دادههای خام را با این prompt هوش مصنوعی به یک خلاصه اجرایی تبدیل کنید
Why this prompt matters
Raw tables rarely persuade anyone on their own. A structured briefing helps teams spot the real signal faster, avoid talking past each other, and make decisions before a meeting turns into manual spreadsheet narration.
What we use it for
You have a weekly leadership review in 30 minutes and only a rough CSV export from your product, marketing, or operations dashboard.
Prompt
Role: Act as a senior analytics strategist and chief of staff who turns messy operational data into clear executive briefings. Context: I will give you [RAW DATA OR CSV], [METRIC DEFINITIONS], [BUSINESS CONTEXT], [TIME WINDOW], and [TARGET AUDIENCE]. The data may be incomplete, inconsistently formatted, or missing useful labels. Your job is to identify the signal, not just restate the table. Task: Analyze the input and produce a decision-ready executive briefing that explains what changed, what matters, what is uncertain, and what action should be considered next. Constraints: - Use only the information provided. If something important is missing, say so explicitly. - Distinguish observed facts from hypotheses or interpretations. - Quantify changes wherever possible (absolute and percentage change when relevant). - Highlight only the most material trends, anomalies, risks, and opportunities. - Do not flood the reader with every metric. - If the data quality is weak, include a short "data confidence" note. - If useful, ask up to [NUMBER OF FOLLOW-UP QUESTIONS] clarifying questions first, but still provide a provisional briefing. - Keep the tone concise, executive, and specific. Output Format: 1. Executive Summary (5-7 bullet points) 2. Key Trends Table - Metric - What changed - Why it likely matters 3. Anomalies and Red Flags 4. Likely Drivers and Caveats 5. Recommended Actions for [TARGET AUDIENCE] 6. Data Confidence Note Input: - Raw data / CSV: [PASTE DATA HERE] - Metric definitions: [DEFINE THE METRICS] - Business context: [DESCRIBE THE PRODUCT / TEAM / BUSINESS] - Time window: [E.G. LAST 7 DAYS VS PRIOR 7 DAYS] - Target audience: [E.G. CEO, COO, VP GROWTH] - Decision needed: [WHAT DECISION THIS SHOULD SUPPORT] - Follow-up question limit: [E.G. 3]
Result
Executive Summary
- New trial signups fell 14 percent week over week, but the larger issue is lower activation after signup, not just top-of-funnel volume.
- Activation dropped from 42 percent to 34 percent, which means the business lost conversion efficiency at the point where value should become visible to a new user.
- Paid acquisition spend increased 11 percent while cost per activated user rose 32 percent, suggesting recent campaign mix is sending weaker traffic or landing-page intent is mismatched.
- Expansion revenue grew 9 percent and churn stayed mostly flat, so this does not look like a broad product failure. The pressure is concentrated in new-user onboarding.
- Support tickets mentioning import errors increased 38 percent in the same period. That is the strongest operational clue in the dataset.
- Immediate focus should shift from buying more traffic to verifying whether onboarding friction is suppressing activation.
Key Trends Table
Trial signups: 8,420 → 7,241 (-14.0%). This matters because top-of-funnel volume is softening, but the decline is not severe enough by itself to explain the full revenue risk.
Activation rate: 42% → 34% (-8 points / -19.0%). This is the most material movement in the dataset because it directly affects pipeline quality for paid conversion.
Paid media spend: $118,000 → $131,000 (+11.0%). Spend rose while activation quality fell, reducing efficiency.
Cost per activated user: $33.40 → $44.10 (+32.0%). This indicates deteriorating unit economics in acquisition.
Support tickets tagged “import error”: 211 → 291 (+37.9%). This likely points to onboarding friction that deserves immediate product and support review.
Anomalies and Red Flags
The support-ticket jump is too closely timed with the activation decline to ignore. The most plausible explanation is that a product, integration, or UX issue is interrupting account setup. A secondary possibility is traffic quality degradation from a new paid campaign, but current data supports the onboarding-friction hypothesis more strongly.
Likely Drivers and Caveats
The dataset does not include landing-page breakdowns, device segmentation, or release notes, so the root cause is not confirmed. However, the numbers are directionally consistent with a setup bottleneck rather than pure demand weakness.
Recommended Actions
1. Audit onboarding flows and import logs from the last 7 days.
2. Pull campaign-level activation quality before increasing paid budget.
3. Ask support to classify the import-error spike by integration, browser, and account type.
4. Prepare a follow-up readout within 24 hours with segmented activation data.
Data Confidence Note
Confidence is moderate. The trend is clear, but root-cause certainty is limited because the export lacks segmentation and product release context.
بیشتر تیمها در جمعآوری داده مشکل ندارند. مشکل اصلی آنها تبدیل یک خروجی خام به چیزی است که تیم مدیریت بتواند سریع روی آن اقدام کند. این همان شکافی است که این prompt برای پر کردن آن طراحی شده است. به جای اینکه از مدل هوش مصنوعی بخواهیم صرفاً «این CSV را تحلیل کن»، prompt یک نقش واضح، زمینه کسبوکار، هدف تصمیمگیری و ساختار خروجی به مدل میدهد تا نتیجه مانند یک خلاصه اجرایی خوانده شود، نه یک رشته مشاهدات خام.
تز اصلی ساده است: promptهای تحلیلی زمانی بهتر میشوند که مدل را مثل یک ماشین حساب نگیرید و مثل یک تحلیلگر که برای مخاطب خاصی مینویسد در نظر بگیرید. مدیران اجرایی نیازی ندارند هر عددی دوباره برایشان تکرار شود. آنها به سیگنال نیاز دارند: چه چیزی تغییر کرد، چه چیزی مهم است، چه چیزی نامطمئن است، و چه تصمیمی اکنون روی میز است.
این prompt برای چه کاری طراحی شده است
این prompt زمانی بهترین عملکرد را دارد که یک جدول خام، خروجی صفحه گسترده، کپی از داشبورد، یا عکس فوری از KPI دارید و نیاز به ارائه خلاصه به یک مدیر، بنیانگذار، مشتری یا مدیر عملیات دارید. مدل را وادار میکند اطلاعات را در پنج لایه مفید سازماندهی کند: یک خلاصه اجرایی کوتاه، مهمترین روندها، ناهنجاریهای قابل بررسی، پیامدهای احتمالی کسبوکار، و یک لیست اقدام عملی.
این ساختار مهم است زیرا بیشتر promptهای داده خام به یکی از دو روش شکست میخورند: یا دیواری از آمار توصیفی بدون ارزش تصمیمگیری تولید میکنند، یا خیلی سریع به سراغ توصیهها میروند بدون اینکه مشخص کنند کدام اعداد واقعیت و کدام جملات تفسیر هستند. این prompt مدل را مجبور میکند شواهد را از استنباط جدا کند. این کار خروجی را قابل اعتمادتر و به چالش کشیدن آن را آسانتر میکند.
چرا prompt از نقش، زمینه، وظیفه، محدودیتها و فرمت خروجی استفاده میکند
بخش نقش به مدل میگوید که مانند یک استراتژیست ارشد تحلیل و رئیس ستاد رفتار کند، نه یک چتبات عمومی. این کار لحن و اولویتبندی را تغییر میدهد. شما میخواهید مدل به مبادلات (tradeoffs)، حساسیت مخاطب و مفید بودن تصمیم فکر کند.
بخش زمینه شرایط عملیاتی را به مدل میدهد: شرکت، مدل کسبوکار، مخاطب، پنجره گزارشدهی و تعاریف پشت اعداد. بدون این اطلاعات، حتی یک مدل توانا ممکن است افت تبدیل را اشتباه تفسیر کند، به فصلی بودن بیش از حد واکنش نشان دهد، یا تفاوت بین یک کمپین یکباره و یک تغییر ساختاری را نادیده بگیرد.
بخش وظیفه کار واقعی را تعریف میکند. این «خلاصه کردن داده» نیست، بلکه «تولید یک خلاصه اجرایی آماده تصمیم» است. این جملهبندی مهم است. به مدل میگوید به جای جامعیت، برای وضوح و قابلیت اقدام بهینهسازی کند.
بخش محدودیتها جایی است که جهش کیفیت رخ میدهد. به طور صریح به مدل میگوید تغییرات را کمّی کند، اطلاعات گمشده را مشخص کند، حقایق مشاهده شده را از فرضیهها جدا کند، و از ایجاد قطعیت خودداری کند. در جریانهای کاری واقعی گزارشدهی، این تفاوت بین چیزی است که میتوانید ارسال کنید و چیزی که باید از ابتدا بازنویسی کنید.
در نهایت، بخش فرمت خروجی یک الگوی قابل استفاده مجدد به خواننده میدهد. یک prompt خوب فقط یک پاسخ قوی ایجاد نمیکند؛ یک الگوی گزارشدهی ثابت ایجاد میکند که تیم شما میتواند هر هفته از آن استفاده کند.
این prompt بهویژه در کجا مفید است
این ابزار برای مرورهای هفتگی کسبوکار، خلاصه تیم رشد، خلاصه روند پشتیبانی مشتری، گزارش عملیات بازار، عکسهای مالی، یا بررسی KPI محصول بسیار مناسب است. همچنین زمانی که داده ناقص است مفید است. prompt به مدل دستور میدهد نقاط کور را علامت بزند و همچنان یک خوانش موقت تولید کند، که اغلب دقیقاً همان چیزی است که تیمها قبل از جلسه نیاز دارند.
زمانی که به آزمایش آماری رسمی، کنترلهای مالی یا تفسیر نظارتی خاص دامنه نیاز دارید، این prompt کاربرد کمتری دارد. در آن موارد، prompt همچنان به عنوان یک لایه خلاصهسازی اولیه ارزشمند است، اما نباید جای تحلیلگر، حسابدار یا اپراتوری که مالک اعداد است را بگیرد.
چگونه نتایج بهتری از آن بگیریم
سه ویرایش بلافاصله خروجی را بهبود میبخشد. اول، مخاطب را دقیق تعریف کنید: «مدیر ارشد عملیات»، «معاون رشد» یا «مدیر خدمات مشتری» بهتر از «مدیریت» است. دوم، زمانی که نام معیارها مبهم است، تعاریف معیارها را اضافه کنید. سوم، به مدل بگویید چه تصمیمی در انتظار است. اگر خواننده بین تخصیص مجدد بودجه، توقف کمپین یا بازگشت محصول یکی را انتخاب میکند، توصیهها بسیار دقیقتر میشوند.
بهترین بخش این prompt این است که هم در مقیاس کوچک و هم بزرگ کار میکند. یک بنیانگذار میتواند یک جدول خام را بچسباند و یک یادداشت واضح دریافت کند. یک تیم بزرگتر میتواند همان ساختار را در جریانهای کاری گزارشدهی تکراری ادغام کند. در هر دو مورد، ارزش یکسان است: زمان کمتری برای تبدیل خروجیها به نثر، و شانس بیشتر اینکه فرد مناسب سیگنال مناسب را قبل از شروع جلسه بعدی ببیند.