تجاوز إلى المحتوى
تعلّم لعملك المرجع مقالات المحفوظات
العربية

playbook

استجوب الـ dataset قبل أن تلمسه

افتح ملفًا لم ترَه من قبل واحصل على الصورة الكاملة — عدد الصفوف، ومعنى كل column، والمدى الزمني، والقيم الفارغة، والمكرّرات — قبل أن تطرح أي سؤال تحليلي واحد.

سهل ~15 دقيقة

متى تلجأ إلى هذا

يُلقي أحدهم ملف export.csv في حِجرك ويطلب الرقم قبل اجتماع الـ standup. أنت لم تفتحه قط، ولا تعرف إن كان status يحمل خمس قيم أم خمسين، وافتراض خاطئ واحد — column يعني شيئًا غير اسمه، أو مدى زمني تنقصه آخر أسبوع — يسمّم بهدوء كل chart تبنيه فوقه. الحل استجواب من خمس دقائق: اجعل Claude يقرأ الملف بأكمله ويصفه لك حتى تعرف بالضبط ما الذي بين يديك قبل أن تحلّل أي شيء.

جهّز هذا أولًا

  • الملف الخام كما وصلك — export.csv أو events.csv أو تبويب جدول حُفظ بصيغة CSV. لا تنظّفه أولًا؛ أنت تريد أن ترى الفوضى.
  • كل ما قيل لك إنه يحتويه («طلبات الربع الماضي») حتى تتمكن من مقارنة الملف بما يُدّعى.
  • إن كان حسّاسًا — صفوف عملاء، أو أي شيء فيه أسماء أو emails — اعمل على نسخة وأبقِها محلية؛ هذا profiling، لا مشاركة.

الـ workflow

  1. اجعل Claude يقرأ الملف بأكمله ويعدّه

    ابدأ بالشكل، لا بالتحليل. معرفة عدد الصفوف مقدّمًا تعطيك الرقم الذي يجب أن تتوافق معه كل نتيجة لاحقة — إنه المرساة للمشروع كله.

    أنت تطلب 
    افتح export.csv وأعطني الأساسيات: كم عدد الصفوف، وكم عدد الـ columns، وأسماء الـ columns كما تظهر تمامًا في الـ header. لا تحلّل أي شيء بعد — فقط صِف ما الموجود هنا.

    ما تحصل عليه قراءة بسيطة: «12,840 صفًا، 9 columns: order_id، customer_id، order_date، status، amount، currency، region، channel، refunded». الآن لديك عدد الصفوف — 12,840 — لتوفّق كل شيء آخر عليه.

    دوّن عدد الصفوف ذاك. إنه الإجمالي المعروف الذي ستراجع عليه كل تفصيل لاحقًا.

  2. اجعله يشرح كل column بلغة واضحة

    أسماء الـ columns تكذب. قد يكون amount بالـ cents، وقد يحمل status قيمة لم يوثّقها أحد، وقد يكون region فارغًا في نصف الصفوف. اطلب من Claude أن يعرّف كلًّا منها من القيم الفعلية التي يراها، لا من الاسم.

    أنت تطلب 
    لكل column، أخبرني في سطر واحد ما الذي يحتويه فعلًا — بناءً على القيم، لا على الاسم. اسرد القيم المتمايزة لـ status وregion وchannel. ونبّهني على أي column لا يطابق اسمُه ما بداخله.

    ما تحصل عليه مسرد للـ columns: «amount = إجمالي الطلب بالـ cents (مثلًا 4999 = $49.99)؛ status = إحدى القيم paid أو pending أو refunded أو chargeback؛ region فارغ في 18% من الصفوف». اكتشاف الـ cents وحده يوفّر عليك خطأً بمقدار 100 ضعف.

  3. حلّل التواريخ والقيم الفارغة

    الأمران اللذان يكسران تحليلًا بهدوء هما مدى زمني لا يغطّي ما تظنّه، وقيم مفقودة لم تحسب لها حسابًا. أبرِز الاثنين قبل أن تُرشّح على أيٍّ منهما.

    أنت تطلب 
    ما هو المدى الزمني لـ order_date — الأقدم والأحدث؟ وهل توجد أي فجوات (أيام كاملة بلا صفوف)؟ وأعطني جدولًا للقيم الفارغة لكل column: كم عددها وكم نسبتها الفارغة في كلٍّ منها.

    ما تحصل عليه «يمتد order_date من 1 يناير إلى 28 مارس؛ لا صفوف على الإطلاق ليومَي 14–15 فبراير. القيم الفارغة: region بنسبة 18%، channel بنسبة 4%، وكل ما عداهما 0%». الآن تعرف أن البيانات تتوقف في الثامن والعشرين — لا في «آخر أسبوع» — قبل أن تعد برقمٍ عن آخر أسبوع.

  4. اصطَد المكرّرات وأي شيء شاذّ

    الصفوف المكرّرة تضاعف إجمالياتك؛ والقيم الشاذّة تشير إلى export معطوب أو طلب اختباري. اطلب الاثنين، إضافة إلى ملاحظة مكتوبة «إليك ما سأنتبه له» حتى تُسجَّل المطبّات.

    أنت تطلب 
    هل توجد قيم order_id مكرّرة؟ وكم عدد الصفوف المتطابقة تمامًا؟ أظهر لي أكبر 5 وأصغر 5 قيم amount حتى أرصد طلبات اختبارية أو أخطاء. ثم لخّص، في 4 نقاط، ما الذي ينبغي أن أنتبه له حين أحلّل هذا الملف.

    ما تحصل عليه «47 قيمة order_id مكرّرة (على الأرجح إعادات محاولة)؛ صف واحد قيمته amount = 9999999 (طلب اختباري)؛ قيم amount سالبة على صفوف الاسترداد الـ 31». إضافة إلى قائمة تحفّظات قصيرة يمكنك لصقها مباشرة في ملاحظاتك.

    تلك التحفّظات هي أثمن مخرَجٍ هنا — إنها الافتراضات التي كان مراجِعٌ سيكتشفها لولاها بعد أن تكون قد سلّمت الرقم الخاطئ.

اجعله ملكك

  • **أعِد استخدامه على كل ملف جديد:** الحركات الأربع لا تتغير أبدًا، لذا احفظها كـ /profile custom command (انظر تبويب *Features* في الـ Playbook) — وفي المرة القادمة يصير الأمر command واحدًا، لا أربعة prompts.
  • **تغذيةً لمهمة أكبر:** هذه هي الخطوة الأولى في كل Data playbook آخر. حلّل أولًا، ثم سلّم الملف نفسه مباشرةً إلى *اكتب الـ query وتعلّم الـ SQL* أو *ملفان فوضويان إلى dataset واحد جدير بالثقة*.
  • **مصدر متكرّر:** إن وصل الـ export.csv نفسه كل أسبوع، فيمكن لـ scheduled agent (انظر تبويب *Features*) أن يحلّله عند وصوله ويُنبّهك فقط حين يقفز عدد الصفوف أو معدّل القيم الفارغة.

انتبه إلى

  • الـ profile يصف الملف؛ لا يشهد بأن البيانات *صحيحة*. يستطيع Claude أن يخبرك بأن region فارغ بنسبة 18% — لكنه لا يستطيع أن يخبرك إن كان ذلك متوقّعًا. أنت من يقرّر ما هو مشكلة.
  • إن كان الملف يحوي بيانات شخصية — أسماء، emails، أي شيء يحدّد الهوية — أبقِه على جهازك واجعل Claude يعمل محليًا. الـ profiling لا يتطلّب إرسال صفوف عملاء خام إلى أي مكان.
  • تعامل مع مسرد الـ columns كمسوّدة، لا كنصٍّ مقدّس. تحقّق عشوائيًا من اثنين أو ثلاثة من تعريفات Claude للـ columns مقابل صفوف تفهمها أنت فعلًا قبل أن تبني عليها — يصوغ Claude القراءة، وأنت تؤكّدها.

ستحصل في النهاية على صورة من صفحة واحدة لملفٍ لم تفتحه قط — حجمه، والمعنى الحقيقي لكل column، والمدى الزمني الفعلي، والقيم الفارغة، والمكرّرات، وقائمة تحفّظات — لتبدأ التحليل من معرفة بدل التخمين.