Excel analyse data ai: sådan analyserer du regneark i Whizi

Profilér dataene, før du spørger om noget

Den mest almindelige måde regnearksanalyse går skævt på, har intet at gøre med AI. Det er, at filen indeholder 14 rækker med et mellemrum efter regionsnavnet, to datoformater, en subtotal-række, nogen har ladt stå midt i filen, og 300 tomme felter i den kolonne, du er ved at beregne et gennemsnit for. Stiller du dit spørgsmål først, får du et sikkert svar beregnet på baggrund af skrammel.

Derfor er den første prompt den samme for enhver fil.

Prompt: profilen

Profilér denne fil, før vi analyserer noget som helst. Returnér: antal rækker, kolonnenavne med udledt type, antal og procentdel af manglende værdier pr. kolonne, antal eksakte duplikatrækker, de unikke værdier for hver kolonne med færre end 25 unikke værdier, min og max for hver numerisk kolonne og datokolonne, og enhver kolonne, hvor værdierne ser inkonsistente ud (blandede formater, mellemrum i kanten, blandede enheder, blandede datoformater). Analysér eller tolk ikke endnu. Bare fortæl mig, hvad der er i filen, og hvad der ser forkert ud.

Denne ene prompt fanger det meste af det, der ellers ville ødelægge analysen. Listen over unikke værdier er især der, hvor du opdager, at "UK", "U.K." og "United Kingdom" er tre separate regioner i dine data.

Prompt: ret det, den fandt

Standardisér de problemer, du identificerede: trim mellemrum, samle [kolonne] til et enkelt format, og konsolider disse varianter: [angiv dem]. Vis mig den mapping, du anvendte, som en tabel, før du anvender den. Fjern ikke rækker uden at fortælle mig hvilke og hvorfor.

Stil spørgsmål, der giver kontrollerbare svar

Vage spørgsmål giver vage svar. De prompts, der virker, navngiver kolonnen, operationen og outputformatet, og de spørger om, hvordan resultatet er nået frem til.

Prompt: aggregering med beregningen vist

Gruppér efter [kolonne], og beregn [metrik]. Returnér en Markdown-tabel med gruppen, antallet af rækker i den, og metrikken. Under tabellen skal du angive nøjagtigt, hvordan du beregnede metrikken, hvilke rækker du udelukkede og hvorfor, og hvordan du håndterede tomme felter. Sortér faldende efter [kolonne].

Prompt: kohortespørgsmålet

For hver [kohortedimension, for eksempel tilmeldingsmåned], beregn [metrik] ved [interval]. Vis kohortestørrelsen sammen med hver enkelt figur. Markér enhver kohorte med færre end [n] rækker som for lille til at tolke, i stedet for at rapportere en procentdel for den.

Den sidste instruktion forhindrer det mest vildledende output i regnearksanalyse: en kohorte på fire brugere rapporteret som "75 % retention" og placeret i en tabel lige ved siden af en kohorte på ni tusind.

Prompt: jagt på anomalier

Hvad er mistænkeligt ved disse data? Se efter: værdier uden for et plausibelt interval, pludselige diskontinuiteter i en tidsserie, kolonner hvor fordelingen ændrer sig undervejs, rækker der er eksakte eller nærved duplikater, værdier der virker for runde, og alt, der antyder en ændring i, hvordan dataene er indsamlet. Citer de specifikke rækker for hvert punkt.

Det er den prompt med den højeste værdi på denne side, og den har ingen pendant i en normal regnearksarbejdsgang. Den finder rutinemæssigt den dag, hvor sporingen gik i stykker, leverandøren, der begyndte at rapportere i en anden valuta, og den dublerede import, der pustede et kvartal op.

Prompt: diagramspecifikationen

Anbefal det rigtige diagram til dette spørgsmål og denne dataform, og forklar hvorfor det oplagte alternativ er værre her. Giv mig derefter specifikationen: diagramtype, x, y, serie, aggregering, sorteringsorden og akse-behandling. Brug ikke en dobbelt akse. Afkort ikke en søjlediagram-akse.

Hvor regnestykket egentlig går galt

Det fortjener et lige svar, fordi "AI er dårlig til matematik" både er sandt og uhjælpsomt vagt.

En sprogmodel, der ræsonnerer over tal i tekst, laver mønstergenkendelse, ikke beregning. Den er pålidelig til at beskrive struktur, kategorisere rækker og identificere, hvilken beregning du har brug for. Den er langt mindre pålidelig til at udføre en lang kæde af aritmetik over hundreder af rækker, og den fejler stille: outputtet er en flot formateret tabel med forkerte tal og ingen alarmklokke.

De praktiske regler:

• Bed om metoden, ikke bare resultatet. "Angiv nøjagtigt, hvordan du beregnede dette, og hvad du udelukkede" gør fejlen synlig, når der er en.
• Tjek en gruppe manuelt. Vælg den mindste gruppe i outputtabellen, og kontrollér den i det faktiske regneark. Hvis det matcher, er metoden nok rigtig; hvis ikke, kan intet i tabellen tillades tiltro.
• Krydstjek alt, der har konsekvenser, med en anden model. To uafhængige modeller, der lander på samme tal, er markant bedre bevis end en model, der gentager sig selv. Whizis side-by-side-visning findes til netop dette.
• Vær opmærksom på dobbelttælling. Subtotal-rækker, der er blevet i filen, og en-til-mange-joins er de to sædvanlige syndere, og modellen vil ikke vide, at de er forkerte.
• Bed om formlen eller koden for alt, der skal være eksakt. Giv mig Excel-formlen eller giv mig pandas-koden lægger aritmetikken i en deterministisk motor, og du bruger modellen til den del, den er god til, nemlig at vide, hvilken beregning der skal køres.

Det sidste punkt er det egentlige svar for finansielt arbejde eller rapportering. Brug modellen til at designe analysen, brug dit regneark eller et script til at udføre den.

Hvilken model læser hvilken fil, og hvor stor er for stor?

CSV og Excel uploades begge direkte, og de tre modeller deler arbejdet klart.

Model	Kontekstvindue	Credits pr. besked	Brug den til
GPT-5.6 Terra	1M tokens	4	Strikte formater: rene tabeller, JSON, eksakte kolonne-mappings
Claude Sonnet 5	1M tokens	10	Krydstjekket på multi-trins aggregering
Gemini 3.5 Flash	1M tokens, cirka 1.900 manuskriptsider	8	De største filer, eller et regneark plus en PDF i én tråd

Kontekst- og credit-tallene kommer fra Whizis model cost index, listepriser hentet 2026-08-20.

Et par praktiske noter:

• Giv den et rent rektangel. En header-række, ingen sammenlagte celler, ingen tomme mellemrums-rækker, ingen noter i kolonne K. Rapporter formateret med flere headere forvirrer udtrækningen mere end nogen filstørrelsesgrænse.
• Send det rå ark, ikke præsentationsarket. Versionen med formatering og subtotaler er den, der giver dobbelttælling.
• Meget brede filer har gavn af en kolonneliste først. Spørg, hvad hver kolonne betyder, før du analyserer, hvis navnene er kryptiske, og fortæl modellen, hvad den fik forkert.
• Brug Gemini 3.5 Flash til meget store filer, som læser samme 1M token-kontekst som Claude Sonnet 5 og GPT-5.6 Terra til den laveste pris pr. svar af de tre. Derudover, sampl bevidst: analysér en tilfældig stikprøve på 5000 rækker, og fortæl mig den samplingfejl, jeg bør forvente på hver figur, er bedre end at lade filen blive stille afkortet.
• Fjern personlige data først. Navne, e-mails og identifikatorer er næsten aldrig nødvendige for analysen, og at fjerne dem er hurtigere end at diskutere, om du havde tilladelse til at uploade dem.

Mekanikken bag uploads er dækket i upload af dokumenter.

Hele forløbet i otte trin på en rigtig fil

Hele arbejdsgangen på en rigtig fil, i rækkefølge:

1. Upload. Kør profil-prompten. Læs de unikke værdier og de manglende antal omhyggeligt.
2. Ret det, den fandt, og gennemgå mapping-tabellen, før den anvendes.
3. Bed om et resumé af, hvad dataene handler om, og de tre spørgsmål, den mener, du bør stille. Dette trin er hurtigt og omformer ofte analysen.
4. Stil dit egentlige spørgsmål, med metoden og udelukkelserne krævet i svaret.
5. Kør anomali-prompten, altid. Det er her overraskelserne er.
6. Tjek den mindste gruppe manuelt.
7. Krydstjek hovedtallet med en anden model.
8. Bed om diagramspecifikationen, eller formlen, hvis tallet skal være eksakt og reproducerbart.

Trin 1, 5 og 6 er de trin, folk springer over, og de er de trin, der skiller en analyse, du kan forsvare, fra et flot formateret gæt.