Je bent een data-analist. Voer een snelle EDA uit op de volgende data.
Context:
- Formaat: [CSV/JSON/tabel/tekst]
- Domein: [ecommerce/marketing/finance/ops]
- Doel: [begrijp drijfveren van X]
Taken:
1) Schema: lijst kolommen, afgeleide types, ontbrekende waarden.
2) Kwaliteit: duplicaten, uitschieters (per [methode indien van toepassing]), anomalieën.
3) Univariaat: top statistieken voor belangrijke numerieke kolommen (gemiddelde, p50, p95, min/max).
4) Bivariaat: 3 sterkste correlaties met [target] + waarschuwingen.
5) Snelle inzichten: 5 opsommingstekens met observaties en 3 vervolgvragen.
Output:
- Gebruik een compacte tabel voor statistieken.
- Houd het op <200 woorden + de tabel.
Data:
[Plak voorbeeldrijen of voeg bestand toe]

Rol: Je bent een productanalist.
Scenario: [KPI] is veranderd met [±X%] over [periode]. Dataset velden: [lijst kolommen].
Doel: Vind plausibele drijfveren en beveel verificatiestappen aan.
Taken:
1) Ontleed KPI per [segment, kanaal, geo, apparaat, cohort]. Toon top 5 stijgers/dalers.
2) Attribueer drijfveren: volume vs. conversie vs. AOV (of relevante uitsplitsing).
3) Hypotheses over oorzaken (intern vs. extern) met bewijs uit de data.
4) Stel 3 experimenten of analyses voor om te valideren (bijv. holdout, diff-in-diff).
5) Produceer een 5-punts samenvatting voor het management.
Output formaat:
- Tabel: segment → delta, bijdrage, betrouwbaarheid (laag/midden/hoog).
- Vervolgens opsommingstekens: hypotheses, validaties, risico's.
Data:
[Voeg data toe/beschrijf data; of plak aggregaten]

Taak: Schoon de volgende dataset op en normaliseer deze voor analyse.
Regels:
- Behandel ontbrekende waarden: [impute met mediaan/modus/verwijder] per kolom.
- Normaliseer categorische labels: map naar canonieke set [lijst].
- Parse datums naar ISO 8601; extraheer [week, maand, kwartaal].
- Uitschieters: Winsorize op [1, 99] percentielen voor [kolommen].
- Output een schoon schema + transformatiestappen.
Deliverables:
1) Mapping tabel(len).
2) Pseudocode voor de pipeline (Python/pandas).
3) Een compact diff van voor → na.
Data voorbeeld:
[Plak 30–50 representatieve rijen]

Rol: Senior analytics engineer.
Warehouse: [BigQuery/Snowflake/Postgres].
Tabellen: [table_name(col1, col2, ...)], [table2].
Verzoek:
“[Beschrijf de vraag, tijdvenster, filters en granulariteit]”
Beperkingen:
- Gebruik CTE's met duidelijke namen.
- Annoteer aannames als SQL-commentaar.
- Voeg een validatiequery toe om inconsistenties in het aantal rijen te detecteren.
- Retourneer zowel de SQL als een 3-regelige uitleg.

Je bent mijn spreadsheetformule assistent.
Doel: Maak formules om [metric] te berekenen op basis van kolommen [A, B, C].
Context: [Excel/Google Sheets]; locale: [US/EU decimaal].
Taken:
- Geef exacte formules met absolute/relatieve verwijzingen.
- Voeg een arrayformula versie toe voor Sheets indien relevant.
- Voeg een testrij voorbeeld toe om de correctheid te verifiëren.
Data header + 3 voorbeeldrijen:
[Plak]

Rol: Data visualisatie ontwerper.
Doelgroep: [execs/PMs/ops]; beslissing om te ondersteunen: [vermeld het].
Maak een charting plan:
1) Beveel 2–3 chart types aan met voor- en nadelen voor deze dataset en dit doel.
2) Geef een Vega-Lite spec (of matplotlib/Plotly code) voor de top keuze.
3) Toegankelijkheidsnotities (kleurenblind-veilige palet, annotaties).
4) Eén-zin narratieve bijschrift voor elke chart.
Data beschrijving:
[kolommen, eenheden, tijdsbereik, voorbeeld]

Context: We hebben [patroon] waargenomen in [metric] sinds [datum].
Doel: Ontwerp een minimaal, valide experiment.
Deliverables:
1) Hypotheses (H1/H0) met verwachte richting en effect size schatting.
<a6>2) Experimentele eenheid, randomisatie en vangrail metrics.</a5>
3) Sample size en duur aannames; noteer power trade-offs.
4) Analyseplan: test(s), segmenten, pre-registratie checklist.
5) Risico's en mitigatie.

Rol: Time-series analyst.
Data: [timestamp, metric, optionele regressoren].
Taken:
1) Controleer stationariteit en seasonaliteit; stel transformaties voor.
2) Produceer een korte termijn forecast (punt + PI) met behulp van [model voorkeur of "auto"].
3) Vlag anomalieën in de laatste [N] perioden met ernst.
4) Beveel alert drempels aan om valse positieven te verminderen.
Output:
- Tabel: datum, werkelijk, forecast, PI_laag, PI_hoog, anomaly_flag, ernst.
- 5-regelige samenvatting voor niet-technische stakeholders.

Taak: Analyseer klantfeedback om bruikbare inzichten te extraheren.
Inputs: [N] comments met velden [comment, rating, product, date].
Stappen:
1) Cluster thema's; label top 5.
2) Citeer 1–2 representatieve comments per thema.
3) Kwantificeer prevalentie en sentiment per thema.
4) Beveel 3 acties aan met verwachte impact.
Output: Een tabel + bullet samenvatting. Houd het onder de 180 woorden.
Data:
[Plak voorbeeld of voeg toe]

Rol: Chief of Staff die een exec brief produceert.
Inhoud om samen te vatten: [plak analyse, charts of metrics].
Produceer:
- (3 bullets, actiewerkwoorden).
- Belangrijkste bevindingen (5 bullets, met cijfers).
- Risico's/onbekenden (3 bullets), Volgende stappen (3 bullets, verantwoordelijken).
- Eén-zin narratief voor de board deck.
Stijl: Duidelijk, niet-technisch, <160 woorden.

Je bent een analytics copilot.
Doel: Los [analyse doel] op met behulp van de volgende artefacten.
Artefacten:
- Data bestand(en): [link of geplakt voorbeeld]
- Business context: [korte uitleg]
- Beperkingen: [tijd, kosten, nauwkeurigheid]
Plan eerst (10–12 bullets):
- Identificeer inputs, aannames, risico's.
- Stel stappen voor (EDA → transformeer → model/test → vat samen), elk met een deliverable.
- Stel 3 verhelderende vragen aan het einde.
Wacht dan op mijn bevestiging voordat je stappen uitvoert.

Voeg deze vangrails toe aan elke analyse:
- Citeer aannames expliciet.
- Als een berekening onvoldoende data heeft, retourneer dan “onvoldoende bewijs” met wat er ontbreekt.
- Geef een eenvoudige controle: herbereken [metric] op twee manieren en vergelijk.
- Voeg bij het samenvatten een link/referentie toe naar de gebruikte bron data velden.
<a6>- Vraag: “Wat zou deze conclusie weerleggen?” en beantwoord kort.