Actúa como experto en NLP. Dada esta reseña, clasifícala como positiva, negativa o neutra y da una puntuación de confianza del 1 al 100: [pega la reseña]

Analiza esta reseña y extrae los aspectos clave del producto o servicio que se mencionan. Reseña: [pega la misma reseña]

Combina los pasos: para cada aspecto identificado, asigna un sentimiento específico. Presenta el resultado en una tabla. Reseña: [pega la reseña]

Identifica emociones más específicas como frustración, sorpresa o satisfacción en esta reseña y explica tu razonamiento. Reseña: [pega la reseña]

Genera un script de Python que aplique los prompts anteriores a toda la columna de reseñas. El resultado: un DataFrame con la reseña original, el sentimiento general, los aspectos y el sentimiento por aspecto.

Ya cargué mi dataset de clientes. Genera un script de Python para un EDA: histogramas de las variables numéricas y un mapa de calor de correlaciones.

Genera el código para aplicar K-Means. Incluye preprocesamiento con StandardScaler y el método del codo para elegir el número óptimo de clusters.

Actúa como estratega de marketing. Segmenté mis clientes en [X] grupos. Con las características promedio de cada uno, crea una persona detallada (nombre, estilo de vida, motivaciones, frustraciones). Cluster 1: [pega las estadísticas]

Basado en las personas que creamos, sugiere una estrategia de marketing específica para cada una.

Actúa como director creativo. Lanzaremos una campaña para la persona '[Nombre]'. Perfil: [pega la descripción]. Objetivo: [ej. vender producto X]. Tono: [ej. cercano y confiable].

Escribe el texto de un email de marketing con asunto atractivo, cuerpo persuasivo y CTA clara. Dame dos versiones del asunto para un A/B test.

Crea 3 publicaciones para Instagram (copy + tipo de imagen + 5 hashtags) y el texto de un anuncio de Google Ads (Título 1, Título 2, Descripción) para esta misma campaña.

Ya cargué los resultados de la campaña. Genera un script de Python para resumir las métricas clave (tasa de apertura, CTR, conversiones).

Actúa como analista de marketing digital. Resultados de la campaña: [pega las métricas]. ¿Qué conclusiones sacamos? ¿Qué versión del A/B ganó y por qué?

El factor [ej. el asunto del email] parece el más influyente. Sugiere 3 ideas para optimizarlo en la próxima campaña, dirigidas a la misma persona, con el razonamiento de cada una.

Ya cargué mi dataset de transacciones. Genera un script que verifique los tipos de datos (convierte la fecha si hace falta), resuma las estadísticas de los montos y muestre las categorías de comercio más comunes.

Genera el código para implementar Isolation Forest en mi dataset. El script debe marcar las transacciones anómalas.

Estoy analizando este dataset de transacciones. Sugiere 5 preguntas de negocio que podría responder y, para cada una, el código de análisis o visualización.

Mi modelo marcó esta transacción como inusual: [pega los detalles]. El patrón normal del cliente es [descríbelo]. Actúa como analista financiero: genera 3 hipótesis plausibles (desde fraude hasta un cambio de estilo de vida) para explicarla.

Genera un script de Python completo para detección de fraude: preprocesamiento, manejo del desbalance con SMOTE, entrenamiento de un modelo XGBoost y evaluación con Precisión, Recall y curva ROC.

Mi modelo marcó una transacción como fraudulenta con 95% de probabilidad. Las 3 características más influyentes: Monto=$5,000 (promedio del cliente $50), Hora=3:15 AM, Ubicación=país nuevo. Actúa como sistema de alerta: explica en lenguaje no técnico por qué es sospechosa y qué pasos debe seguir el analista.