[Guida] Come svolgere Data Analysis con ChatGPT e AI generative

Sono diventati il vero e proprio "oro" moderno e la loro analisi oggi rappresenta una delle parti più essenziali all'interno delle strategie aziendali. Stiamo parlando ovviamente dei dati e oggi vogliamo affrontare questo argomento accostandolo alla rivoluzione a cui stiamo assistendo dell'introduzione dell'Intelligenza Artificiale generativa: come si possono utilizzare strumenti come ChatGPT per fare analisi di dati?

In questa guida, esploreremo il ruolo che possono avere le intelligenze artificiali generative nell'analisi dei dati e come possono aiutarci a ottenere informazioni preziose.

1. Come sfruttare l'AI generativa e ChatGPT per aiutarci a leggere i dati: funzionamento e applicazioni

Quando si tratta di analizzare grandi quantità di dati (big data), l'aiuto della tecnologia diventa fondamentale per interpretare correttamente le informazioni e ridurre i fisiologici errori che commetterebbe normalmente una persona umana.

ChatGPT, Bard, Perplexity e gli altri modelli di intelligenza artificiale generativa sono in grado di aiutare a svolgere questa task in quanto potenti strumenti di analisi dati (grazie alla loro AI) e grazie alla loro capacità di elaborare il linguaggio naturale, una combo perfetta per elaborare grandi o piccoli database di informazioni.

Se non sai cosa sia ChatGPT o vuoi leggere di più ti suggeriamo il nostro articolo introduttivo al modello. 
Un compito che una persona riuscirebbe a svolgere in un lasso di tempo molto ampio, infatti, ChatGPT è in grado di completarlo in pochi secondi riuscendo a comprendere dati complessi e ad interpretare informazioni significative (attraverso una serie di algoritmi avanzati) per identificare pattern, correlazioni e tendenze nei dati e facilitare la comprensione e l'estrazione di insight.

Questi modelli sono addestrati per riconoscere e comprendere il significato di parole e frasi all'interno del contesto dei dati, sfruttando le informazioni contenute nei dati per fornire risposte pertinenti alle domande poste. Anche di fronte a database di grandi dimensioni le risposte fornite non vengono compromesse nella loro qualità e accuratezza.

Come abbiamo raccontato in altri articoli sull'argomento, tutto sta nell'arte di fare prompting, ovvero di scrivere le istruzioni su cui dovrà operare il modello. Ne parliamo nel prossimo paragrafo.

2. Come scrivere i prompt per fare Data Analysis efficaci con AI generative

L'utilizzo di prompt adeguati è fondamentale per ottenere risultati efficaci nell'analisi dati con ChatGPT, Bard, Perplexity, YouChat, e tutti gli strumenti di AI generativa esistenti o che verranno lanciati in futuro. I prompt rappresentano le domande o gli input forniti al modello di intelligenza artificiale per guidare l'elaborazione e ottenere le informazioni desiderate.

Abbiamo chiesto a GPT stesso di fornirci un buon esempio di prompt utilizzabile in un contesto di data analysis e il modello ci ha restituito questo output:

Prompt: Analizza la tabella dei dati delle vendite mensili per il settore dell'elettronica nel periodo gennaio 2020 - dicembre 2022 e identifica le tendenze di crescita delle diverse categorie di prodotti. Fornisci anche una previsione per le vendite del primo trimestre del 2023.

È effettivamente un buon prompt.

Intanto fornisce tutte le informazioni necessarie per l'analisi dei dati, inclusi il contesto (vendite mensili nel settore dell'elettronica), l'intervallo di tempo (gennaio 2020 - dicembre 2022) e l'obiettivo dell'analisi (identificare le tendenze di crescita delle diverse categorie di prodotti). È chiaro, inoltre, nel delimitare il campo di ricerca dell'analisi alle vendite mensili e nella richiesta di una previsione (per il primo trimestre del 2023).

Per la formulazione di prompt efficaci, insomma, è importante rispettare alcune regole fondamentali:

• Specificità: i prompt dovrebbero essere specifici e focalizzati sugli obiettivi di analisi dati. Ad esempio, invece di un prompt generico come "Analizza i dati delle vendite", è preferibile utilizzare un prompt specifico come "Identifica i fattori che influenzano le vendite del prodotto X durante l'ultimo trimestre".
• Contestualizzazione: è importante fornire il contesto necessario affinché l'AI comprenda appieno l'obiettivo dell'analisi. Spiega il contesto aziendale, i dati di riferimento e le metriche di interesse per garantire risultati pertinenti.
• Dati di input: se possibile, fornisci all'AI informazioni specifiche o dataset di esempio da utilizzare nell'analisi anche all'interno dello stesso prompt dove poni la domanda al modello.
• Iterazione: l'AI supporta l'iterazione nel processo di analisi dati, pertanto è possibile riformulare i prompt in base ai risultati ottenuti e approfondire l'analisi in modo progressivo. Ad esempio, se il primo prompt produce risultati interessanti, puoi riformulare il prompt successivo per esplorare ulteriormente l'aspetto specifico.

Per ottimizzare i risultati del modello il nostro suggerimento è quello di esplorare diverse opzioni di prompt confrontando i risultati ottenuti. Diverse formulazioni del prompt, la modifica delle parole chiave con sinonimi, l'attenzione alla sintassi e anche alla struttura del prompt sono elementi che cambiano l'output. Non dimenticare, inoltre, di scrivere in inglese qualora non dovessi arrivare a output sufficientemente ottimizzati con prompt in italiano!

3. Esempi di applicazioni di ChatGPT e AI generative per la Data Analysis

Le intelligenze artificiali generative possono essere impiegate in un'ampia varietà di scenari di data analysis e in diversi settori, e possono essere applicate a diversi tipi di dati, inclusi testi, numeri, immagini e altro ancora.

Rispetto a molti altri applicativi e sistemi, inoltre, le AI sono in grado di elaborare informazioni riportate anche in più formati e/o linguaggi, senza dover effettuare passaggi intermedi di traduzione.

Possono essere utilizzate sia per l'analisi di dati strutturati, come le tabelle di vendita o le serie storiche, che per quella di dati non strutturati, come le recensioni dei clienti o i commenti sui social media. Come abbiamo scritto in un articolo dedicato a ChatGPT per le aziende, dunque, si presta benissimo all'utilizzo in contesto corporate.
Ciò significa che LLM come ChatGPT, Bard, Perplexity, etc. possono essere applicati a svariate industrie, tra cui marketing, finanza, sanità, e-commerce e molti altri, per estrarre insights significativi dai dati.

Per portare alcuni esempi di applicazione pratici di AI generativa per l'analisi dati:

• nelle vendite al dettaglio, può essere utilizzato per analizzare i modelli di acquisto dei clienti e identificare tendenze emergenti di consumo;
• nell'ambito finanziario, può essere impiegato per analizzare i dati del mercato azionario e fornire raccomandazioni di investimento;
• in campo medico, può essere utilizzato per l'analisi delle cartelle cliniche e l'individuazione di pattern o correlazioni nascoste;
• nel settore della moda si può utilizzare per analizzare i dati di vendita e identificare i prodotti più popolari in base alle preferenze dei clienti, nonché per fare una sentiment analysis dei prodotti in base a recensioni, pagine più visitate, percorso degli utenti su un eventuale sito e-commerce, etc;
• in ottica di aziende che hanno un inventario è uno strumento che può aiutare ad affinare i prodotti e la merce da vendere, sulla base dei dati d'acquisto e l'elaborazione dello storico;
• nel settore delle telecomunicazioni ChatGPT può essere utilizzato per analizzare i dati di utilizzo delle reti e identificare i problemi di congestione, consentendo di ottimizzare la distribuzione delle risorse e migliorare le prestazioni;
• anche nei ristoranti, infine, o nei bar, è potenzialmente possibile studiare i flussi di clientela, i piatti più ordinati e le tendenze delle ordinazioni nel corso del tempo.

I casi di applicazione sono molteplici e non elencabili nella loro totalità. È questione di creatività, ChatGPT e le AI generative possono essere applicate ad ogni contesto con un pizzico di furbizia. Poi, il 95% del lavoro lo farà sempre un prompt costruito correttamente, ma per quello servono soprattutto tanta pratica e confidenza con lo strumento.

Se seguirai con attenzione le indicazioni fornite sarai già a buon punto. Buon lavoro di data analysis!