Analýza dat s AI: od CSV k závěru, který obhájíte

Tady je hlavička mého exportu a prvních 20 řádků (oddělovač středník,
kódování UTF-8, desetinná čárka):

[vlož 20 řádků včetně názvů sloupců]

Nedělej zatím žádné výpočty. Udělej datový audit:
1. U každého sloupce urči typ (text, číslo, datum, kategorie)
   a co podle názvu a hodnot pravděpodobně znamená.
2. Označ problematické sloupce: smíšené formáty, datum jako text,
   čísla s jednotkou v buňce, kategorie psané různě („Praha“,
   „praha“, „PRAHA “).
3. Vypiš, na co se mě musíš zeptat, než začnu počítat — typicky
   jestli jsou ceny s DPH a jestli se mají storna vyřadit.
4. Napiš, co je v těchto datech jedno pozorování.

Nic nedomýšlej — kde nemáš z ukázky jistotu, napiš to jako
otázku pro mě.

Napiš Python skript, který připraví anonymizovanou kopii mého CSV.
Struktura sloupců: [vlož jen názvy sloupců, bez dat]

Skript má:
1. odstranit sloupce [jméno, e-mail, telefon, adresa],
2. [zakaznik_id] nahradit pořadovým číslem a převodní tabulku
   uložit do klic.csv, který zůstane u mě,
3. v textovém sloupci [poznámka] jen OZNAČIT řádky s e-mailem,
   telefonem nebo možným jménem a vypsat je ke kontrole,
4. uložit data_anonym.csv se stejným oddělovačem a kódováním
   a vypsat, kolik řádků a sloupců zůstalo.

Pracujeme nad mým datovým souborem. Pro celou konverzaci platí:

1. Žádné číslo neuvádíš z hlavy ani z odhadu — každou hodnotu
   spočítej kódem a ukaž mi kód i jeho výstup.
2. Když na výpočet nemáš data nebo nástroj, napiš „tohle
   nespočítám“ místo přibližné odpovědi.
3. U každého výsledku uveď, z kolika řádků vznikl a kolik jich
   bylo vyřazeno a proč.
4. Při nejednoznačnosti (chybějící hodnoty, duplicity, podezřelé
   kategorie) se zeptej, nerozhoduj sám.
5. Na konci každé odpovědi napiš větou, co by mohlo výsledek
   zkreslit.

Tady je hlavička mého CSV (prvních 5 řádků, oddělovač středník,
kódování UTF-8, desetinná čárka):

[vlož 5 řádků včetně názvů sloupců]

Napiš Python skript (pandas, matplotlib), který:
1. načte soubor jako data/objednavky.csv a ošetří české kódování
   i desetinnou čárku,
2. vyčistí data: vyřadí řádky se stavem [storno, nezaplaceno],
   sjednotí psaní kategorií, převede [datum] na datový typ,
3. vypíše, kolik řádků načetl, kolik vyřadil a z jakého důvodu,
4. spočítá tržby, počet objednávek a průměrnou objednávku
   po měsících a totéž v rozpadu podle [kategorie] a [zdroj],
5. uloží čísla do results.csv a grafy do složky grafy/ jako PNG.

Požadavky:
- ke každému kroku český komentář, PROČ se dělá,
- skript musí projít i s prázdnými buňkami,
- žádná natvrdo zapsaná čísla, vše počítej z dat,
- na konci vypiš kontrolní součet: tržby za celé období.

Načteno 14 203 řádků, 18 sloupců.
Vyřazeno 612 storen a 87 nezaplacených, zbývá 13 504.
Chybějící hodnoty: kategorie 41 řádků (ponechány jako „neuvedeno“).

Rozpad června podle kategorie (proti květnu):
kategorie        kveten     cerven    zmena
Kuchyne         612 400    598 200     -2,3 %
Uklid           418 700    401 500     -4,1 %
Zahrada         510 100    203 400    -60,1 %
Ostatni         320 200    249 800    -22,0 %

Kontrolní součet za období: 21 480 300 Kč
Výsledky uloženy: results.csv, grafy/trzby-mesice.png

Vysvětli mi tenhle skript po blocích, jako člověku, který
programovat neumí a nechce se to učit.

U každého bloku napiš:
- co se v něm děje běžnou češtinou,
- jaké rozhodnutí o mých datech v sobě skrývá (co vyřazuje,
  co doplňuje, co zaokrouhluje),
- co by se stalo, kdybych ho vynechal.

Pak zvlášť vypiš místa, kde skript může tiše vrátit špatné číslo,
aniž by spadl (chybějící hodnoty, duplicity, dělení nulou, špatně
načtený datum), a 5 otázek, které mi k téhle analýze může položit
šéf nebo klient, i s odpověďmi.

[vlož skript]

Napiš Python skript, který udělá profil datasetu — chci vědět,
s čím pracuju, než začnu počítat. Ať vypíše:

1. počet řádků a sloupců,
2. u každého sloupce: typ, podíl chybějících hodnot, počet
   unikátních hodnot,
3. u číselných: minimum, maximum, průměr, medián, 1. a 99. percentil,
4. u textových: 10 nejčastějších hodnot s četností a upozornění
   na podezřele podobné dvojice (stejné až na mezery a velikost
   písmen),
5. u datových: nejstarší a nejnovější datum a chybějící období
   (dny nebo měsíce bez jediného záznamu),
6. počet duplicit celkem i podle [klíčový sloupec],
7. řádky s nesmyslnými hodnotami: záporné ceny, věk mimo rozsah
   0-120, datum v budoucnosti.

Výstup ať je čitelný v terminálu, nic neopravuj — jen ohlas.

Tady je profil mého datasetu (výstup profilovacího skriptu):

[vlož výstup]

Kontext: data pocházejí z [zdroj], používám je k [účel] a mlhavě
mě zajímá [např. proč klesly tržby v červnu].

Nepočítej nic. Navrhni 12 měřitelných otázek, které JDOU z těchto
sloupců zodpovědět. U každé napiš:
- otázku jednou větou,
- které sloupce a jaký výpočet na ni odpoví,
- jaký výsledek by znamenal „ano“ a jaký „ne“,
- k jakému rozhodnutí by mi odpověď byla dobrá.

Pak vypiš 5 otázek, které by se nabízely, ale tahle data na ně
nestačí, a u každé napiš, co konkrétně by mi k odpovědi chybělo.

Nakonec označ tři otázky, kterými bych měl začít, a zdůvodni to.

Napiš Python skript pro analýzu časové řady z mých dat.
Sloupce: [datum], [hodnota], volitelně [segment].

Skript má:
1. agregovat hodnotu po dnech, týdnech a měsících,
2. dopočítat klouzavý průměr přes 7 a 30 dní,
3. spočítat meziroční srovnání (stejný měsíc loni) v procentech,
4. normalizovat měsíční hodnoty na počet pracovních dní a ukázat,
   jak moc se tím obraz změní,
5. vypsat tabulku dní, kdy se hodnota liší od klouzavého průměru
   o víc než 2 směrodatné odchylky,
6. vykreslit graf: denní hodnoty světle, klouzavý průměr silně,
   odchylky zvýrazněné.

Do komentářů napiš, jaké předpoklady metoda má a kdy by mě mohla
splést (krátká řada, chybějící dny, změna metodiky sběru).

V datech mám tenhle nález: [např. tržby v červnu -22 % proti
květnu]. Chci zjistit, čím je způsobený.

Napiš skript, který propad rozloží na příspěvky segmentů:
1. rozpad podle [kategorie], [region], [zdroj], [nový vs.
   vracející se zákazník] — u každé dimenze tabulka: období A,
   období B, absolutní i procentní změna a PŘÍSPĚVEK k celkové
   změně v procentních bodech, seřazeno podle příspěvku,
2. rozklad na počet objednávek versus průměrnou hodnotu
   objednávky — chci vědět, jestli ubylo nákupů, nebo se zmenšily,
3. denní časová řada pro tři nejvíc zasažené segmenty, ať vidím,
   jestli propad začal skokem, nebo postupně.

Nevymýšlej vysvětlení, vrať jen čísla a graf.

Uprav grafickou část mého skriptu, aby grafy měly jednotný
střízlivý styl vhodný do firemní prezentace:
- bezpatkové písmo, popisky nejméně 11 bodů,
- popisky os česky včetně jednotek („Tržby (tis. Kč)“),
- nadpis grafu je věta se závěrem, ne název proměnné
  („Propad je jen v kategorii Zahrada“, ne „Tržby dle kategorie“),
- tisícové oddělovače, osa y u sloupcových grafů od nuly,
- maximálně 4 barvy, zbytek odstíny šedé, čitelné i černobíle,
- bez mřížky, bez rámečku, bez 3D,
- do popisku doplň n (počet záznamů) a období,
- export do grafy/ jako PNG, 300 dpi, bílé pozadí.

Nastavení dej na jedno místo na začátku skriptu.

Vytvoř mi artefakt — interaktivní přehled mých dat.

Vstupní data vkládám jako JSON (už agregovaná, bez osobních
údajů, [počet] řádků):

[vlož agregovaná data]

Přehled má obsahovat:
- přepínač období (posledních 12 měsíců / letos / vše),
- filtr podle [kategorie] s možností vybrat víc položek,
- nahoře čtyři souhrnná čísla: tržby, počet objednávek,
  průměrná objednávka, meziroční změna,
- čárový graf vývoje v čase, který reaguje na filtry,
- vodorovný sloupcový graf top 10 [produktů] s hodnotami,
- tabulku, kterou jde seřadit kliknutím na hlavičku.

Styl: střízlivý, čitelný na projektoru, česky včetně formátu
čísel. Když je po filtrování méně než 5 záznamů, napiš to
místo grafu.

Tady jsou výsledky mojí analýzy (výstup skriptu a popis grafů):

[vlož výstup]

Kontext: data jsou [zdroj, období, co obsahují a co neobsahují].
Předběžný závěr, ke kterému se kloním: [závěr].

Nepiš text prezentace. Odpověz ve třech blocích:
1) Co data doslova říkají — jen tvrzení, která z čísel plynou,
   u každého uveď, ze kterého čísla vychází.
2) Alternativní vysvětlení mého závěru: zmatečná třetí proměnná,
   obrácená příčina, výběrové zkreslení, sezonnost, změna
   metodiky, malý vzorek.
3) Co z těchhle dat NEMŮŽU tvrdit, i když by to znělo dobře —
   hlavně záměna souvislosti za příčinu a zobecnění mimo vzorek.

Na konec napiš, jaké jedno další měření by můj závěr nejvíc
potvrdilo nebo vyvrátilo.

Mám hotovou analýzu s těmito výsledky:

[vlož závěry a klíčová čísla]

Připrav podklad na 15minutové vystoupení pro [vedení / klienta
/ tým]. Struktura:
1. Jedna věta, která shrnuje zjištění (bez čísel).
2. Tři čísla, která ji podpírají — každé s obdobím a základnou.
3. Co z toho plyne: 2-3 varianty postupu, u každé odhad dopadu
   a co je na ní riskantní.
4. Tři nejpravděpodobnější námitky publika a odpověď na ně.
5. Co zatím nevíme a co bychom museli změřit.

Používej výhradně čísla z mého vstupu, nic nedopočítávej.
Žádná superlativa. Kde ti podklad chybí, napiš TODO.