monthly revenue (tăng/giảm?)
5. Region nào underperform?
6. Recommendations cho Q4
= OUTPUT =
Bảng + insights + Python code (pandas)
1.3 テキストから SQL への変換
= DATABASE SCHEMA =
Table: orders
- id (INT, PK)
- customer_id (INT, FK → customers.id)
- product_id (INT, FK → products.id)
- quantity (INT)
- total_amount (DECIMAL)
- order_date (DATE)
- status (VARCHAR): pending, shipped, delivered, cancelled
Table: customers
- id (INT, PK)
- name (VARCHAR)
- email (VARCHAR)
- region (VARCHAR)
- joined_date (DATE)
Table: products
- id (INT, PK)
- name (VARCHAR)
- category (VARCHAR)
- price (DECIMAL)
= RULES =
- PostgreSQL syntax
- Dùng CTE thay subquery khi possible
- Alias tất cả columns trong SELECT
- LUÔN có ORDER BY
- LIMIT kết quả (max 100 rows)
- Comment giải thích logic
= QUESTION =
"Top 5 khách hàng chi tiêu nhiều nhất trong Q3 2024,
cùng với sản phẩm họ mua nhiều nhất?"
💡 演習 1: 実際のデータベース スキーマ (少なくとも 3 つのテーブル) の Text-to-SQL プロンプトを作成します。単純な (カウント) から複雑な (複数結合 + 集計) まで、5 つのビジネス質問をテストします。
2. ビジネス インテリジェンスの洞察
2.1 ナラティブ ダッシュボードの作成を求めるプロンプト
= DATA SUMMARY =
{Paste bảng tổng hợp metrics}
= AUDIENCE =
{CEO / Manager / Team lead / All-hands}
= TONE =
{Professional / Conversational / Executive brief}
= TASK =
Viết dashboard narrative (300-500 từ):
1. **Headline:** 1 câu tóm tắt tình hình
2. **Key takeaways:** 3-5 bullet points
3. **Deep dive:** Giải thích số liệu quan trọng
4. **Comparison:** So sánh với kỳ trước / target
5. **Call to action:** Đề xuất hành động cụ thể
Dùng:
- Số liệu cụ thể (không nói "tăng nhiều", nói "tăng 23%")
- So sánh có context ("cao hơn industry average 15%")
- Action-oriented language
2.2 異常検出プロンプト
Dữ liệu doanh thu hàng ngày (30 ngày gần nhất):
{paste data}
Phân tích và tìm:
1. **Anomalies:** Ngày nào doanh thu bất thường? (so với moving average 7 ngày)
2. **Pattern:** Có pattern theo ngày trong tuần không? (weekend effect?)
3. **Trend:** Xu hướng tổng thể: đi lên, đi xuống, hay sideways?
4. **Forecast:** Dự đoán 7 ngày tiếp theo (với confidence interval)
5. **Alert:** Có cần hành động gấp không?
Output: bảng anomalies + Python code cho visualization
3. ビジネスライティング
3.1 プロフェッショナルな電子メール
= CONTEXT =
Situation: {mô tả tình huống}
Sender: {vai trò của bạn}
Recipient: {ai, quan hệ}
Purpose: {mục đích email}
= TONE =
{Formal / Semi-formal / Friendly professional}
{Tiếng Việt / English / Bilingual}
= CONSTRAINTS =
- Độ dài: {ngắn gọn 3-5 câu / trung bình / chi tiết}
- Call to action: {hành động mong muốn từ người nhận}
- Deadline: {nếu có}
- Sensitivity: {confidential / normal}
= TEMPLATE =
Subject: [chủ đề rõ ràng]
Chào {tên},
[Mở đầu: context/reason for writing]
[Nội dung chính: thông tin/yêu cầu]
[Call to action: việc cần làm cụ thể]
[Kết: cảm ơn + next steps]
Trân trọng,
{tên}
3.2 会議のメモ
= RAW NOTES =
{Paste meeting notes thô / transcript}
= OUTPUT FORMAT =
## Meeting Summary
- **Date:**
- **Attendees:**
- **Duration:**
## Key Decisions
1. [Decision 1] — Owner: [tên]
2. [Decision 2] — Owner: [tên]
## Action Items
| # | Task | Owner | Deadline | Priority |
|---|------|-------|----------|----------|
| 1 | ... | ... | ... | High/Medium/Low |
## Discussion Points
- [Point 1: brief summary]
- [Point 2: brief summary]
## Next Steps
- Follow-up meeting: [date]
- Pending items: ...
3.3 報告/提案
= CONTEXT =
Loại báo cáo: {weekly report / monthly review / project proposal / post-mortem}
Audience: {CEO / team / stakeholders / investors}
Objective: {inform / persuade / request budget / post-mortem analysis}
= DATA =
{Key metrics, achievements, issues, risks}
= STRUCTURE =
1. **Executive Summary** (3-5 câu, AI tự viết)
2. **Highlights** (achievements, milestones)
3. **Challenges** (issues, risks, blockers)
4. **Metrics** (bảng số liệu)
5. **Next Steps** (action items, timeline)
6. **Budget/Resources** (nếu là proposal)
= TONE =
- Fact-based, data-driven
- Avoid jargon khi audience là non-technical
- Action-oriented conclusions
💡 演習 2: AI プロンプトを使用して 3 種類のビジネス文書を作成します: (a) 予算の承認を求める電子メール、(b) 生の記録からの会議メモ、(c) 週報。出力品質を評価します。
4. 分析のためのプロンプトチェーン
4.1 複数ステップの分析
Bước 1: Data Understanding
"Mô tả dataset: số rows, columns, data types, missing values"
Bước 2: Exploratory Analysis
"Dựa trên mô tả ở bước 1, tạo Python code cho EDA:
distributions, correlations, time series plots"
Bước 3: Insights
"Dựa trên kết quả EDA, liệt kê top 5 insights business"
Bước 4: Recommendations
"Cho mỗi insight, đề xuất 1 action cụ thể + expected impact"
Bước 5: Presentation
"Tạo executive summary 1 trang cho CEO"
4.2 反復的な改良
Lần 1: "Phân tích doanh thu Q3"
→ Output: overview chung
Lần 2: "Đi sâu vào region South — tại sao giảm 15%?"
→ Output: root cause analysis
Lần 3: "So sánh South với North — khác gì?"
→ Output: comparative analysis
Lần 4: "Đề xuất 3 actions cụ thể để South recovery Q4"
→ Output: action plan
→ Mỗi bước drill-down sâu hơn, context tích lũy
概要
| 使用例 | 主要なプロンプト要素 |
|---|---|
| CSV 分析 | スキーマ、サンプル データ、具体的な質問 |
| テキストから SQL へ | テーブル スキーマ、SQL 言語、ルール |
| ダッシュボードの説明 | 聴衆、トーン、指標、比較 |
| 電子メール | コンテキスト、トーン、CTA、制約 |
| 会議メモ | 生のメモ、構造化された出力形式 |
| レポート | タイプ、対象者、構造、データ |
一般的な演習
- ✅ 2 つの小さな演習 (1、2) を完了します。
- データからレポートへのパイプライン: CSV → 分析 (プロンプト 1) → インサイト (プロンプト 2) → エグゼクティブ レポート (プロンプト 3) → CEO への概要の電子メール送信 (プロンプト 4)。チェーン 4 プロンプト。
- プロンプト テンプレート ライブラリ: 5 つのビジネス プロンプト テンプレート (電子メール、レポート、会議、提案書、データ分析) のセットを作成します。 3 つの異なるシナリオでテストします。
- AI ビジネス アナリスト: ロールプレイ: あなたはビジネス アナリストで、AI を使用して実際のデータセット (Kaggle データセット) を分析します。生データから、プレゼンテーションにすぐに使える洞察へ。
次の記事: マルチモーダル プロンプト — 画像、音声、ビデオ — マルチメディア入力のプロンプト エンジニアリング。