Idag finns en mängd mer eller mindre specialiserade AI verktyg för att analysera data. För att komma igång med AI för analys och insikt, kan man t.ex. använda sig av någon av de större och mer kända modellerna
ChatGPT
https://chatgpt.com/
Claude
https://claude.ai/
Gemini
https://gemini.google.com/
I stort kan man använda dem alla på liknande sätt, de släpper alla kontinuerliga uppdateringar, vilket gör att den ena eller andra modellen vid olika tillfällen kan vara något bättre än den andra på olika områden. Testa dig fram och håll dig uppdaterad på nyheter.
För att snabbt komma igång, skapar ett konto på t.ex. någon av tjänsterna ovan, i viss utsträckning kan de alla användas gratis, men för bättre analyser och möjligheten att analysera data som du inte vill dela med modellen (känslig data) behöver du normalt en betald plan. Tänk på att se över vad som gäller för just den modellen du valt innan du laddar upp någon känslig data som du inte vill dela online!
Oavsett vilken modell du valt kan stegen nedan förhoppningsvis hjälpa dig att hitta intressanta insikter i din data!
- Förbered ditt dataset
- Ladda upp och beskriv kontextet & dataset för modellen
- Be modellen rensa och formatera dataset
- Beskriv variablerna i ditt dataset och hur du vill att dessa hanteras
- Kontrollera att modellen tolkat din data rätt
- Definiera dina mål
- Be om analyser av datan
- Be om sammanfattade insikter från datan
- Be om tolkningar av insikter tillsammans med modellens kunskap utanför datan
- Exportera insikter
- Kontrollera resultaten kritiskt
1. Förbered ditt dataset
Börja med att strukturera upp ditt dataset i t.ex. Excel, ju tydligare du kan vara, desto mindre behöver du instruera modellen. Till en början kan det vara enklare att hantera avgränsade dataset som endast innehåller de variabler du just nu är intresserad av. Försök också se till att dina variabler antingen är helt numeriska (inte innehåller vissa celler med text) eller helt innehåller text. Innehåller datasetet variabler med flera alternativ, se över att de är stavade på samma sätt genom hela datasetet. Modellerna kan hjälpa dig här, men du upplever förmodligen att du har mer kontroll över vad du gör i excel.
2. Ladda upp och beskriv kontextet & dataset för modellen
Beskriv nu för modellen vad dataset du vill analysera handlar om, är det digitala besök på din sajt, visar det försäljning eller innehåller det undersökningsdata?
Försök vara så detaljerad som möjligt, det ger modellen en kontext för att hjälpa dig med mer relevanta insikter. Istället för att skriva ”besök” berätta istället att ”det här dataset beskriver besök på min sajt xxx, sajten säljer skor och mode, riktar sig till unga kvinnor och har främst kunder i Sverige”.
Beskriv också hur du strukturerat din data, t.ex. ”kolumnerna i det dataset jag laddar upp beskriver olika nyckeltal, raderna beskriver olika veckor”. Eller ”kolumnerna beskriver olika frågor jag ställt i en undersökning, ID på respektive fråga ligger i den översta raden och varje efterföljande rad representerar en individs svar”.
Bifoga ditt dataset, förslagsvis som en Excel fil eller som en CSV fil. Olika modeller kan hantera olika filtyper.
3. Be modellen rensa och formatera ditt dataset
Börja med att be modellen rensa och formatera datasetet så att modellen kan hjälpa dig att analysera det. När modellen är klar, be antingen om att få se t.ex. 10 slumpvisa rader av data, eller be modellen exportera hela det rensade datasetet så att du kan du kan kontrollera att inte modellen tagit bort någon kritisk information.
4. Beskriv variablerna i ditt dataset och hur du vill att dessa hanteras
En bra början kan vara att fråga modellen hur den tolkat och formaterat de olika variablerna i datasetet.
Beroende på vilken data du laddat upp är det nu dags att beskriva de enskilda variablerna för modellen. Har du varit noggrann när du strukturerat datan i excel krävs normalt mindre arbeta här. Men lägg tid på att se till att modellen faktiskt tolkar din data på rätt sätt.
En exempelpromt för en variabel i undersökningsdata kan vara:
Variabeln O5 är kategorisk. Den anger vilket varumärke respondenten ”Senaste handlade av”, ett svar 1 till 12 motsvarar respektive varumärke i ”varumärkeslistan”.
En exempelpromt för en variabel i en tidsserie kan vara:
Variabeln ”fsg” beskriver försäljning i tusentals kronor och skall hanteras som en numerisk variabel. Om värdet saknas innebär det att butiken har varit stängd den dagen, undanta dagar då försäljningen saknas om jag ber dig om ett medelvärde.
5. Kontrollera att modellen tolkat din data rätt
Ställ enkla kontrollfrågor som du i ditt dataset enkelt kan testa.
En exempelprompt för en variabel i undersökningsdata kan vara:
Hur stor andel i undersökningen är kvinnor?
Exempelpromtar i tidsserier kan vara:
Hur stor är den genomsnittliga försäljningen?
Hur stor var den totala försäljningen i maj?
Stäm av att du får rimliga svar, om modellen inte tolkat datan rätt, riskerar du att senare få felaktiga analyser av resultatet. Beskriv hur du istället vill att eventuella variabler som feltolkats istället skall tolkas av modellen.
6. Definiera dina mål
Berätta för modellen vad du har för övergripande mål med analysen.
En exempelprompt för undersökningsdata kan vara:
Målet för mig idag är att förstå mer om vilka målgrupper som föredrar vilka varumärken.
En exempel promt för en tidsserie kan vara:
Målet för mig idag är att förstå mer om hur min försäljning påverkas av olika säsonger och hur den utvecklas över tid.
7. Be om analyser av datan
Nu är det dags att på riktigt börja analysera datan. Börja med att ställa raka frågor för att ge dig bild av datat och följ upp med frågor som kräver mer intressanta analyser. Tänk på att det kan vara svårt att bedöma rimligheten i analyser som man inte har kunskap om, det är enkelt att be modellen om en regressionsanalys, en prognos eller en klusteranalys, att tolka resultatet, rimligheten och lämpligheten av analysen är inte alltid lika enkelt.
Börja med enkla promptar:
”Visa mig den totala försäljningen för respektive månad 2023 i en tabell”
Fortsätt med uppföljande mer detaljerade promptar:
”Visa mig den månatliga försäljningen 2023 uppdelad per produktområde”.
”Kan du se någon säsong då försäljningen generellt är högre?”
Exempel på promptar för undersökningsdata kan vara:
”Visa mig hur stor andel av populationen som föredrar respektive varumärke”
”Visa mig hur stor andel av kvinnorna respektive männen i populationen som föredrar respektive varumärke”
Addera promptar med mer statistiska analyser, men var försiktig med analyser du inte själv är bekväm med:
Kan du se någon korrelation mellan vilka produkter mina kunder köper?
Kan du se någon korrelation mellan vilka varumärken man föredrar?
Finns det någon signifikant trend i försäljningen av skor?
Kan du se några kluster av varumärken man ofta väljer mellan?
Ibland kan det va svårt att formulera vad man vill, testa en prompt i stil med:
”Berätta något om datan du tror jag tycker är intressant”
Det kan om inte annat ge idéer och uppslag till nya promptar!
Du kan när som helst be modellen visa dig resultatet som en graf, en tabell eller ge dig en export.
8. Be om sammanfattade insikter från datan
När du tagit fram en tabell eller graf som du tror innehåller något av intresse. Be modellen sammanfatta de viktigaste insikterna från den. Ställ gärna följdfrågor, om något verkar orimligt, följ upp med frågor för att förstå hur modellen kommit fram till resultatet.
9. Be om tolkningar av insikter tillsammans med modellens kunskap utanför datan
När du fått en insikt från datan du laddat upp som t.ex. att ”skoförsäljningen” ökar snabbare än försäljningen av ”övrigt mode” eller att ”yngre personer” i större utsträckning föredrar ett visst varumärke. Ge då modellen ett ännu tydligare kontext och fråga modellen om den med all sin kunskap om skoförsäljning eller varumärket kan se några anledningar till den insikt du hittat i datan. Be modellen t.ex. inkludera insikter från kategorin i stort, vad den känner till om målgruppen, varumärkets kommunikation eller vad som skrivs om varumärket.
Modellen kommer nu att hjälpa dig att ta fram intressanta förklaringar bakom insikten. Ställ följdfrågor och be om mer detaljer kring områden du tycker är intressanta.
10. Exportera insikter
Om ditt mål är att presentera dina insikter för andra, be modellen exportera de tabeller, grafer eller insikter du tycker är intressanta.
11. Kontrollera resultaten kritiskt
Alla har vi nog vid det här laget sett lustiga bilder, recept eller texter som AI genererat. I data och resultat är det inte alltid lika uppenbart att något gått ”fel”. ”Fel” kan uppstå både för att modellen tolkat datan fel och för att modellen missförstått dina frågor. Har du möjlighet så kontrollera så mycket som möjligt av de analyser och insikter du väljer att agera på!
Var noggrann när du strukturerar data, när du beskriver datan och tydlig när du ställer frågor så minimerar du risken.
