Промпты Claude Opus 4.7 для анализа данных — топ-10

У меня таблица '[название]' со схемой: [колонки и типы]. Напиши оптимизированный SQL-запрос для PostgreSQL, который [задача]. Объясни план выполнения, EXPLAIN ANALYZE-стратегию, и какие индексы нужны для прода. Если в задаче есть подвохи (NULL, дубли, edge case) — укажи.

Имею DataFrame с колонками [список]. Напиши Python код на pandas: 1) Очистка (NA, дубли, типы); 2) EDA с сигнатурными статистиками; 3) Корреляционная матрица с heatmap; 4) Группировки по [колонка] с агрегатами; 5) Top-10 outliers по IQR. Объясни каждый шаг.

Результаты A/B-теста: контроль n=[число], среднее=[X], SD=[Y]; вариант n=[число], среднее=[X2], SD=[Y2]. Метрика — [конверсия/выручка]. Сделай: 1) t-test или z-test (выбери); 2) p-value; 3) CI 95% разницы; 4) effect size (Cohen's d); 5) Минимально детектируемый эффект; 6) Бизнес-интерпретация и решение (rollout/halt).

Имею транзакционную базу с полями [order_id, user_id, dt, amount]. Напиши SQL/Python для RFM-сегментации: 1) Recency (дни с последней покупки); 2) Frequency (число покупок за период); 3) Monetary (сумма). Категоризируй на 5 сегментов. Дай таблицу 'champion → at-risk' с действиями для каждого сегмента.

Дай SQL и Python код для месячного cohort-retention анализа на основе таблицы users (user_id, signup_dt) и events (user_id, event_dt). Месячные когорты × месячные интервалы. Визуализация — heatmap с retention rates. Включи интерпретацию: где когортная просадка, где плато.

Имею события воронки: [событие1, событие2, событие3, событие4, событие5]. Напиши SQL для построения воронки конверсии. Дай: 1) Drop-off rates на каждом шаге; 2) Среднее время между шагами; 3) Сегментация воронки по UTM/каналу; 4) ТОП-3 точки утечки; 5) Гипотезы для оптимизации.

Дай Python код для прогноза временного ряда [метрика] на 30 дней вперёд. Используй: 1) Декомпозиция (тренд+сезонность+остатки); 2) Stationarity test (ADF); 3) Модель Prophet или ARIMA с обоснованием; 4) Train/test split 80/20; 5) Метрики (MAPE, RMSE); 6) Confidence intervals. Покажи график.

Дай рекомендации по построению lead scoring модели для B2B SaaS. Структура: 1) Признаки (демография компании, поведение в продукте, engagement); 2) Алгоритм (логистическая регрессия / gradient boosting); 3) Threshold для MQL/SQL; 4) Метрики качества (AUC, precision/recall); 5) Calibration; 6) Мониторинг drift'а.

Дай скрипт построения executive dashboard для CEO. Метрики: 1) MRR/ARR с темпом роста; 2) Churn rate (gross/net); 3) CAC payback; 4) NPS trend; 5) Активные пользователи (DAU/MAU); 6) Cash burn vs runway. SQL-запросы + Python для визуализации (matplotlib/plotly).

Имею временной ряд метрики [имя] за [период]. Напиши Python для обнаружения аномалий: 1) Скользящее среднее ± 2σ; 2) Sudden change detection; 3) Сезонная декомпозиция; 4) Threshold для алертов; 5) Визуализация выбросов на графике; 6) Гипотезы возможных причин для топ-5 аномалий.