大模型数据分析实例拆解

前言：

我教体系化的提示词课程有大半年了，随之而来的是数据管理和分析的挑战——如何从这些数据中获得真正有价值的洞察，不断优化课程 → 如何有效盯作业和课程进度。

随着课程参与度的提高，我手中积累了大量数据。本来期望通过这些数据能够清晰地看到学习习惯和进度卡点，找到改进方向。但我现在用的课程平台呈现出的数据结果既混乱又难以解读。

上万条海量的课程数据

我用大模型做了：自动化处理繁杂的数据→编写分析指令→深入分析→图形化展示结果

分享一下我的实践和用到的 Prompt，为同样面临这类挑战的朋友提供一些思路和工具：

一、 数据预处理

数据基本情况

小七姐使用的课程管理平台所涉及的课程数据分散存储在多个地方，这其中包括学员信息、课程详情、以及具体的单节课程数据等。由于涉及的学员人数众多，同时课时数量庞大，导致生成的数据既庞杂又混乱。最初，在课程启动时，对于信息的整理和统计工作并未给予足够重视，这也使得系统中大量存在无效或重复的数据冗余问题。

课程总列表	单课数据列表

数据清洗

由于涉及到的工程量比较大，这里我选定了一个方向进行尝试：统计每课的完播率和复播率，并筛选选出学习进度低于50%的学员，以便后续进行回访。

确定了方向以后，先下载每节课数据：

由于课程多，在试验了几次一起上传给 GPT 的做法失败后，我想到了把所有表格合并在一个表格的想法。

于是有了第一个提示词：

最后的处理结果如下，总计16845条数据：