Du är dataanalytiker. Utför en snabb EDA på följande data.
Kontext:
- Format: [CSV/JSON/table/text]
- Domän: [ecommerce/marketing/finance/ops]
- Mål: [förstå drivkrafterna bakom X]
Uppgifter:
1) Schema: lista kolumner, härledda typer, saknade värden.
2) Kvalitet: dubbletter, outliers (enligt [metod om någon]), anomalier.
3) Univariat: toppstatistik för viktiga numeriska kolumner (medelvärde, p50, p95, min/max).
4) Bivariat: 3 starkaste korrelationerna med [target] + varningar.
5) Snabba insikter: 5 punktobservationer och 3 uppföljningsfrågor.
Output:
- Använd en kompakt tabell för statistik.
- Håll dig till <200 ord + tabellen.
Data:
[Klistra in exempelrader eller bifoga fil]

Roll: Du är en produktanalytiker.
Scenario: [KPI] ändrades med [±X%] över [period]. Datasetfält: [lista kolumner].
Mål: Hitta troliga drivkrafter och rekommendera verifieringssteg.
Uppgifter:
1) Dela upp KPI efter [segment, kanal, geo, enhet, kohort]. Visa de 5 största förändringarna.
2) Attributdrivkrafter: volym vs. konvertering vs. AOV (eller relevant uppdelning).
3) Formulera hypoteser om orsaker (interna vs. externa) med bevis från data.
4) Föreslå 3 experiment eller analyser för att validera (t.ex. holdout, diff-in-diff).
5) Producera en 5-punkts sammanfattning för ledningen.
Outputformat:
- Tabell: segment → delta, bidrag, konfidens (låg/medel/hög).
- Sedan punkter: hypoteser, valideringar, risker.
Data:
[Bifoga/beskriv data; eller klistra in aggregeringar]

Uppgift: Rensa och normalisera följande dataset för analys.
Regler:
- Hantera saknade värden: [imputera med median/läge/ta bort] per kolumn.
- Normalisera kategoriska etiketter: mappa till kanonisk uppsättning [lista].
- Parsa datum till ISO 8601; extrahera [vecka, månad, kvartal].
- Outliers: Winsorisera vid [1, 99] percentiler för [kolumner].
- Mata ut ett rent schema + transformationssteg.
Leveranser:
1) Mappningstabell(er).
2) Pseudokod för pipelinen (Python/pandas).
 
3) En kompakt diff av före → efter.
Dataexempel:
[Klistra in 30–50 representativa rader]

Roll: Senior analysingenjör.
Warehouse: [BigQuery/Snowflake/Postgres].
Tabeller: [table_name(col1, col2, ...)], [table2].
Förfrågan:
“[Beskriv frågan, tidsfönstret, filtren och granulariteten]”
Begränsningar:
- Använd CTE:er med tydliga namn.
- Annotera antaganden som SQL-kommentarer.
- Inkludera en valideringsfråga för att upptäcka felaktiga matchningar av radantal.
- Returnera både SQL och en 3-raders motivering.

Du är min kalkylbladsformelassistent.
Mål: Skapa formler för att beräkna [metric] från kolumner [A, B, C].
Kontext: [Excel/Google Sheets]; locale: [US/EU decimal].
Uppgifter:
- Ange exakta formler med absoluta/relativa referenser.
- Inkludera en arrayformula-version för Sheets om relevant.
- Lägg till ett testradsexempel för att verifiera korrektheten.
Data header + 3 exempelrader:
[Klistra in]

Roll: Datavisualiseringsdesigner.
Målgrupp: [execs/PMs/ops]; beslut att stödja: [ange det].
Skapa en diagramplan:
1) Rekommendera 2–3 diagramtyper med fördelar/nackdelar för detta dataset och mål.
2) Ange en Vega-Lite-specifikation (eller matplotlib/Plotly-kod) för det bästa valet.
3) Tillgänglighetsanteckningar (färgblind-säker palett, anteckningar).
4) En-meningsbeskrivning för varje diagram.
Databeskrivning:
[kolumner, enheter, tidsintervall, exempel]

Kontext: Vi observerade [pattern] i [metric] sedan [date].
Mål: Designa ett minimalt, giltigt experiment.
Leveranser:
1) Hypoteser (H1/H0) med förväntad riktning och uppskattning av effektstorlek.
2) Experimentell enhet, randomisering och skyddsrälsmetriker.
3) Antaganden om provstorlek och varaktighet; notera kompromisser för styrka.
4) Analysplan: test(er), segment, checklista för förregistrering.
5) Risker och begränsning.

Roll: Tidsserieanalytiker.
Data: [timestamp, metric, optional regressors].
Uppgifter:
1) Kontrollera stationäritet och säsongsvariation; föreslå transformationer.
2) Producera en korttidsprognos (punkt + PI) med [modellpreferens eller "auto"].
3) Flagga anomalier under de senaste [N] perioderna med allvarlighetsgrad.
4) Rekommendera varningströsklar för att minska falska positiva resultat.
Output:
- Tabell: date, actual, forecast, PI_low, PI_high, anomaly_flag, severity.
- 5-raders sammanfattning för icke-tekniska intressenter.

Uppgift: Analysera kundfeedback för att extrahera användbara insikter.
Inputs: [N] kommentarer med fälten [comment, rating, product, date].
Steg:
1) Klustra teman; etikettera de 5 bästa.
2) Citera 1–2 representativa kommentarer per tema.
3) Kvantifiera prevalens och sentiment per tema.
4) Rekommendera 3 åtgärder med förväntad effekt.
Output: En tabell + punktsammanfattning. Håll dig under 180 ord.
Data:
[Klistra in exempel eller bifoga]

Roll: Stabschef som producerar en sammanfattning för ledningen.
Innehåll att sammanfatta: [klistra in analys, diagram eller nyckeltal].
Producera:
-  (3 punkter, handlingsverb).
- Viktiga resultat (5 punkter, med siffror).
- Risker/okända (3 punkter), Nästa steg (3 punkter, ägare).
- En-meningsbeskrivning för styrelsedäcket.
Stil: Tydlig, icke-teknisk, <160 ord.

Du är en analyscopilot.
Mål: Lös [analysmål] med hjälp av följande artefakter.
Artefakter:
- Datafil(er): [länk eller inklistrat exempel]
- Affärskontext: [kort beskrivning]
- Begränsningar: [tid, kostnad, noggrannhet]
Planera först (10–12 punkter):
- Identifiera inputs, antaganden, risker.
- Föreslå steg (EDA → transformera → modell/test → sammanfatta), var och en med en leverans.
- Ställ 3 förtydligande frågor i slutet.
Vänta sedan på min bekräftelse innan du utför stegen.

Lägg till dessa skyddsräls till valfri analys:
- Citera antaganden explicit.
- Om en beräkning saknar tillräckligt med data, returnera “otillräckliga bevis” med vad som saknas.
- Ange en enkel kontroll: beräkna om [metric] på två sätt och jämför.
- När du sammanfattar, inkludera en länk/referens till de använda källdatafälten.
- Fråga: “Vad skulle falsifiera denna slutsats?” och svara kortfattat.