43/ 50
＋ 표본 한계를 밝히고 실제 수치를 중심으로 분석했다.
－ 할인 전 매출은 58만8천원이 아니라 59만8천원이다.
데이터 분석가 역할을 맡기는 프롬프트
데이터셋을 제공하면 데이터의 의미, 답할 수 있는 핵심 질문, 기본 인사이트를 비전문가도 이해하기 쉬운 말로 설명합니다.
| 분류 | 개발 › 데이터·DB |
|---|---|
| 태그 | 분석요약표 |
Act as a Data Analyst. You are an expert in analyzing datasets to uncover valuable insights. When provided with a dataset, your task is to: - Explain what the data is about - Identify key questions that can be answered using the dataset - Extract fundamental insights and explain them in simple language Rules: - Use clear and concise language - Focus on providing actionable insights - Ensure explanations are understandable to non-experts
어떤 프롬프트인가
데이터셋을 처음 살펴보고 분석 방향을 잡을 때 적합하다. 실행 가능한 인사이트와 간결한 설명을 중시하지만, 구체적인 도구나 분석 절차는 자세히 지정하지 않는다.
모델 비교
ChatGPT는 계산 오류 하나에도 표본 한계를 지켜 가장 신뢰할 만하다. Gemini는 구체적이지만 추론이 과하며, [C]는 미제공이다.
36/ 50
＋ 샘플 고객·상품을 실행 전략과 구체적으로 연결했다.
－ 작은 표본에서 채널 선호와 할인 효과를 과도하게 추론했다.
| 기준 | ChatGPT | Gemini | 앞선 모델 |
|---|---|---|---|
| 지시 준수 | 9 | 8 | ChatGPT +13% |
| 정확성 | 8 | 5 | ChatGPT +60% |
| 구체성 | 9 | 9 | 동점 |
| 구성·가독성 | 9 | 8 | ChatGPT +13% |
| 분량 적정성 | 8 | 6 | ChatGPT +33% |
gpt-5.6-sol가 모델 이름을 가린 채 1~10점으로 채점했습니다 (2026-09-25). 측정값이 아니라 AI 심사 결과입니다.
답 전문 보기
같은 입력을 세 모델에 넣어 받은 답을 그대로 옮겼습니다. 각 CLI(에이전트 하네스)에서 실행했습니다. ChatGPT·Claude 앱이나 웹에서는 답이 다를 수 있습니다.
[붙여 넣은 자료] 다음은 온라인 쇼핑몰 '모던하우스몰'의 최근 3개월 주문 데이터 샘플입니다 (전체 1,200행 중 일부, CSV): order_id,order_date,customer_id,category,product_name,quantity,unit_price,discount_rate,channel,region O10234,2026-06-03,C4821,생활가전,무선청소기 V3,1,189000,0.10,모바일앱,서울 O10235,2026-06-03,C1029,주방용품,스텐 프라이팬 28cm,2,32000,0.00,웹,경기 O10236,2026-06-04,C4821,생활가전,무선청소기 V3,1,189000,0.10,모바일앱,서울 O10237,2026-06-05,C7742,침구,순면 이불세트,1,79000,0.05,웹,부산 O10238,2026-06-07,C3390,생활가전,핸디 미니선풍기,3,15000,0.00,모바일앱,서울 O10239,2026-06-09,C1029,주방용품,스텐 프라이팬 28cm,1,32000,0.00,웹,경기 이 데이터로 어떤 인사이트를 뽑을 수 있을지 알려주세요.
이 데이터는 모던하우스몰의 주문별 판매 내역입니다. 주문일, 고객, 상품 카테고리, 수량, 가격, 할인율, 판매 채널, 지역을 포함하고 있어 매출·고객·상품·채널·지역별 분석이 가능합니다.
단, 아래 결과는 제공된 6개 샘플 행만 계산한 예시입니다. 전체 1,200행을 분석해야 일반적인 경향을 확정할 수 있습니다.
1. 기본 매출 현황
할인 적용 후 매출은 다음과 같이 계산할 수 있습니다.
수량 × 단가 × (1 - 할인율)
- 총 주문 건수: 6건
- 총 판매 수량: 9개
- 할인 전 매출: 588,000원
- 할인 후 매출: 556,250원
- 평균 주문 금액: 약 92,708원
2. 주요 상품·카테고리 인사이트
카테고리별 할인 후 매출은 다음과 같습니다.
- 생활가전: 385,200원
- 주방용품: 96,000원
- 침구: 75,050원
샘플에서는 생활가전이 전체 매출의 약 69%로 가장 높은 비중을 차지합니다. 특히 ‘무선청소기 V3’가 두 번 주문되어 주요 매출 상품으로 보입니다.
활용 방안:
- 무선청소기와 같은 고단가 생활가전의 재구매·추천 판매 강화
- 청소기 구매 고객에게 관련 소모품이나 생활용품 제안
- 주방용품·침구를 묶은 할인 상품으로 객단가 확대
3. 채널별 인사이트
- 모바일앱 매출: 385,200원
- 웹 매출: 171,050원
샘플에서는 모바일앱 매출이 전체의 약 69%입니다. 생활가전 주문이 모두 모바일앱에서 발생했기 때문입니다.
다만 표본이 작으므로 앱 고객이 실제로 더 높은 구매력을 가진 것인지, 고가 상품이 앱에 집중된 것인지는 전체 데이터로 확인해야 합니다.
추가로 확인할 항목:
- 채널별 평균 주문 금액
- 채널별 구매 전환율
- 채널별 할인율과 순매출
- 앱 고객의 재구매율
4. 고객 행동 인사이트
- C4821 고객은 무선청소기를 두 번 주문했습니다.
- C1029 고객은 프라이팬을 두 번 주문했습니다.
- 샘플 고객 4명 중 2명이 반복 주문을 보였습니다.
이는 재구매 고객이 존재한다는 신호입니다. 다만 동일 상품을 반복 구매한 것이므로 실제 재구매인지, 중복 주문인지도 확인해야 합니다.
활용 방안:
- 반복 구매 고객에게 쿠폰이나 멤버십 혜택 제공
- 구매 후 일정 기간이 지난 고객에게 재구매 알림 발송
- 동일 상품 반복 구매 고객의 주문 간격 분석
5. 지역별 분석 가능성
샘플에서는 다음 지역에서 주문이 발생했습니다.
- 서울: 3건
- 경기: 2건
- 부산: 1건
서울 주문은 모두 모바일앱과 생활가전에 해당합니다. 따라서 서울 고객이 앱과 생활가전을 선호한다고 단정하기보다는, 샘플이 작다는 점을 고려해야 합니다.
전체 데이터에서는 다음을 비교하면 좋습니다.
- 지역별 매출과 주문 건수
- 지역별 평균 주문 금액
- 지역별 인기 카테고리
- 지역별 모바일앱 이용률
6. 이 데이터로 답할 수 있는 핵심 질문
- 가장 많이 팔린 상품과 카테고리는 무엇인가?
- 매출이 가장 높은 채널은 웹인가, 모바일앱인가?
- 할인율이 매출과 주문 수에 어떤 영향을 주는가?
- 어떤 고객이 반복 구매하는가?
- 고객 1명당 평균 구매 금액은 얼마인가?
- 지역별로 선호하는 상품이 다른가?
- 고가 상품과 저가 상품 중 어느 쪽이 수익에 더 기여하는가?
- 특정 상품의 판매가 특정 채널이나 지역에 집중되어 있는가?
- 주문량이 월별로 증가하거나 감소하고 있는가?
우선적으로 실행할 분석
전체 1,200건을 대상으로 다음 세 가지를 먼저 확인하는 것이 좋습니다.
- 상품·카테고리별 순매출과 판매 수량을 집계합니다.
- 채널별 평균 주문 금액과 재구매율을 비교합니다.
- 지역별 인기 상품과 매출 차이를 분석합니다.
현재 샘플만 보면 생활가전, 특히 무선청소기가 핵심 매출 상품이며 모바일앱과 반복 구매 고객을 중심으로 마케팅 기회를 찾을 수 있습니다.
같은 분류의 프롬프트
| 대용량 텍스트 변환기 프롬프트 | |
| AI 데이터 추출 도구 기획 프롬프트 | |
| AI2sql 자연어 SQL 생성 프롬프트 | |
| 백엔드 아키텍트 역할을 맡기는 프롬프트 | |
| Base R 프로그래밍 프롬프트 |