Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Stil spørgsmål til dine data på naturligt sprog

Lektion 2 af 14 Opdateret 5. november 2026 Mellem
På denne side
  1. Forespørg dine data, som om du taler med en kollega
  2. Princippet: Fra naturligt sprog til Python-kode
  3. Typer af spørgsmål, du kan stille
  4. Formulering af effektive spørgsmål
  5. Iteration over resultater
  6. Mere tænkning til komplekse analyser
  7. Din tur
  8. Vigtige pointer

Forespørg dine data, som om du taler med en kollega

ChatGPT’s største fordel inden for dataanalyse boils down til én ting: Det forstår dine spørgsmål på almindeligt sprog. Du behøver ikke kunne SQL, Python eller skrive indviklede, tre niveauer dybe Excel-formler. Beskriv blot præcis det, du leder efter, lige som du ville fortælle det til en kollega-analytiker, der kigger på den samme fil, så oversætter ChatGPT din hensigt til eksekverbar kode. Dette skift er virkeligt, og det ændrer arbejdets natur: Din indsats flytter sig fra syntaks til at formulere det rigtige spørgsmål.

Princippet: Fra naturligt sprog til Python-kode

Når du stiller et spørgsmål om dine data, sker følgende bag kulisserne:

Fra naturligt sprog til resultat Fire trin: Du stiller spørgsmålet på almindeligt sprog; ChatGPT skriver Python-koden, ofte ved brug af pandas; koden køres i en Jupyter-notebook; resultatet ankommer som en tabel, et tal eller et diagram. PRINCIP Fra naturligt sprog til resultat 1 Spørgsmål På almindeligt sprog 2 Kode Python, ofte pandas 3 Eksekvering I en notebook Jupyter 4 Resultat Tabel, tal, diagram Vis koden og gennemgå antagelserne, før du stoler på resultatet.
Baseret på artiklen "Data analysis with ChatGPT" fra OpenAI Help Center (november 2026).

Denne kode er ikke en sort boks: Du kan vise den, gennemgå den og bede ChatGPT om at justere metoden. Bemærk, at Python-miljøet ikke har internetadgang: Hvis din analyse kræver eksterne data, skal du importere dem eller forbinde en kilde.

Typer af spørgsmål, du kan stille

Opsummerende spørgsmål hjælper dig med at få en fornemmelse af filen, før du dykker ned i detaljerne: “Hvor mange rækker og kolonner har denne fil?”, “Giv mig et generelt overblik over dataene,” eller “Hvilke kolonner er tilgængelige, og hvad er deres datatyper?” Disse spørgsmål forhindrer dig i at starte en analyse, der antager et granularitetsniveau, som dine data ikke besidder – du kan ikke beregne gennemsnitlig kurvstørrelse pr. kunde, hvis filen allerede er aggregeret pr. region.

Dernæst kommer aggregeringsspørgsmål, som kondenserer tusindvis af rækker til handlingsorienterede tal: “Hvad er det samlede salg pr. produktkategori?”, “Hvad er den gennemsnitlige kurvstørrelse pr. måned?”, “Hvor mange unikke kunder er der pr. kvartal?” Dette er kernen i månedlig rapportering og udgør ofte halvdelen af det arbejde, du bliver bedt om at udføre.

Filtreringsspørgsmål isolerer derefter en relevant delmængde – “Vis mig kun salg over 10.000 €”, “Hvilke produkter havde intet salg i marts?”, “List kunder i regionen Île-de-France” – mens rangeringsspørgsmål sorterer data for at fremhæve ekstremer: “Hvem er de 10 bedste sælgere?”, “Rangér regioner efter omsætning i faldende rækkefølge”, “Hvilken måned klarede sig bedst?” I praksis kæder en seriøs analyse alle fire typer sammen: Du opsummerer, aggregerer, filtrerer den anomali, du opdagede, og rangerer derefter for at prioritere handling. Du kan også vælge rækker, kolonner eller celler i forhåndsvisningen af den interaktive tabel og derefter stille dit spørgsmål kun om det udvalg – f.eks. den hyppigste værdi i en kolonne eller gennemsnittet af et par celler.

Formulering af effektive spørgsmål

Kvaliteten af svaret afhænger direkte af, hvor klart dit spørgsmål er. Din første refleks bør være at nævne kolonnenavne frem for at tale i generelle vendinger. “Analyser salget” efterlader ChatGPT i uvished om, hvilken kolonne der indeholder beløbet; denne formulering efterlader ingen plads til fortolkning:

Calculate the total of the "amount_incl_tax" column grouped by "region"
and sorted from highest to lowest.

Din anden refleks er at specificere det outputformat, du ønsker. Ellers får du et skriftligt svar, når du havde brug for en tabel til at indsætte i din rapport, og du mister den tid, du sparede på beregningen, ved at skulle omformatere:

Give me the result as a table with these columns:
region, total sales, number of transactions, average basket size.

Den tredje, ofte oversete, er at give forretningsmæssig kontekst, som filen ikke indeholder. ChatGPT ved ikke, at visse rækker ikke bør inkluderes i beregningen:

The "status" column contains "approved", "pending", and "cancelled".
Only include approved orders.

Uden denne afklaring vil dine annullerede ordrer oppuste omsætningen, og fejlen går ubemærket hen: Resultatet ser stadig fuldstændig plausibelt ud. Dette er den type fejl, der sniger sig ubemærket igennem et ledermøde.

Iteration over resultater

Dataanalyse er sjældent lineær, og du forventes ikke at finde det rigtige spørgsmål ved første forsøg. Du starter med at spørge om den samlede omsætning pr. måned, bemærker et dyk i februar og spørger derefter, hvorfor dette fald opstod. Hvis svaret forbliver vagt, filtrerer du til kategorien “premium” og genberegner, sammenligner derefter med samme periode sidste år for at afgøre, om det er kendt sæsonudsving eller en hændelse.

ChatGPT beholder samtalekonteksten og den uploadede fil, så hvert spørgsmål bygger videre på de tidligere. Dette muliggør progressiv udforskning: Dykket i februar, når det først er isoleret til premium-segmentet, kan måske forklares med, at en enkelt stor kunde er skiftet til en konkurrent – en konklusion, der var umulig at nå frem til ud fra det første spørgsmål.

Mere tænkning til komplekse analyser

Nogle spørgsmål kan ikke løses med en simpel aggregering. Krydskorrelationer, analyser på tværs af flere kilder, nuancerede fortolkninger: Når der er behov for ræsonnement i flere trin, skal du vælge et højere tænkeniveau i ChatGPT’s vælger – Højt eller Ekstra Højt afhængigt af dit abonnement, eller knappen Tænk (Think) på Free og Go. Den ekstra tænkning hjælper med at overveje faktorer, der kan forklare en sammenhæng mellem to variabler, før man konkluderer årsagssammenhæng, opdage subtile mønstre – en sæsonudsving forskudt med tre uger, et segment der falder kvartal efter kvartal – og opbygge anbefalinger ud fra de beregnede tal. Ingen indstilling kan dog omdanne korrelation til kausalitet: Det er her, din fagviden og nogle gange en test afgør sagen.

Din tur

Dine første spørgsmål.

  1. Importer en fil, du kender godt
  2. Stil ét spørgsmål fra hver familie: opsummering, aggregering, filtrering, rangering
  3. Omformulér ét af dem ved at nævne kolonnenavne og specificere outputformat, og sammenlign derefter de to svar
  4. Tilføj en forretningsregel – for eksempel at ekskludere annullerede ordrer – og mål forskellen
  5. Vis koden for en beregning, og verificér den manuelt på to eller tre rækker

Officielle kilder: Data analysis with ChatGPT · Extracting Insights with ChatGPT Data Analysis (OpenAI Help Center) · Prompting (ChatGPT-dokumentation)

Vigtige pointer

  • Stil spørgsmål på almindeligt sprog; ChatGPT oversætter dem til kode
  • Vær specifik: Navngiv kolonner, angiv filtre, indiker dit ønskede format
  • Iterér inden for samme samtale for at uddybe din analyse
  • Hæv tænkeniveauet for analyser i flere trin
  • Verificér altid resultater – ChatGPT kan misforstå en kolonne