ИИ для data scientist в маркетплейсах

ИИ для data scientist в маркетплейсах: конструктор промптов

Data scientist в маркетплейсах ежедневно решает задачи прогнозирования спроса, сегментации, ранжирования и анализа отзывов. Эффективный промпт — это формализованное ТЗ для LLM, которое сокращает итерации и повышает точность результата. Разберем структуру и шаблоны.

Анатомия эффективного промпта

Промпт должен содержать пять обязательных блоков:

1. Роль — задает экспертизу модели (например, «ты — senior DS в e-commerce»).
2. Контекст — данные о маркетплейсе, категории, временном периоде.
3. Задача — конкретный результат (код, таблица, гипотеза).
4. Формат вывода — структура ответа (JSON, markdown, колонки).
5. Ограничения — допустимые библиотеки, объем, стиль.

Правило: чем больше контекста и ограничений, тем меньше галлюцинаций и выше релевантность.

Готовые шаблоны промптов

Шаблон 1. Генерация признаков для прогноза спроса

Промпт: «Ты — DS в Ozon. Дай 10 фич для модели прогнозирования спроса на категорию "электроника" с учетом сезонности, промо и цены конкурентов. Формат: список с названием, формулой и обоснованием. Ограничься библиотеками pandas, numpy.»

Шаблон 2. SQL-запрос для сегментации юзеров

Промпт: «Напиши SQL-запрос для ClickHouse: сегментируй покупателей по RFM на основе таблиц orders и users. Выведи сегменты с долей выручки. Учти, что заказ считается завершенным при status=4. Добавь комментарии к коду.»

Шаблон 3. Интерпретация A/B-теста

Промпт: «У меня результаты A/B-теста: конверсия 2.1% vs 2.4%, p-value=0.03, размер выборки 50k. Оцени значимость, проверь на устойчивость к бутстрепу, предложи, какие метрики еще посмотреть. Ответ — в виде выводов и рекомендаций.»

Настройка промптов под свои данные

• Заменяйте конкретные значения (категории, таблицы, метрики) на свои.
• Добавляйте примеры входных данных в промпт (few-shot) — это повышает точность.
• Используйте итеративный подход: сначала уточните контекст, затем задачу.
• Для кода просите «с обработкой ошибок» и «с комментариями».

Сравнение подходов к промптам

Сравнение LLM для DS-задач

Используйте конструктор промптов как основу, адаптируя под свои данные и стек. Это ускорит эксперименты и улучшит качество моделей.