ИИ для data scientist в интернет-магазинах

ИИ для data scientist в интернет-магазинах: конструктор промптов

Data scientist в e-commerce ежедневно решает задачи прогнозирования спроса, сегментации клиентов, анализа корзины и оптимизации цен. Современные LLM (большие языковые модели) позволяют автоматизировать до 70% рутинного кода и формулировок гипотез. Ключевой навык — умение составлять эффективные промпты, которые дают точный, исполняемый результат.

Анатомия эффективного промпта

Промпт для data scientist должен содержать пять обязательных блоков:

• Роль — задаёт контекст: «Ты — senior data scientist в интернет-магазине электроники».
• Задача — конкретный результат: «Напиши Python-код для RFM-сегментации клиентов».
• Данные — описание структуры: «таблица orders: user_id, order_date, revenue».
• Ограничения — формат, библиотеки, версии: «используй pandas 2.0, без sklearn».
• Пример вывода — ожидаемый вид результата: «выведи таблицу с колонками user_id, segment, score».

Правило: чем больше структуры в промпте, тем меньше итераций на уточнение. Плохой промпт: «проанализируй продажи». Хороший: «Рассчитай недельную динамику выручки по категориям, выведи топ-5 категорий с падением более 10%».

Готовые шаблоны промптов для e-commerce

1. Прогнозирование спроса

Шаблон: «Ты — data scientist. Построй прогноз спроса на товар {product_id} на 14 дней. Используй историю продаж из таблицы sales (date, product_id, qty). Примени SARIMA или Prophet. Выведи: прогноз, доверительный интервал, MAPE на тестовой выборке. Код — на Python, с комментариями».

Настройка: замените {product_id} на реальный ID, укажите горизонт прогноза и метрику качества. Добавьте «учти сезонность и праздники» для точности.

2. Сегментация клиентов

Шаблон: «Проведи RFM-анализ клиентов интернет-магазина. Данные: orders (user_id, order_date, revenue). Определи пороги для R, F, M (квантили 0.25, 0.5, 0.75). Создай сегменты: чемпионы, лояльные, спящие, уходящие. Выведи распределение клиентов по сегментам и средний чек. Код — pandas, без внешних библиотек».

Настройка: измените квантили, добавьте «включи когортный анализ по месяцу первого заказа» для глубины.

3. Анализ корзины (market basket)

Шаблон: «Найди часто покупаемые вместе товары. Данные: transactions (transaction_id, product_name). Используй алгоритм Apriori с минимальной поддержкой 0.02 и достоверностью 0.4. Выведи топ-10 правил с lift > 1.5. Оформи результат в таблицу: antecedent, consequent, support, confidence, lift».

Настройка: укажите пороги поддержки/достоверности, добавьте «исключи товары с ценой ниже 5$» для фильтрации шума.

Как настраивать промпты под свои данные

1. Используйте примеры из вашей БД — вставьте 2-3 реальные строки данных в промпт, чтобы модель поняла формат.
2. Уточняйте метрики — пропишите, что считать успехом: «минимизируй MAE», «максимизируй precision@10».
3. Добавляйте контекст бизнеса — «учитывай, что маржа на электронику 15%» для приоритизации.
4. Итерируйте — если ответ неполный, добавьте «дополни код проверкой на пропуски» или «выведи график».

Типичные ошибки и их решение

Используйте эти шаблоны как основу, адаптируя под свои таблицы и бизнес-цели. Эффективный промпт экономит часы работы и повышает точность моделей.