Så analyserar du excel med AI i Whizi

Profilera datan innan du frågar den om något

Det vanligaste sättet som en kalkylbladsanalys går fel på har inget med AI att göra. Filen innehåller 14 rader med ett efterföljande blanksteg i regionnamnet, två datumformat, en delsummerad rad som blivit kvar i mitten och 300 tomma celler i kolumnen du strax ska räkna medelvärde på. Ställer du din fråga direkt får du ett säkert svar beräknat på skräp.

Därför är den första prompten alltid densamma, oavsett fil.

Prompt: profilen

Profilera den här filen innan vi analyserar något. Returnera: antal rader, kolumnnamn med härledd typ, antal och andel saknade värden per kolumn, antal exakta dubblettrader, distinkta värden för varje kolumn med färre än 25 distinkta värden, min och max för varje numerisk kolumn och datumkolumn, och alla kolumner där värdena verkar inkonsekventa (blandade format, efterföljande blanksteg, blandade enheter, blandade datumformat). Analysera eller tolka inget ännu. Berätta bara vad som finns i filen och vad som ser fel ut.

Den enda prompten fångar det mesta som annars skulle förstöra analysen. Listan med distinkta värden är i synnerhet där du upptäcker att "UK", "U.K." och "United Kingdom" är tre separata regioner i din data.

Prompt: åtgärda det som hittades

Standardisera de problem du identifierade: trimma blanksteg, gör [kolumn] till ett enda format och slå ihop dessa varianter: [lista dem]. Visa mig den mappning du tillämpade som en tabell innan den tillämpas. Ta inte bort några rader utan att tala om vilka och varför.

Ställ frågor som ger kontrollerbara svar

Vaga frågor ger vaga svar. Prompterna som fungerar namnger kolumnen, operationen och utdataformatet, och de begär uträkningen.

Prompt: aggregering med uträkningen synlig

Gruppera efter [kolumn] och beräkna [mått]. Returnera en Markdown-tabell med gruppen, antal rader i den och måttet. Under tabellen anger du exakt hur du beräknade måttet, vilka rader du exkluderade och varför, samt hur du hanterade tomma värden. Sortera fallande efter [kolumn].

Prompt: kohortfrågan

För varje [kohortdimension, till exempel registreringsmånad], beräkna [mått] vid [intervall]. Visa kohortens storlek bredvid varje siffra. Flagga varje kohort med färre än [n] rader som för liten att tolka, i stället för att rapportera en procentsats för den.

Den sista instruktionen förhindrar det enskilt mest missvisande resultatet i kalkylbladsanalys: en kohort på fyra användare rapporterad som "75 procents retention" och placerad i en tabell bredvid en kohort på nio tusen.

Prompt: avvikelsejakt

Vad är misstänkt med den här datan? Leta efter: värden utanför ett rimligt intervall, plötsliga diskontinuiteter i en tidsserie, kolumner där fördelningen ändras halvvägs, rader som är exakta eller nästan exakta dubbletter, värden som verkar för runda, och allt som antyder en förändring i hur datan samlades in. Citera de specifika raderna för varje fall.

Det är den mest värdefulla prompten på den här sidan och den har ingen motsvarighet i ett vanligt kalkylbladsflöde. Den hittar regelbundet dagen då spårningen gick sönder, leverantören som började rapportera i en annan valuta och dubbelimporten som blåste upp ett kvartal.

Prompt: diagramspecifikationen

Rekommendera rätt diagram för den här frågan och denna dataform, och förklara varför det uppenbara alternativet är sämre här. Ge mig sedan specifikationen: diagramtyp, x, y, serier, aggregering, sorteringsordning och axelbehandling. Använd inte dubbla axlar. Trunkera inte en stapeldiagramaxel.

Var aritmetiken faktiskt går fel

Det här förtjänar ett rakt svar, för "AI är dåligt på matte" är både sant och obehjälpligt vagt.

En språkmodell som resonerar om siffror i text gör mönsterkomplettering, inte beräkning. Den är pålitlig på att beskriva struktur, kategorisera rader och identifiera vilken beräkning du behöver. Den är betydligt mindre pålitlig på att utföra en lång kedja av räkneoperationer över hundratals rader, och den misslyckas tyst: resultatet är en snyggt formaterad tabell med fel siffror utan varningssignal.

De praktiska reglerna:

• Be om metoden, inte bara resultatet. "Ange exakt hur du beräknade detta och vad du exkluderade" gör felet synligt när det finns ett.
• Räkna en grupp för hand. Välj den minsta gruppen i utdatatabellen och kontrollera den i det faktiska kalkylbladet. Om den stämmer är metoden troligen rätt. Om den inte stämmer kan ingenting i tabellen litas på.
• Korskontrollera allt som har betydelse med en andra modell. Att två oberoende modeller kommer fram till samma siffra är avsevärt bättre bevis än att en modell upprepar sig själv. Whizis sida-vid-sida-vy finns till exakt för detta.
• Var uppmärksam på dubbelräkning. Delsummerade rader som blivit kvar i filen och one-to-many-kopplingar är de två vanliga syndarna, och modellen kommer inte att veta att de är fel.
• För allt som måste vara exakt, be om formeln eller koden. Ge mig Excel-formeln eller ge mig pandas-koden lägger aritmetiken i en deterministisk motor, och du behåller modellen för det den är bra på: att veta vilken beräkning som ska köras.

Den sista punkten är det egentliga svaret för finansiellt arbete eller rapportering. Använd modellen för att utforma analysen, använd ditt kalkylblad eller ett skript för att köra den.

Vilken modell läser vilken fil, och hur stor är för stor?

Både CSV och Excel laddas upp direkt, och de tre modellerna delar upp arbetet rent.

Modell	Kontextfönster	Krediter per meddelande	Använd den för
GPT-5.6 Terra	1M tokens	4	Strikta format: rena tabeller, JSON, exakta kolumnmappningar
Claude Sonnet 5	1M tokens	10	Korskontrollen på flerstegsaggregering
Gemini 3.5 Flash	1M tokens, ungefär 1 900 manussidor	8	De största filerna, eller ett kalkylblad plus en PDF i samma tråd

Siffror för kontext och krediter kommer från Whizis modellkostnadsindex, listpriser hämtade 2026-08-20.

Några praktiska anmärkningar:

• Ge den en ren rektangel. En rubrikrad, inga sammanslagna celler, inga tomma mellanrumsrader, inga anteckningar i kolumn K. Rapporter med flera rubriknivåer förvirrar extraktionen mer än någon filstorleksgräns.
• Skicka rådatabladet, inte presentationsbladet. Versionen med formatering och delsummor är den som skapar dubbelräkning.
• Mycket breda filer gynnas av en kolumnlista först. Fråga vad varje kolumn betyder innan du analyserar om namnen är kryptiska, och tala om för modellen vad den fick fel.
• För mycket stora filer, använd Gemini 3.5 Flash, som läser samma 1M-tokenkontext som Claude Sonnet 5 och GPT-5.6 Terra till den lägsta kostnaden per svar av de tre. Utöver det, sampla medvetet: analysera ett slumpmässigt urval på 5000 rader och berätta vilket urvalsfel jag bör förvänta mig på varje siffra är bättre än att tyst trunkera.
• Ta bort personuppgifter först. Namn, e-postadresser och identifierare behövs nästan aldrig för analysen, och att ta bort dem går snabbare än att argumentera om huruvida du fick ladda upp dem.

Mekaniken kring uppladdning täcks i att ladda upp dokument.

Hela åttastegssekvensen på en riktig fil

Hela arbetsflödet på en riktig fil, i ordning:

1. Ladda upp. Kör profileringsprompten. Läs de distinkta värdena och antalet saknade värden noggrant.
2. Åtgärda det som hittades, och granska mappningstabellen innan den tillämpas.
3. Be om en sammanfattning av vad datan handlar om och de tre frågor den tycker du borde ställa. Det steget är snabbt och omformulerar ofta analysen.
4. Ställ din egentliga fråga, med metod och undantag som krav i svaret.
5. Kör avvikelseprompten, alltid. Det är där överraskningarna finns.
6. Räkna den minsta gruppen för hand.
7. Korskontrollera huvudsiffran med en andra modell.
8. Be om diagramspecifikationen, eller formeln om siffran måste vara exakt och reproducerbar.

Steg 1, 5 och 6 är de som folk hoppar över, och de är de som skiljer en analys du kan försvara från en snyggt formaterad gissning.