Присоединиться бесплатно

Find and investigate spreadsheet outliers

Автор: AILesson7 мин на настройкуПроверено на:ChatGPTПроверено: 2026-08-28

Быстрый ответ

Flag unusual values with a method suited to the distribution, then investigate before removal. Укажите: Metric and business meaning, Data profile, Investigation and usage. Ожидаемый результат: Transparent outlier flags, context checks, and keep-correct-remove decisions.

1

Добавьте контекст

ваш текст остаётся в этом браузере. AILesson Prompts не отправляет его ни в модель, ни на сервер.

2

Ваш промпт

Незаполненные поля остаются видимыми как заполнители, поэтому вы всё равно можете скопировать и отредактировать промпт

Design a spreadsheet outlier analysis.

Metric, unit, valid range, and groups:
[metric]

Data profile and representative values:
[distribution]

Investigation purpose and policy:
[policy]

Separate impossible values, data-entry errors, rare but valid events, and influential observations. Choose a transparent method appropriate to skew and sample size, such as business-rule limits, IQR, robust z-score, or within-group comparison. Return formulas, thresholds, an OutlierReason field, and a review workflow. Do not delete or winsorize values automatically. Show how conclusions change with and without flagged observations and how each row can be traced to source evidence.
Попробовать в Playground
Конфиденциально по умолчаниюПромпт собирается локально в вашем браузере. Не вводите конфиденциальную информацию в сервисы ИИ, если ваша организация этого не разрешает.

От исходных данных к результату

Разобранный пример

Посмотрите, как конкретный контекст превращает этот рецепт в полезный результат

Реальный ввод

Metric and business meaning
OrderValue in GBP, nonnegative. Analyze typical order size by CustomerType because Wholesale orders are normally larger than Retail.
Data profile
2,400 orders. Retail n=2,100: Q1 £28, median £46, Q3 £72, max £8,400. Wholesale n=300: Q1 £410, median £690, Q3 £1,100, max £12,500. Three values are negative; one Retail row is £8,400; several Wholesale rows exceed £4,000.
Investigation and usage
Find data errors and understand whether extreme orders distort the average. Every order can be checked against an invoice. Do not remove a valid large order.

Пример вывода

Apply the nonnegative business rule first: all three negative values are Invalid and require invoice or source correction. Detect unusual values within CustomerType, not across the mixed population.

For Retail, IQR = 72−28 = 44 and the upper fence is 72+1.5×44 = £138. This intentionally flags many high Retail orders for investigation, not deletion. For Wholesale, IQR = 690 and the upper fence is £2,135. Add group quartiles in a summary table and an OutlierReason column that distinguishes Negative-invalid, Above-group-IQR, and Not-flagged.

The £8,400 Retail order is highly unusual; verify customer type, decimal placement, currency, duplicates, and invoice. If verified, retain it as Rare-valid and explain its influence. Wholesale orders above £4,000 receive the same source check but should not be compared with the Retail threshold.

Report median and IQR as the primary typical-size statistics. Show mean order value with all valid rows and again excluding Rare-valid rows as a sensitivity analysis, while keeping the official total revenue unchanged. Record OrderID, flag, evidence checked, decision, reviewer, and date for every changed classification.

Почему это работает

  1. 1

    Separating invalid from unusual prevents legitimate high-impact events from being erased.

  2. 2

    Sensitivity results reveal whether a small number of observations drives the conclusion.

Проверьте результат

  • Is the detection method appropriate for the metric distribution and groups?

  • Are impossible, erroneous, and rare-valid values labeled separately?

  • Is every correction backed by source evidence?

Используйте уверенно

Часто задаваемые вопросы

Практические ответы о том, когда использовать этот рецепт, что нужно предоставить и где по-прежнему важна проверка человеком

What should I prepare before using “Find and investigate spreadsheet outliers”?

For “Find and investigate spreadsheet outliers,” prepare Metric and business meaning, Data profile, and Investigation and usage. Replace placeholders only with information you can verify. If a detail is unknown, preserve that uncertainty explicitly instead of asking the model to infer it.

When is the “Find and investigate spreadsheet outliers” result not ready to use?

The result is not ready if it does not yet deliver the stated outcome—Transparent outlier flags, context checks, and keep-correct-remove decisions—from the supplied evidence, or if it relies on unresolved assumptions, missing approvals, or invented details. Use the checks as release gates: revise the source inputs or assign a named, authorized reviewer instead of polishing an unsupported output.

Which AI tools have recorded tests for “Find and investigate spreadsheet outliers”?

The published test record for “Find and investigate spreadsheet outliers” lists ChatGPT as of 2026-08-28. This confirms recorded runs, not guaranteed compatibility or identical results in later product versions. For another tool or version, keep every constraint visible and repeat the result checks before use.

Другие способы изучения

Где этот рецепт применим

Текстовые промтыАнализ данныхExcel и электронные таблицы

Продолжайте работу

AILesson · Рекомендуемые курсы

ваш следующий шаг: примените ИИ на практике

Перейдите от понимания ИИ к выполнению задач. Практикуйтесь в составлении запросов, проверке и улучшении результатов с помощью интерактивных уроков для работы и повседневной жизни.

Просмотреть все курсы
Обложка курса «ИИ для начинающих»

15 интерактивных уроков

ИИ для начинающих

Начните полезную беседу с ИИ, улучшите ответ, проверьте важное и поймите, когда следующий шаг нужно сделать вам.

Просмотреть этот курс
Обложка курса «Основы ChatGPT»

10 интерактивных уроков

Основы ChatGPT

Освойте ChatGPT на трёх практических рабочих процессах: проведите первую беседу, поработайте с файлом, а затем перенесите проверенный план в новую беседу с помощью проектов.

Просмотреть этот курс
Обложка курса «Как работает генеративный ИИ»

7 интерактивных уроков

Как работает генеративный ИИ

Разберитесь, как распространённые ИИ-чаты изучают закономерности языка, используют текущие сообщения, формируют ответы и подключают источники и инструменты.

Просмотреть этот курс