Passa al contenuto principale

Analisi dei dati

Tutti i livelli
What you'll learn
  • Descrivere un dataset nel modo in cui serve a un modello — colonne, tipi e la granularità
  • Eseguire il flusso sicuro in cinque passi: descrivi, chiedi, genera, esegui tu stesso, interpreta
  • Trattare come non verificato qualsiasi numero che il modello non ha calcolato
  • Dichiarare le quattro assunzioni che cambiano silenziosamente un risultato: valori nulli, deduplica, fusi orari, valuta
  • Tenere i dati sensibili fuori da strumenti che non hai verificato

Non devi essere un data scientist per ottenere risposte dai dati con l'AI — ma devi tenerla onesta. L'AI scrive la query e spiega il risultato; tu confermi che i numeri siano reali.

In cosa aiuta​

  • Scrivere SQL / formule per fogli di calcolo / pandas a partire da una domanda in linguaggio naturale.
  • Spiegare cosa significa una query o un risultato in termini di business.
  • Pulire e trasformare dati disordinati (descrivi il disordine, ottieni i passaggi).
  • Suggerire il grafico giusto per la domanda.
  • Interpretare l'output e proporre la domanda successiva.

Il flusso di lavoro sicuro​

Guided walkthrough1 of 5
  1. Colonne, tipi, e la GRANULARITÀ — una riga corrisponde esattamente a cosa? Non dare per scontato che il modello indovini i tuoi nomi, o che order_id sia univoco. La maggior parte delle query sbagliate sbaglia sulla granularità, non sull'SQL.

Descrivi la granularità, poi chiedi — SQL con assunzioni dichiarate

My table orders has columns: order_id, customer_id, created_at, total_eur,
status. One row per order. Write SQL for monthly revenue from completed orders in
2025, and explain any assumptions.

Riporta indietro l'output — interpretazione con caveat

Here is the result of that query. Interpret it in business terms in under 120
words, then list anything that could make these numbers misleading — nulls,
duplicate rows, time zone of created_at, mixed currencies, or partial months.
Label each as "checked" or "unverified".
Result:
[paste the rows]

Guardrail​

Non fidarti mai di numeri che non ha calcolato

Se l'AI dichiara un risultato senza aver eseguito la query sui tuoi dati, quel numero potrebbe essere inventato. Esegui tu stesso le query; tratta come non verificata qualsiasi cifra che non hai calcolato. E ricorda che correlazione ≠ causalità — chiedile di segnalare le affermazioni associative. Vedi Allucinazioni.

  • Verifica la plausibilità degli ordini di grandezza — risultato implausibile? indaga, non pubblicare.
  • Dichiara le assunzioni (valori nulli, deduplica, fusi orari, valuta).
  • Non incollare dati sensibili/PII in strumenti che non hai verificato (Privacy).

Quelle quattro assunzioni sono elencate in un ordine preciso perché è più o meno la frequenza con cui mordono. I valori nulli riducono silenziosamente un denominatore; le righe duplicate gonfiano silenziosamente una somma; un timestamp salvato in UTC e letto come ora locale sposta i ricavi oltre il confine di un mese; e una colonna total che mescola valute produce un numero aritmeticamente corretto ed economicamente privo di senso.

Pro tip
  • Chiedi la query E una seconda query che la verifichi — un conteggio di righe, un intervallo di date, una somma che puoi controllare a occhio. Due query economiche battono una elegante che non puoi verificare.
  • Quando un risultato ti sorprende, sospetta della join prima di sospettare del business. Una join fan-out è la causa più comune di un numero improvvisamente 3× troppo grande.
  • Per il lavoro sui fogli di calcolo, chiedi la formula più una cella di esempio svolta. Se l'esempio è sbagliato, hai trovato il bug senza toccare il file vero.

Mettiti alla prova​

Check yourself

0/3
  1. Qual è la singola cosa più utile da dire a un modello prima di chiedergli dell'SQL?
  2. Il modello risponde con una cifra di ricavi mensili senza che tu abbia eseguito nulla. Cos'è quel numero?
  3. Il totale dei ricavi triplica improvvisamente dopo che hai aggiunto una tabella clienti alla query. Di cosa dovresti sospettare per prima cosa?

Punti chiave​

Key takeaways
  • Descrivi prima colonne, tipi e GRANULARITÀ — gli errori di granularità battono quelli di sintassi in frequenza e in costo
  • Chiedi sempre le assunzioni della query, e rivedi quelle prima dell'SQL
  • Eseguila tu stesso. Un numero che il modello non ha calcolato è non verificato per definizione
  • Riporta indietro l'output reale per l'interpretazione — leggere numeri è la parte in cui l'AI è affidabilmente brava
  • Valori nulli, righe duplicate, fusi orari e valute mescolate sono i quattro silenziosi stravolgitori di risultati
  • Verifica ordini di grandezza e conteggi di righe; sospetta della join quando un totale salta
  • Tieni i dati PII fuori dagli strumenti che non hai verificato

Avanti​