Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Analysér automatisk data fra flere kilder

Lektion 5 af 12 Opdateret 5. november 2026 Mellem
På denne side
  1. Omdan rådata til handlingsrettede indsigter
  2. Problemet med spredte data
  3. Tre måder at levere dine kilder på
  4. Gennemfør analysen i fire trin
  5. Den krydsreferencing, du ikke ville have bedt om
  6. Din tur
  7. Vigtige pointer

Omdan rådata til handlingsrettede indsigter

En af de største styrker ved en model indstillet til et højt ræsonnementsniveau er dens evne til at indlæse data fra forskellige kilder, krydsreferere dem og drage sammenhængende konklusioner. Denne lektion viser dig, hvordan du udnytter denne capability til at automatisere dine analyser – fra hvordan du leverer dataene, til hvordan du fortolker modellens output.

Problemet med spredte data

I erhvervslivet findes data aldrig ét enkelt sted. Omsætningstal ligger i et Excel-regneark, markedsundersøgelser i en PDF, kundeanmeldelser i en e-mail-tråd, og web-metrics i en CSV-eksport. Manuelt at afstemme alt dette tager timer, og du skal gentage arbejdet hver periode.

En model med højt ræsonnement behandler disse heterogene kilder i én enkelt samtale og producerer en integreret syntese. I ChatGPT vedhæfter du regneark, PDF’er, dokumenter og billeder; beregninger køres gennem Data Analysis, som eksekverer Python-kode. Et fotograferet dashboard kan fungere som kilde, men med én vigtig forbehold: OpenAI advarer om, at præcise værdier fra en tabel i et billede ikke udtrækkes pålideligt, så det er bedre at levere den oprindelige fil, når tal er afgørende.

Tre måder at levere dine kilder på

Den første og mest direkte metode er filupload. ChatGPT accepterer flere filer i én samtale – Excel-arbejdsbøger og CSV’er, PDF-dokumenter, billeder af diagrammer eller skærmbilleder samt tekstfiler – og modellen analyserer dem samtidigt. Du slipper dem ind sammen og formulerer din anmodning om krydsreferencing i én sætning.

„Her er min salgsfil for Q1 (Excel), brancherapporten (PDF) og Google Analytics-metrics (CSV). Krydsreferér disse tre kilder og identificér de 5 vigtigste tendenser med underliggende data.”

Den anden metode, struktureret kopier-ind, fungerer til lettere datasæt, som du indsætter direkte i prompten. Nøglen er eksplicit at navngive hver blok; ellers skal modellen gætte på, hvad der hører til hvad.

„Kilde 1 — Salg efter region: [tabel] Kilde 2 — Kundetilfredshed efter region: [tabel] Kilde 3 — Marketingbudget efter region: [tabel] Analysér korrelationen mellem marketingbudget, salg og tilfredshed fordelt på regioner.”

Den tredje metode bliver nødvendig, når dokumenter er for store til at blive leveret som de er: Du opsummerer dem selv og transmitterer kun nøgldataene. Du mister detaljerigdommen, men beholder det, der driver analysen, som i følgende eksempel, hvor kløften mellem markedsvækst og intern vækst er det egentlige problem.

„Jeg har tre kilder. Brancherapporten indikerer en markedsvækst på 12 % i 2025. Vores interne salg viser +8 %. Kundeanmeldelser nævner leveringstider, der er for lange (NPS faldt fra 42 til 35). Analysér kløften mellem markedsvækst og vores vækst under inddragelse af kundeanmeldelser.”

Hvis du automatiserer analyse via API’et, giver Responses API’en dig mulighed for at forbinde værktøjer (kodeeksekvering, søgning, filadgang) til en model indstillet til høj indsats. Med Programmatic Tool Calling skriver og eksekverer modellen JavaScript i et isoleret V8-miljø for at kalde disse værktøjer, potentielt parallelt. Den filtrerer, grupperer eller aggregerer derefter mellemresultater, før den returnerer et mere kompakt resultat til modellen. OpenAI anbefaler denne tilgang, når flere resultater kan sorteres eller aggregeres via kode, og råder til direkte kald, når hvert resultat kræver ny modelvurdering.

Krydsreferér flere kilder Fire trin: Indram, hvad du leder efter; lever originale filer med alignede perioder og enheder; anmod om en syntese af fund, årsager og handlinger; dyk ned i ét punkt, derefter et andet. ANALYSE AF FLERE KILDER Krydsreferér flere kilder 1 Indram Hvad du leder efter 2 Lever Originale filer, alignede 3 Syntetisér Fund, årsager, handlinger 4 Dyk dybere Ét punkt, derefter et andet Beregninger køres gennem Data Analysis; en tabel i et billede er ikke pålidelig ned til det enkelte ciffer.
Baseret på artiklen „Data analysis with ChatGPT" fra OpenAI Help Center (november 2026).

Gennemfør analysen i fire trin

Det hele starter med indramning, og dette trin sker før, du uploader nogen filer. Fortæl modellen, hvad du leder efter – „Jeg vil levere 3 filer. Jeg ønsker en komparativ analyse, der identificerer performance-gab mellem vores regioner, korrelationer med marketingbudgettet og handlingsrettede anbefalinger.” – så ved den, hvad den skal beholde fra hver kilde i stedet for fladt at opsummere alt.

Dernæst leverer du dataene på et højt ræsonnementsniveau (High i Chat, high i API’et) for at sikre rigorøs krydsreferencing. Bed derefter om en struktureret syntese frem for en stream-of-consciousness-tekst: „Producér en rapport i 3 dele: (1) Faktuelle fund med tal, (2) Årsagsanalyse, (3) Prioriterede anbefalinger. Brug tabeller, hvor det er relevant.” Endelig itererer du. Modellen beholder konteksten fra hele samtalen, hvilket giver dig mulighed for at dykke ned i et specifikt punkt – „Zoom ind på regionen Île-de-France. Hvorfor falder NPS, mens salget stiger?” – uden at genindlæse alt. Den første analyse er sjældent den bedste; nyttige indsigter opstår under frem og tilbage.

Den krydsreferencing, du ikke ville have bedt om

Den sande kraft ved ræsonnement på højt niveau viser sig, når du inviterer modellen til at kombinere dimensioner, du måske ikke har overvejet, for eksempel: „Er der en korrelation mellem dage med høj webtrafik og dage med øgede klager? Hvis ja, så foreslå en forklarende hypotese.” Modellen aligner derefter tidsserierne, beregner korrelationer, formulerer kausale hypoteser og – helt afgørende – skelner eksplicit mellem korrelation og kausalitet i stedet for at springe til konklusioner. Denne sikkerhedsforanstaltning er dog kun delvis: Det er dit fagområde at fastslå kausalitet, ikke modellens.

Din tur

Tre kilder, én krydsreferencing. Forbered tre kilder fra dit eget arbejde, selv simple ones. Vedhæft en Excel-fil med salg eller metrics, tilføj en anden fil, der dækker en anden dimension – budget, tilfredshed, medarbejdertal – og anmod om en krydsreferencing på et højt ræsonnementsniveau, hvor beregninger udføres af Data Analysis. Hvis du ikke har noget ved hånden, så bed modellen om først at generere et realistisk fiktivt datasæt for din branche, og analysér det derefter, som var det ægte.

To faldgruber ødelægger de fleste første forsøg. Den første er at dumpe ti filer uden retning: uden indramning producerer modellen en generisk opsummering. Den anden er mere snigende: inkonsistente data. Verificér, at perioder, enheder og kategorier er alignet på tværs af dine kilder, før du lancerer noget; ellers får du en perfekt ræsonneret analyse baseret på tal, der ikke kan sammenlignes.

Officielle kilder: Data analysis with ChatGPT (OpenAI Help Center: filer, Python, tabeller i billeder) · Programmatic Tool Calling (OpenAI API: programmer, der orchestrerer værktøjer, hvornår de skal bruges) · Reasoning models (indsatsniveauer)

Vigtige pointer

  • Et højt ræsonnementsniveau krydsrefererer regneark, PDF’er, CSV’er og billeder; beregninger køres gennem Data Analysis
  • Indram din analyse, før du leverer data, og aktiver højt ræsonnement til krydsreferencing
  • Via Responses API’en lader Programmatic Tool Calling et isoleret JavaScript-program orchestrere værktøjer og filtrere mellemresultater
  • Anmod om strukturerede synteser (fund, analyse, anbefalinger) og iterér på interessante punkter
  • Skeln altid mellem korrelation og kausalitet i resultaterne