Karmaşık Excel ve Google Sheets formüllerini anlaşılır açıklamalar, örnek senaryolar ve alternatiflerle çözmek.
Aşağıdaki e-tablo (Excel / Google Sheets) veri işleme ihtiyacını analiz et:
İhtiyaç: [IHTIYAC]
Tablo Yapısı / Kolonlar: [KOLONLAR]
Kullanılan Program: [EXCEL_VEYA_SHEETS]
Lütfen şu yapıda yanıt ver:
1. Önerilen Formül: Doğrudan kopyalanıp yapıştırılacak net formül.
2. Formülün Mantığı: Formüldeki her bir parametrenin ve fonksiyonun ne işe yaradığının adım adım sade açıklaması.
3. Alternatif Yöntem: Varsa daha modern veya dinamik bir alternatif (örn. XLOOKUP / DÜŞEYARA yerine ÇAPRAZARA / INDEX-MATCH).
4. Olası Hata Durumları (#N/A, #VALUE!) ve Hata Yönetimi (IFERROR kullanımı).
Aşağıdaki e-tablo (Excel / Google Sheets) veri işleme ihtiyacını analiz et:
İhtiyaç: [IHTIYAC]
Tablo Yapısı / Kolonlar: [KOLONLAR]
Kullanılan Program: [EXCEL_VEYA_SHEETS]
Lütfen şu yapıda yanıt ver:
1. Önerilen Formül: Doğrudan kopyalanıp yapıştırılacak net formül.
2. Formülün Mantığı: Formüldeki her bir parametrenin ve fonksiyonun ne işe yaradığının adım adım sade açıklaması.
3. Alternatif Yöntem: Varsa daha modern veya dinamik bir alternatif (örn. XLOOKUP / DÜŞEYARA yerine ÇAPRAZARA / INDEX-MATCH).
4. Olası Hata Durumları (#N/A, #VALUE!) ve Hata Yönetimi (IFERROR kullanımı).
1. Önerilen Formül:
=ÇAPRAZARA(D2; A:A; B:B; "Bulunamadı"; 0)
2. Formülün Mantığı:
- D2: Aranan ürün kodu
- A:A: Ürün kodlarının bulunduğu sütun
- B:B: Getirilecek fiyatların bulunduğu sütun
- "Bulunamadı": Eşleşme yoksa yazılacak metin
3. Alternatif (Eski Excel sürümleri için):
=EĞERHATA(DÜŞEYARA(D2; A:B; 2; YANLIŞ); "Bulunamadı")
Aşağıdaki CSV verisini temizlemek için Python pandas scripti yaz:
Veri sorunları: [SORUNLAR]
Sütunlar: [SÜTUNLAR]
Script:
- Eksik değer analizi
- Duplikasyon kontrolü
- Format standardizasyonu
- Outlier tespiti
- Temizlenmiş veri export
- Temizleme raporu
Script akışı: CSV şeması okunur, eksik değer raporu çıkarılır, tekrar eden satırlar anahtar kolonlara göre işaretlenir, tarih ve metin formatları standardize edilir, IQR yöntemiyle aykırı değerler raporlanır. Temiz dosya clean_data.csv olarak dışa aktarılır; temizlenen satır, değişen alan ve uyarı sayılarını içeren cleaning_report.json oluşturulur.
Aşağıdaki iş ihtiyacı için Excel/Google Sheets formülü yaz:
İhtiyaç: [İHTİYAÇ_AÇIKLAMASI]
Veri yapısı: [VERİ_YAPISI]
Çıktı:
- Formül ve açıklaması
- Adım adım nasıl uygulanacağı
- Alternatif formüller
- Pivot tablo önerisi
- VBA makro alternatifi (gerekirse)
Aşağıdaki iş ihtiyacı için Excel/Google Sheets formülü yaz:
İhtiyaç: [İHTİYAÇ_AÇIKLAMASI]
Veri yapısı: [VERİ_YAPISI]
Çıktı:
- Formül ve açıklaması
- Adım adım nasıl uygulanacağı
- Alternatif formüller
- Pivot tablo önerisi
- VBA makro alternatifi (gerekirse)
İhtiyaç: Durumu Açık olan ve son 30 günde teslim tarihi geçen siparişleri saymak. Formül: =ÇOKEĞERSAY(DurumAralığı;"Açık";TeslimTarihiAralığı;"<"&BUGÜN()-30). Uygulama: Aralıkları sabitleyin ve koşullu biçimlendirme ekleyin. Alternatif: Power Query ile günlük özet tablo. Pivot önerisi: Bölge ve durum kırılımı.
[SEKTÖR] sektöründe bir şirket için KPI dashboard tasarla.
Departman: [DEPARTMAN]
Dashboard:
- 8-12 kritik KPI
- Her KPI için hesaplama formülü
- Hedef değerler
- Görselleştirme önerisi
- Alarm eşikleri
- Veri kaynakları
[SEKTÖR] sektöründe bir şirket için KPI dashboard tasarla.
Departman: [DEPARTMAN]
Dashboard:
- 8-12 kritik KPI
- Her KPI için hesaplama formülü
- Hedef değerler
- Görselleştirme önerisi
- Alarm eşikleri
- Veri kaynakları
Departman: E-ticaret. KPIlar: dönüşüm oranı, ortalama sipariş değeri, sepet terk oranı, müşteri edinme maliyeti, tekrar satın alma, brüt kâr marjı, teslimat süresi ve destek çözüm süresi. Her KPI için hedef, güncel değer, trend ve alarm eşiği kartı bulunur. Kaynaklar: mağaza analitiği, CRM ve destek sistemi.
Bozuk, eksik ve tutarsız CSV/Excel veri kümelerini temizlemek için modüler ve performanslı Python Pandas kodları yazmak.
Aşağıdaki veri temizleme gereksinimleri için profesyonel, modüler ve belgelendirilmiş bir Python Pandas scripti yaz:
Veri Formatı: [CSV_VEYA_EXCEL]
Karşılaşılan Sorunlar: [SORUNLAR]
Beklenen Çıktı Tablosu: [HEDEF_TABLO_YAPISI]
Kod şunları içermelidir:
1. Güvenli dosya okuma (encoding ve delimiter tespiti)
2. Eksik/hatalı verilerin işlenmesi (Imputation veya filtreleme)
3. Tip dönüşümleri (Tarih, sayı, kategori)
4. Aykırı değer (Outlier) tespiti ve normalizasyonu
5. Temizlenmiş verinin export edilmesi ve işlem loglama raporu.
Aşağıdaki veri temizleme gereksinimleri için profesyonel, modüler ve belgelendirilmiş bir Python Pandas scripti yaz:
Veri Formatı: [CSV_VEYA_EXCEL]
Karşılaşılan Sorunlar: [SORUNLAR]
Beklenen Çıktı Tablosu: [HEDEF_TABLO_YAPISI]
Kod şunları içermelidir:
1. Güvenli dosya okuma (encoding ve delimiter tespiti)
2. Eksik/hatalı verilerin işlenmesi (Imputation veya filtreleme)
3. Tip dönüşümleri (Tarih, sayı, kategori)
4. Aykırı değer (Outlier) tespiti ve normalizasyonu
5. Temizlenmiş verinin export edilmesi ve işlem loglama raporu.
Aşağıdaki veri seti için en uygun görselleştirme stratejisini öner:
Veri türü: [VERİ_TÜRÜ]
Amaç: [AMAÇ]
Hedef kitle: [KİTLE]
Öner:
- Grafik türü ve gerekçesi
- Renk paleti
- Python (matplotlib/plotly) kodu
- Yorumlama ipuçları
- Alternatif görselleştirmeler
Aşağıdaki veri seti için en uygun görselleştirme stratejisini öner:
Veri türü: [VERİ_TÜRÜ]
Amaç: [AMAÇ]
Hedef kitle: [KİTLE]
Öner:
- Grafik türü ve gerekçesi
- Renk paleti
- Python (matplotlib/plotly) kodu
- Yorumlama ipuçları
- Alternatif görselleştirmeler
Veri türü: Aylık satış ve bölge kırılımı. Amaç: Trendleri ve düşük performanslı bölgeleri göstermek. Hedef kitle: Yönetim ekibi. Öneri: Zaman serisi için çizgi grafik, bölge kıyası için sıralı yatay çubuk grafik. Renkler erişilebilir kontrastta olmalı. Plotly ile filtrelenebilir dashboard; yorumda mevsimsellik ve aykırı değerler ayrıca belirtilmeli.
Aşağıdaki araştırma sorusu için istatistiksel analiz planı oluştur:
Soru: [ARAŞTIRMA_SORUSU]
Veri: [VERİ_AÇIKLAMASI]
Plan:
- Uygun test seçimi ve gerekçesi
- Varsayım kontrolleri
- Python/R kodu
- Sonuçların yorumlanması
- Görselleştirme önerileri
Aşağıdaki araştırma sorusu için istatistiksel analiz planı oluştur:
Soru: [ARAŞTIRMA_SORUSU]
Veri: [VERİ_AÇIKLAMASI]
Plan:
- Uygun test seçimi ve gerekçesi
- Varsayım kontrolleri
- Python/R kodu
- Sonuçların yorumlanması
- Görselleştirme önerileri
Araştırma sorusu: Yeni eğitim programı puanları artırıyor mu? İki bağımsız grubun ön test ve son test puanları karşılaştırılacak. Varsayımlar: Normallik ve varyans homojenliği kontrol edilmeli. Uygun test: Varsayımlar sağlanırsa bağımsız örneklem t testi, sağlanmazsa Mann-Whitney U. Etki büyüklüğü ve güven aralığı raporlanmalı.
Depo ve envanter süreçlerini kritik stok uyarıları, devir hızı formülleri ve yönetici özet tablolarıyla Excel üzerinde yapılandırmak.
Aşağıdaki stok ve envanter verileri için profesyonel bir Excel takip ve raporlama mimarisi tasarla:
Ürün Çeşitleri ve Veri Alanları: [VERI_ALANLARI]
Mevcut Sorunlar: [SORUNLAR]
Rapor Mimarisi:
1. Tablo Kolon Yapısı ve Veri Tipleri (SKU, Barkod, Min/Max Stok, Emniyet Stoku)
2. Otomatik Koşullu Biçimlendirme ve Formüller (Kritik stok seviyesinde kırmızı uyarı veren IF/EĞER formülleri)
3. Pivot Tablo (Özet Tablo) Tasarımı (Kategori bazlı stok değeri ve devir hızı)
4. Yönetim İçin 5 Satırlık Haftalık Envanter Özet Formatı
Aşağıdaki stok ve envanter verileri için profesyonel bir Excel takip ve raporlama mimarisi tasarla:
Ürün Çeşitleri ve Veri Alanları: [VERI_ALANLARI]
Mevcut Sorunlar: [SORUNLAR]
Rapor Mimarisi:
1. Tablo Kolon Yapısı ve Veri Tipleri (SKU, Barkod, Min/Max Stok, Emniyet Stoku)
2. Otomatik Koşullu Biçimlendirme ve Formüller (Kritik stok seviyesinde kırmızı uyarı veren IF/EĞER formülleri)
3. Pivot Tablo (Özet Tablo) Tasarımı (Kategori bazlı stok değeri ve devir hızı)
4. Yönetim İçin 5 Satırlık Haftalık Envanter Özet Formatı
1. Kolon Yapısı: SKU | Ürün Adı | Mevcut Stok | Emniyet Stoku | Birim Maliyet | Toplam Değer | Durum
2. Kritik Stok Formülü:
=EĞER(C2<=D2; "KRİTİK STOK - SİPARİŞ VER"; "YETERLİ")
Şirketler ve girişimler için gelir-gider dengesini, başabaş (break-even) noktasını ve 12 aylık nakit projeksiyonunu hesaplayan finans modeli.
Aşağıdaki işletme verileri doğrultusunda 12 aylık dinamik bir Nakit Akışı (Cash Flow) ve Bütçe Projeksiyon Tablosu yapısı tasarla:
Gelir Kalemleri ve Büyüme Beklentisi: [GELIRLER]
Sabit ve Değişken Gider Kalemleri: [GIDERLER]
Başlangıç Sermayesi: [SERMAYE]
Tablo ve Model Yapısı:
1. Gelir Tablosu ve Büyüme Katsayısı Formülleri
2. Operasyonel Giderler (OPEX) ve Sermaye Harcamaları (CAPEX) Ayrımı
3. Aylık Net Nakit Akışı ve Kümülatif Kasa Dengesi Formülleri
4. Başabaş Noktası (Break-Even Point) ve Yanma Oranı (Burn Rate / Runway) Metrikleri
5. Excel Şablonu İçin Formül Örnekleri
Aşağıdaki işletme verileri doğrultusunda 12 aylık dinamik bir Nakit Akışı (Cash Flow) ve Bütçe Projeksiyon Tablosu yapısı tasarla:
Gelir Kalemleri ve Büyüme Beklentisi: [GELIRLER]
Sabit ve Değişken Gider Kalemleri: [GIDERLER]
Başlangıç Sermayesi: [SERMAYE]
Tablo ve Model Yapısı:
1. Gelir Tablosu ve Büyüme Katsayısı Formülleri
2. Operasyonel Giderler (OPEX) ve Sermaye Harcamaları (CAPEX) Ayrımı
3. Aylık Net Nakit Akışı ve Kümülatif Kasa Dengesi Formülleri
4. Başabaş Noktası (Break-Even Point) ve Yanma Oranı (Burn Rate / Runway) Metrikleri
5. Excel Şablonu İçin Formül Örnekleri
Finansal Projeksiyon Tablosu:
- Ay 1: Gelir 50K TL | OPEX 80K TL | Net Nakit Akışı: -30K TL | Kasa: 470K TL
- Başabaş Ayı: 7. Ay (Aylık Gelir: 98K TL, Gider: 95K TL)
- Runway: 14 Ay
Veri seti özelliklerine göre en uygun ML modelini öneren prompt.
Sen bir ML uzmanısın. Veri setim: [VERİ_AÇIKLAMASI]. Problem türü: [SINIFLANDIRMA/REGRESYON/KÜMELEME]. Bu probleme uygun 5 model öner, her biri için: neden uygun olduğunu, avantajlarını, dezavantajlarını ve scikit-learn/PyTorch kodu örneklerini ver.
Sen bir ML uzmanısın. Veri setim: [VERİ_AÇIKLAMASI]. Problem türü: [SINIFLANDIRMA/REGRESYON/KÜMELEME]. Bu probleme uygun 5 model öner, her biri için: neden uygun olduğunu, avantajlarını, dezavantajlarını ve scikit-learn/PyTorch kodu örneklerini ver.
Veri açıklaması: 50.000 satır, 18 sayısal özellik, hedef ikili sınıf ve yüzde 12 pozitif oran. Önerilen modeller: lojistik regresyon açıklanabilir başlangıç modeli; random forest doğrusal olmayan ilişkiler için; gradient boosting güçlü taban çizgisi; SVM orta ölçekli veri için; küçük bir PyTorch ağ esnek son seçenek. Dengesizlik için sınıf ağırlığı ve stratified cross-validation kullanılır.
Toplam 10 içerikten 1 - 10 arası gösteriliyor
Görsel Çıktı
Prompt alanlarını doldurun
Değerler yalnız bu cihazda promptu hazırlamak için kullanılır.
