Du er dataanalytiker. Udfør en hurtig EDA på følgende data.
Kontekst:
- Format: [CSV/JSON/tabel/tekst]
- Domæne: [ecommerce/marketing/finance/ops]
- Mål: [forstå drivere af X]
Opgaver:
1) Skema: liste over kolonner, infererede typer, manglende værdier.
2) Kvalitet: dubletter, outliers (ved [metode hvis nogen]), anomalier.
3) Univariat: topstatistikker for vigtige numeriske kolonner (gennemsnit, p50, p95, min/maks).
4) Bivariat: 3 stærkeste korrelationer med [target] + forbehold.
5) Hurtige indsigter: 5 punktobservationer og 3 opfølgende spørgsmål.
Output:
- Brug en kompakt tabel til statistik.
- Hold dig til <200 ord + tabellen.
Data:
[Indsæt prøverækker eller vedhæft fil]

Rolle: Du er produktanalytiker.
Scenario: [KPI] ændret med [±X%] over [periode]. Datasætfelter: [liste over kolonner].
Mål: Find plausible drivere og anbefal verifikationstrin.
Opgaver:
1) Opdel KPI efter [segment, kanal, geo, enhed, kohorte]. Vis top 5 movers.
2) Attributdrivere: volumen vs. konvertering vs. AOV (eller relevant opdeling).
3) Hypotetiser årsager (interne vs. eksterne) med beviser fra dataene.
4) Foreslå 3 eksperimenter eller analyser til validering (f.eks. holdout, diff-in-diff).
5) Producer et 5-punkts exec-resume.
Outputformat:
- Tabel: segment → delta, bidrag, tillid (lav/medium/høj).
- Derefter punkter: hypoteser, valideringer, risici.
Data:
[Vedhæft/beskriv data; eller indsæt aggregater]

Opgave: Rens og normaliser følgende datasæt til analyse.
Regler:
- Håndter manglende værdier: [imputer med median/mode/drop] pr. kolonne.
- Normaliser kategoriske etiketter: kortlæg til kanonisk sæt [liste].
- Pars datoer til ISO 8601; udtræk [uge, måned, kvartal].
- Outliers: Winsorize ved [1, 99] percentiler for [kolonner].
- Output et rent skema + transformationstrin.
Deliverables:
1) Kortlægningstabel(ler).
2) Pseudokode til pipelinen (Python/pandas).
3) En kompakt diff af før → efter.
Data sample:
[Indsæt 30–50 repræsentative rækker]

Rolle: Senior analytics engineer.
Warehouse: [BigQuery/Snowflake/Postgres].
Tabeller: [table_name(col1, col2, ...)], [table2].
Anmodning:
“[Beskriv spørgsmålet, tidsvinduet, filtre og granularitet]”
Begrænsninger:
- Brug CTE'er med klare navne.
- Annoter antagelser som SQL-kommentarer.
- Inkluder en valideringsforespørgsel for at spotte uoverensstemmelser i rækketal.
- Returner både SQL og en 3-linjers begrundelse.

Du er min regnearksformelassistent.
Mål: Opret formler til at beregne [metric] fra kolonner [A, B, C].
Kontekst: [Excel/Google Sheets]; locale: [US/EU decimal].
Opgaver:
- Angiv præcise formler med absolutte/relative referencer.
<a7>- Inkluder en arrayformula-version til Sheets, hvis det er relevant.</a6>
- Tilføj et testrækkeeksempel for at verificere korrekthed.
Data header + 3 sample rows:
[Paste]

Rolle: Datavisualiseringsdesigner.
Målgruppe: [chefer/PM'er/ops]; beslutning der skal understøttes: [angiv den].
Opret en kortlægningsplan:
1) Anbefal 2–3 diagramtyper med fordele/ulemper for dette datasæt og mål.
2) Angiv en Vega-Lite spec (eller matplotlib/Plotly-kode) til det bedste valg.
3) Tilgængelighedsnoter (farveblind-sikker palet, annotationer).</a7>
4) En-sætnings beskrivende billedtekst til hvert diagram.
Databeskrivelse:
[kolonner, enheder, tidsinterval, prøve]

Kontekst: Vi observerede [pattern] i [metric] siden [date].
Mål: Design et minimalt, gyldigt eksperiment.
Deliverables:
1) Hypoteser (H1/H0) med forventet retning og effektstørrelsesgæt.
2) Eksperimentel enhed, randomisering og guardrail-metrics.
3) Stikprøvestørrelse og varighedsantagelser; noter power trade-offs.
4) Analyseplan: test(s), segmenter, præ-registrerings tjekliste.
5) Risici og afbødning.

Rolle: Tidsserieanalytiker.
Data: [timestamp, metric, optional regressors].
Opgaver:
1) Kontroller stationaritet og sæsonudsving; foreslå transformationer.
2) Producer en korttidsprognose (punkt + PI) ved hjælp af [modelpræference eller "auto"].
3) Flag anomalier i de sidste [N] perioder med sværhedsgrad.</a7>
4) Anbefal alert-tærskler for at reducere falske positiver.
Output:
- Tabel: dato, faktisk, prognose, PI_low, PI_high, anomaly_flag, severity.
- 5-linjers resume til ikke-tekniske interessenter.

Opgave: Analyser kundefeedback for at udtrække handlingsrettede indsigter.
Inputs: [N] kommentarer med felter [comment, rating, product, date].
Trin:
1) Klyng temaer; label top 5.
2) Citer 1–2 repræsentative kommentarer pr. tema.
3) Kvantificer udbredelse og sentiment pr. tema.
4) Anbefal 3 handlinger med forventet effekt.
Output: En tabel + punktresume. Hold dig under 180 ord.
Data:
[Indsæt prøve eller vedhæft]

Rolle: Stabschef der producerer en exec brief.
Indhold der skal opsummeres: [indsæt analyse, diagrammer eller metrics].
Producer:
- (3 punkter, handlingsverber).
- Vigtigste resultater (5 punkter, med tal).
- Risici/ukendte (3 punkter), Næste trin (3 punkter, ejere).</a7>
- En-sætnings beskrivelse til board deck.
Stil: Klar, ikke-teknisk, <160 ord.

Du er en analytics copilot.
Mål: Løs [analysis goal] ved hjælp af følgende artefakter.
Artefakter:
- Datafil(er): [link eller indsat prøve]
- Forretningskontekst: [kort brief]
- Begrænsninger: [tid, omkostninger, nøjagtighed]
Planlæg først (10–12 punkter):
- Identificer inputs, antagelser, risici.
- Foreslå trin (EDA → transform → model/test → opsummer), hver med en deliverable.
- Stil 3 afklarende spørgsmål til sidst.
Vent derefter på min bekræftelse, før du udfører trin.

Tilføj disse guardrails til enhver analyse:
- Citer antagelser eksplicit.
- Hvis en beregning mangler nok data, returneres “utilstrækkeligt bevis” med hvad der mangler.
- Angiv en simpel kontrol: genberegn [metric] på to måder og sammenlign.
- Når du opsummerer, skal du inkludere et link/reference til de anvendte kildedatafelter.
- Spørg: “Hvad ville falsificere denne konklusion?” og svar kort.