Claude w analizie danych: co zlecić, co zostawić sobie

Podaj Claude'owi plik CSV i poproś o „analizę”, a szybko otrzymasz odpowiedź: kilka średnich, wykres, akapit obserwacji. Czy cokolwiek z tego jest bezpieczne do przedstawienia interesariuszowi, to inna kwestia. Domyślne zachowanie jest pewne siebie, niezależnie od tego, czy podstawowe obliczenia są poprawne, a arkusz kalkulacyjny z 40 000 wierszy dobrze ukrywa swoje błędy.

Prowadzimy SkillProof, katalog, w którym każda umiejętność jest instalowana na czystej maszynie i testowana w rzeczywistych warunkach, zanim opublikujemy werdykt. Ten przewodnik obejmuje kategorię danych: co analitycy faktycznie przekazują Claude'owi po zainstalowaniu odpowiedniej umiejętności, co pozostaje manualne, niezależnie od tego, jak dobre stają się narzędzia, oraz pełny przykład workflow od nieuporządkowanego eksportu do narracji, na podstawie której ktoś może podjąć działanie.

Co analitycy faktycznie odciążają

Trzy zadania stanowią większość wartości, a żadne z nich nie brzmi: „zrób analizę za mnie”.

Czyszczenie. Rzeczywiste eksporty zawierają mieszane formaty dat, zduplikowane identyfikatory klientów z połączenia CRM oraz jednostki, które zmieniają się między wierszami, ponieważ ktoś ręcznie edytował arkusz źródłowy. Jest to mechaniczne, żmudne i dokładnie ten rodzaj pracy, w którym zmęczony analityk wprowadza nowe błędy, naprawiając stare. Jest to również największy pochłaniacz czasu przed rozpoczęciem jakiejkolwiek faktycznej analizy.

Pisanie zapytań. Tłumaczenie „którzy klienci zrezygnowali po drugim odnowieniu, ale przed trzecim” na poprawne zapytanie z funkcją okna (window-function) dla schematu, który pamiętasz tylko częściowo. Claude jest dobry w SQL. Jest mniej dobry w znajomości specyfiki twojego schematu, chyba że mu o tym powiesz, co jest faktyczną umiejętnością w tej kategorii: skłonienie modelu do pytania o foreign keys i null conventions zamiast zgadywania.

Przekształcanie liczb w narrację. Pulpit nawigacyjny mówi, że liczba się zmieniła. Nie mówi dlaczego, ani czy ktokolwiek powinien się tym przejmować. Pisanie „liczba rejestracji spadła o 12% w tym tygodniu, skoncentrowana w lejku mobilnym, zbiegając się z aktualizacją App Store we wtorek” na podstawie eksportu metryk to pisanie, a nie matematyka, a pisanie to coś, do czego modele językowe są stworzone.

Co nie przechodzi na Claude'a, nawet z zainstalowaną dobrą umiejętnością: decydowanie, która metryka ma znaczenie, ocena, czy wynik jest praktycznie istotny, czy tylko statystycznie istotny, oraz wszelkie wnioski oparte na założeniach dotyczących sposobu zbierania danych. Umiejętność może poprawnie obliczyć p-wartość. Nie może ci powiedzieć, czy twoja próbka była faktycznie losowa, ponieważ jest to fakt dotyczący twojego procesu, a nie zestawu danych.

Testowany stos danych

Każda poniższa umiejętność została zainstalowana na czysto i uruchomiona na prawdziwym pliku, a nie na demonstracyjnym pliku CSV stworzonym, aby umiejętność wyglądała dobrze. Wyniki są w skali do 10, ważone kryteriami instalacji, wyzwalania, wyjścia i dokumentacji. Pełna metoda na naszej stronie metodologii. Jeśli nigdy wcześniej nie instalowałeś umiejętności, nasz przewodnik instalacji opisuje dwukomendową konfigurację dla każdej powierzchni.

Data Cleaning (8.8/10, zaliczono) to umiejętność, którą należy zainstalować w pierwszej kolejności, jeśli twoje dane pochodzą z innego źródła niż czysta wewnętrzna baza danych. Nasz test rzucił na nią eksport 60 000 wierszy z mieszanymi formatami dat, zduplikowanymi kluczami i niespójnościami jednostek między kolumnami, które powinny się zgadzać. Naprawiła wszystkie trzy kategorie i, co ważniejsze, wygenerowała dziennik zmian, wymieniający każdą dokonaną transformację. Ten dziennik to różnica między zaufaniem do wyczyszczonego pliku a nadzieją, że jest w porządku. Bez niego „Claude wyczyścił twoje dane” oznacza „nieprzejrzysty proces zmienił twoje liczby”, czego nie da się obronić na spotkaniu, gdy ktoś zapyta, dlaczego suma się zmieniła.

SQL Query Writer (9.2/10, zaliczono) to najwyższy wynik w tej kategorii. Testowaliśmy go na schemacie 12 tabel z zapytaniem, które sprawia, że analitycy jęczą: segmenty kohortowe z funkcjami okna (window functions) i poprawną obsługą stref czasowych. Zweryfikowaliśmy wynik wiersz po wierszu z ręcznie napisanym odpowiednikiem i zgadzał się. Trigger score to idealne 5, co oznacza, że działa niezawodnie na naturalne zapytania, takie jak "show me weekly cohort retention" bez konieczności nazywania umiejętności lub przypominania, czym jest funkcja okna.

Statistical Analysis (8.8/10, zaliczono) przeprowadziła testy istotności i regresję na zbiorze danych marketingowych w naszym teście. Wynik warty odnotowania: kiedy poprosiliśmy ją o wyciągnięcie wniosku przyczynowego, którego dane nie mogły potwierdzić, odmówiła i wyjaśniła dlaczego, zamiast i tak produkować pewnie brzmiący akapit. Ta odmowa jest całym sensem istnienia tej umiejętności. Narzędzie, które zawsze daje odpowiedź, jest gorsze niż to, które czasami mówi, że pytanie jest niemożliwe do odpowiedzi na podstawie posiadanych danych, ponieważ to pierwsze uczy cię, aby przestać sprawdzać.

Dashboard Builder (8.0/10, zaliczono) przekształca plik CSV w samodzielny interaktywny pulpit nawigacyjny. Nasz test wykorzystał plik CSV z danymi o przychodach i otrzymał poprawne typy wykresów bez zbędnych elementów (chartjunk), czytelne na pierwszy rzut oka. Uzyskał niższy wynik niż inne głównie w kategorii dokumentacji, 3 na 5, ponieważ README nie docenia tego, czego potrzebuje od ciebie przed pierwszym uruchomieniem: czystego wiersza nagłówka i decyzji, która kolumna jest osią czasu.

Metrics Review (7.2/10, działa po konfiguracji) to podstawa powyższego przypadku użycia tygodniowej narracji, a wygenerowana przez nią narracja, z wyróżnionymi anomaliami, była naprawdę użyteczna w testach. Haczyk: wymaga najpierw podłączenia eksportu metryk lub połączenia z analitycznym MCP, a ten krok konfiguracji nie jest opcjonalny. Przeznacz dwadzieścia minut przed pierwszym rzeczywistym uruchomieniem i spodziewaj się odpowiedzi na kilka pytań o to, które metryki faktycznie mają znaczenie dla twojego zespołu.

Chart Critic jest nadal w naszej kolejce testowej. Uruchamiamy ją na zestawie celowo mylących wykresów, aby zobaczyć, co faktycznie wychwyci, zanim opublikujemy werdykt. Warto obserwować, jeśli uczciwość wykresów jest powracającym problemem w twoim zespole, ale jeszcze nie jest to coś, za co możemy ręczyć.

Przykład workflow: od eksportu do narracji

Oto jak wygląda połączony stos, używając jako przykładu tygodniowego przeglądu przychodów.

1. Nieuporządkowany eksport. Dział finansów dostarcza plik CSV pobrany z trzech systemów rozliczeniowych po przejęciu. Daty są w dwóch formatach, w zależności od systemu, który wyeksportował wiersz, jeden system używa cents, a drugi dollars, a około 200 customer IDs pojawia się dwukrotnie z powodu nieudanej migracji.

2. Wyczyczony zestaw danych. Data Cleaning normalizuje formaty dat, oznacza niezgodność jednostek i pyta, którą konwencję walutową zastosować, zamiast zgadywać, oraz usuwa duplikaty customer IDs, używając własnego key mapping migracji. Otrzymujesz czysty plik i change log. Przeczytaj log przed kontynuowaniem. To jest checkpoint, w którym wychwytujesz błędne założenie, zanim rozprzestrzeni się na każdą liczbę downstream.

3. SQL. Po załadowaniu wyczyszczonych danych, SQL Query Writer tworzy rzeczywistą agregację: przychody według kohorty, według plan tier, week over week, z poprawną obsługą mid-month upgrades. To tutaj „którzy klienci faktycznie odnowili” otrzymuje precyzyjną odpowiedź zamiast przybliżonej.

4. Tygodniowa narracja. Metrics Review pobiera query output i liczby z poprzedniego tygodnia, a następnie pisze summary: co się zmieniło, o ile i co się z tym zbiegło. "Enterprise tier revenue held flat but seat count dropped 8%, consistent with the pricing change that took effect the 3rd."

Cztery kroki, cztery różne rodzaje pracy, a każdy z nich korzysta z umiejętności stworzonej specjalnie dla niego, zamiast jednej umiejętności próbującej źle wykonać wszystkie cztery. To ten sam powód, dla którego nie zalecamy jednej umiejętności „wykonującej analizę danych”: czyszczenie, tworzenie zapytań, statystyka i pisanie narracji to różne dyscypliny, które przypadkowo dzielą arkusz kalkulacyjny.

Problem z zaufaniem

Niekomfortowy fakt dotyczący modeli językowych i liczb: model może wygenerować wiarygodną, dobrze sformatowaną, całkowicie błędną liczbę, a nic w jego tonie nie powie ci, jaką odpowiedź otrzymałeś. To nie jest drobny bug do obejścia. Jest to strukturalna property sposobu, w jaki te modele generują tekst, i jest to powód, dla którego "Claude said the number is X" nigdy nie powinno być ostatnią linią weryfikacji czegokolwiek, co trafia do board deck.

To, co faktycznie to łagodzi, z tego, co widzieliśmy w testach, to nie smarter model. To audit trail. Data Cleaning zdobyła swoje 8.8 częściowo dlatego, że jej change log pozwala sprawdzić każdą transformację względem source file. Statistical Analysis zdobyła zaufanie w ten sam sposób: nie dlatego, że jest zawsze right, ale dlatego, że gdy nie jest confident, mówi o tym, zamiast wypełniać gap wiarygodnie brzmiącą liczbą.

Zasada, którą sugerujemy i której sami przestrzegamy: nigdy nie publikuj unchecked figure. Jeśli liczba ma trafić do report, deck, lub email do kogoś, kto podejmie na jej podstawie decision, prześledź ją z powrotem do query lub cleaning step, który ją wygenerował. To five-minute check against a spreadsheet, który możesz sam otworzyć. Jest to znacznie tańsze niż meeting, na którym ktoś zapyta, skąd wzięła się liczba, a honest answer is "Claude said so."

Gdzie Excel i dokumenty się przenikają

Wiele rzeczywistych analiz nie kończy się na dashboard. Kończy się w spreadsheet, który ktoś inny opens, edits, i forwards. To tutaj liczy się umiejętność xlsx, która w naszych testach uzyskała 9.2/10 na eksporcie 40 000 wierszy z malformed headers, formula columns, i pivot summary sheet.

Szczegół, który faktycznie ma tu znaczenie: pisze working formulas, a nie frozen values. A pasted number is dead the moment the source data changes. A live SUMIFS or a pivot table updates when the underlying rows do, which is the entire reason spreadsheets survive the way markdown reports don't. If Claude hands back a column of numbers where a formula should be, you've gained a snapshot and lost a spreadsheet.

Pełny skill set dokumentowy, w tym miejsce PDF i Word w rzeczywistym workflow analityka, omawiamy w naszym przewodniku po dokumentach.

Czego byśmy nie automatyzowali

Oto nasze stanowisko: nie pozwól Claude'owi przeprowadzać wnioskowania statystycznego, którego sam nie mógłbyś sprawdzić. Nie dlatego, że model jest zły w matematyce – nasze testy sugerują, że zazwyczaj nie jest – ale dlatego, że w momencie, gdy nie możesz ocenić, czy założenie zostało spełnione (independence, sample size, selection bias w sposobie zbierania danych), tracisz zdolność do wychwycenia błędu. A regression z violated assumption nadal drukuje coefficient. Po prostu nie oznacza tego, co myślisz, że oznacza, a jeśli nie rozumiałeś method going in, nie zauważysz, że output cię okłamuje.

To nie jest call to avoid statistics. To call to keep the boundary where it belongs: use the skill to do the arithmetic faster, not to substitute for understanding what the arithmetic is claiming. If a result would change a real decision, either you understand the method well enough to sanity-check it, or you find someone who does before it ships.

FAQ

Czy Claude faktycznie potrafi analizować prawdziwy zestaw danych, a nie tylko demonstracyjny plik CSV?

Tak, z zastrzeżeniem. Nasze testy celowo unikały czystych plików demonstracyjnych: test Data Cleaning wykorzystał prawdziwy eksport 60 000 wierszy z rodzajem bałaganu, jaki generują rzeczywiste systemy, i sprawdził się. General-purpose Claude bez zainstalowanej umiejętności wykonuje bardziej surową, less accountable version tego samego zadania. Wartość umiejętności tkwi głównie w audit trail, a nie w raw capability, której brakuje base model.

Czy Claude zastępuje analityka danych?

Nie, a części, których nie dotyka, to faktyczna substance pracy: decydowanie, jakie pytanie worth asking, judging whether a result matters to the business, i catching a flawed assumption before it becomes a wrong conclusion. It replaces the mechanical middle: cleaning, querying, first-draft narrative. That's real time saved, not the whole job.

Jak sprawdzić czyszczenie danych przez Claude'a, zanim mu zaufam?

Przeczytaj change log. A cleaning skill worth using produces one: every date reformatted, every duplicate merged, every unit conversion applied, listed against the original rows. If a skill cleans your data silently with no log, treat the output as unverified regardless of how good it looks.

Którą umiejętność powinienem zainstalować w pierwszej kolejności, jeśli wybieram tylko jedną?

Data Cleaning. Prawie każde downstream task, SQL, statistics, dashboards, zależy od input being trustworthy, a cleaning to step, który most people skip or do carelessly under deadline pressure. Nasza strona najlepszych umiejętności danych przedstawia full stack, jeśli chcesz poznać shortlist beyond this one.

Czy Claude potrafi pisać formuły w Excelu, czy tylko wkleja liczby?

Z zainstalowaną umiejętnością xlsx pisze live formulas: SUMIFS, pivot tables, lookups, które recalculate when source rows change. Without the skill, or with a generic request, you're more likely to get static values, które look right on export day i go stale the moment the data updates.