Du er dataanalytiker. Utfør en rask EDA på følgende data.
Kontekst:
- Format: [CSV/JSON/tabell/tekst]
- Domene: [ecommerce/marketing/finance/ops]
- Mål: [forstå drivere for X]
Oppgaver:
1) Skjema: liste kolonner, antatte typer, mangler .
2) Kvalitet: duplikater, outliers (etter [metode hvis noen]), anomalier.
3) Univariat: toppstatistikk for viktige numeriske kolonner (gjennomsnitt, p50, p95, min/maks).
4) Bivariat: 3 sterkeste korrelasjoner med [target] + advarsler.
5) Raske innsikter: 5 punktobservasjoner og 3 oppfølgingsspørsmål.
Output:
- Bruk en kompakt tabell for statistikk.
- Hold deg til <200 ord + tabellen.
Data:
[Lim inn eksempelrader eller legg ved fil]

Rolle: Du er en produktanalytiker.
Scenario: [KPI] endret seg med [±X%] over [periode]. Datasettfelt: [liste kolonner].
Mål: Finn plausible drivere og anbefal verifiseringstrinn.
Oppgaver:
1) Dekomponer KPI etter [segment, kanal, geo, enhet, kohort]. Vis topp 5 movers.
2) Attribuerte drivere: volum vs. konvertering vs. AOV (eller relevant nedbrytning).
3) Hypotetiser årsaker (interne vs. eksterne) med bevis fra dataene.
4) Foreslå 3 eksperimenter eller analyser for å validere (f.eks. holdout, diff-in-diff).
5) Produser et 5-punkts executive summary.
Output format:
- Tabell: segment → delta, bidrag, konfidens (lav/medium/høy).
- Deretter punkter: hypoteser, valideringer, risikoer.
Data:
[Legg ved/beskriv data; eller lim inn aggregater]

Oppgave: Rydd opp og normaliser følgende datasett for analyse.
Regler:
- Håndter manglende verdier: [imputer med median/modus/dropp] per kolonne.
- Normaliser kategoriske etiketter: mapp til kanonisk sett [liste].
- Pars datoer til ISO 8601; trekk ut [uke, måned, kvartal].
- Outliers: Winsoriser ved [1, 99] persentiler for [kolonner].
- Output et rent skjema + transformasjonstrinn.
Leveranser:
1) Mapping tabell(er).
2) Pseudokode for pipeline (Python/pandas).
3) En kompakt diff av før → etter.
Dataeksempel:
[Lim inn 30–50 representative rader]

Rolle: Senior analytics engineer.
Warehouse: [BigQuery/Snowflake/Postgres].
Tabeller: [table_name(col1, col2, ...)], [table2].
Forespørsel:
“[Beskriv spørsmålet, tidsvinduet, filtre og granularitet]”
Begrensninger:
- Bruk CTE-er med klare navn.
- Annoter antakelser som SQL-kommentarer.
- Inkluder en valideringsspørring for å oppdage radtallsmismatch.
- Returner både SQL og en 3-linjers begrunnelse.

Du er min regnearkformelassistent.
Mål: Lag formler for å beregne [metric] fra kolonner [A, B, C].
Kontekst: [Excel/Google Sheets]; locale: [US/EU decimal].
Oppgaver:
- Gi nøyaktige formler med absolutte/relative referanser.
- Inkluder en arrayformula-versjon for Sheets hvis relevant.
- Legg til et testradeksempel for å verifisere korrekthet.
Data header + 3 eksempelrader:
[Lim inn]

Rolle: Datavisualiseringsdesigner.
Målgruppe: [ledere/PM-er/ops]; beslutning som skal støttes: [angi den].
Lag en kartleggingsplan:
1) Anbefal 2–3 diagramtyper med fordeler/ulemper for dette datasettet og mål.
2) Gi en Vega-Lite spec (eller matplotlib/Plotly-kode) for toppvalget.
3) Tilgjengelighetsnotater (fargeblind-sikker palett, annotasjoner).
4) En-setnings fortellende bildetekst for hvert diagram.
Databeskrivelse:
[kolonner, enheter, tidsområde, eksempel]

Kontekst: Vi observerte [pattern] i [metric] siden [date].
Mål: Design et minimalt, gyldig eksperiment.
Leveranser:
1) Hypoteser (H1/H0) med forventet retning og effektstørrelsesestimat.
<a6>2) Eksperimentell enhet, randomisering og guardrail-metrikker.</a5>
3) Utvalgsstørrelse og varighetsantakelser; noter power trade-offs.
4) Analyseplan: test(er), segmenter, pre-registreringssjekkliste.
5) Risikoer og mitigering.

Rolle: Time-series analyst.
Data: [timestamp, metric, optional regressors].
Oppgaver:
1) Sjekk stasjonaritet og sesongvariasjon; foreslå transformasjoner.
2) Produser en kortsiktig prognose (punkt + PI) ved hjelp av [modellpreferanse eller "auto"].
3) Flagg anomalier i de siste [N] periodene med alvorlighetsgrad.</a7>
4) Anbefal alert-terskler for å redusere falske positive.
Output:
- Tabell: dato, faktisk, prognose, PI_low, PI_high, anomaly_flag, severity.
- 5-linjers sammendrag for ikke-tekniske interessenter.

Oppgave: Analyser kundetilbakemeldinger for å trekke ut handlingsrettede innsikter.
Inputs: [N] kommentarer med felt [comment, rating, product, date].
Trinn:
1) Cluster temaer; label topp 5.
2) Siter 1–2 representative kommentarer per tema.
3) Kvantifiser prevalens og sentiment per tema.
4) Anbefal 3 handlinger med forventet innvirkning.
Output: En tabell + punktvis sammendrag. Hold deg under 180 ord.
Data:
[Lim inn eksempel eller legg ved]

Rolle: Chief of Staff som produserer en executive brief.
Innhold å oppsummere: [lim inn analyse, diagrammer eller metrikker].
Produser:
-  (3 punkter, handlingsverb).
- Viktige funn (5 punkter, med tall).
- Risikoer/ukjente (3 punkter), Neste trinn (3 punkter, eiere).
- En-setnings fortelling for board deck.
Stil: Klar, ikke-teknisk, <160 ord.

Du er en analytics copilot.
Mål: Løs [analysis goal] ved hjelp av følgende artefakter.
Artefakter:
- Datafil(er): [link eller limt inn eksempel]
- Forretningskontekst: [kort brief]
- Begrensninger: [tid, kostnad, nøyaktighet]
Planlegg først (10–12 punkter):
- Identifiser inputs, antakelser, risikoer.
- Foreslå trinn (EDA → transform → modell/test → oppsummer), hver med en leveranse.
- Still 3 avklarende spørsmål på slutten.
Vent deretter på min bekreftelse før du utfører trinn.

Legg til disse guardrails til enhver analyse:
- Siter antakelser eksplisitt.
- Hvis en beregning mangler nok data, returner “utilstrekkelig bevis” med hva som mangler.
- Gi en enkel sjekk: beregn [metric] på to måter og sammenlign.
- Når du oppsummerer, inkluder en lenke/referanse til kildedatafeltene som brukes.
- Spør: “Hva vil falsifisere denne konklusjonen?” og svar kort.