Kombinera flera datakällor
På denna sida
Korsreferera data för rikare analys
De mest kraftfulla insikterna kommer från att korsreferera flera källor. Försäljning och CRM, budget kontra utfall, webbanalys och konverteringar: var för sig berättar varje fil bara halva historien. Genom att kombinera dem avslöjas mönster som är osynliga i en enskild källa – till exempel att dina kunder med högst volym faktiskt är de minst lönsamma när det gäller marginal.
Importera flera filer
ChatGPT accepterar flera filer i samma konversation. Bästa praxis är att ladda upp dem i början av sessionen och explicit ange vad varje fil innehåller. Det sparar dig från att behöva svara på förtydligande frågor senare och, viktigare än så, förhindrar att ChatGPT missförstår en fils roll.
Here are 3 files:
1. sales_q1_2026.xlsx — sales transactions
2. clients_crm.csv — customer database with sector and size
3. targets_2026.csv — targets by region and month
I will ask you to cross-reference them for a complete analysis.
Ladda upp dem en efter en eller alla samtidigt; ChatGPT kan läsa dem alla inom sin Python-miljö. Antalet filer som tillåts per konversation varierar beroende på filtyp, modell, abonnemangsplan och din importkvot. Du kan också bifoga filer från Google Drive, OneDrive eller SharePoint när motsvarande tillägg är tillgängliga för ditt konto. Precis som i lektion 1, behåll endast de kolumner från CRM-systemet som behövs för sammanslagningen.
Slå samman tabeller (joins)
En join kombinerar två tabeller baserat på en gemensam kolumn: detta är kärnan i varje korsreferens. Begär det genom att explicit namnge nyckeln och kräv omedelbar rapportering av föräldralösa rader – de där nyckeln inte hittar någon matchning.
Merge the sales file with the clients file
using the "id_client" column as the join key.
Show a preview of the result and flag any sales
without a matching client.
Resultatet beror på vilken typ av join som väljs, och detta val är aldrig neutralt: beroende på fallet förlorar du antingen försäljningsdata eller behåller ofullständiga rader.
| Join-typ | Beteende | När ska det användas |
|---|---|---|
| Inner join | Behåller endast matchningar | Strikt analys, ingen ofullständig data |
| Left join | Behåller alla rader från huvudtabellen | Berika försäljning med kundinfo (även om kunden är okänd) |
| Outer join | Behåller alla rader från båda tabellerna | Identifiera avvikelser mellan två källor |
Du behöver inte känna till denna jargong för att använda den. Beskriv helt enkelt det önskade resultatet och specificera hur omatchade fall ska hanteras.
I want to enrich my sales data with client info.
Keep all sales, even those where the client
is not in the CRM (mark these as "Unknown").
ChatGPT översätter denna begäran till en join – i detta fall en left join, eftersom ingen försäljning ska försvinna från totalen; verifiera detta i koden. Ordvalet är avgörande: om du bara hade skrivit “korsreferera de två filerna” utan ytterligare precision, hade en inner join kunnat stryka dina intäktsiffror för alla kunder som saknas i CRM-systemet.
Jämför budget kontra utfall
Den vanligaste korsreferensen inom prestationsledning ställer två filer skapade av olika team mot varandra: mål fastställda i början av året å ena sidan, aggregerad försäljning å den andra. Det kluriga här är join-nyckeln, som är sammansatt – region och månad – eftersom ingen av kolumnerna ensam räcker för att identifiera en rad.
Cross-reference the targets file (columns: region, month, target_revenue)
with the aggregated sales file (region, month, actual_revenue).
Calculate the variance in euros and percentage for each combination.
Flag any instances where the target was not met.
Berika med extern data
En referensfil låter dig lägga till en dimension som inte finns någonstans i dina försäljningsdata. Det klassiska fallet är postnumret: det finns i varje order och låser upp geografisk analys när det paras ihop med en uppslagstabell. ChatGPT:s Python-miljö har inte tillgång till webben: ladda ner denna tabell från en officiell källa och bifoga den sedan.
Here is a reference file with postal codes
and French administrative regions.
Add a "region" column to my sales data
using the postal code as the key.
Samma mekanism överbryggar två världar som vanligtvis är isolerade: digital marknadsföring och handel. Att korrelera trafik med försäljning avslöjar sidor som lockar besökare men misslyckas med att konvertera – de vars publik smickrar marknadsföringsrapporter utan att någonsin fylla orderboken.
File 1: Web traffic by product page (page_url, visits, bounce_rate)
File 2: Sales by product (product, revenue, quantity)
Cross-reference the two files on the product name.
Calculate the conversion rate (sales / visits) per product.
Which product has the best visits-to-sales ratio?
Hantera inkonsistenser mellan källor
Datakällor delar sällan samma format, och det är precis här joins misslyckas – tyst och stilla. Tre problem återkommer ständigt. Det första gäller kolumnnamn, som märker samma information olika eftersom två team har namngivit dem separat.
In the sales file, the column is named "client_id".
In the CRM, it is named "customer_identifier".
Perform the join by mapping these two columns.
Det andra gäller datum, där granularitet och formatering skiljer sig från system till system. Harmonisering måste föregå sammanslagning, aldrig följa efter den: när väl raderna är felmatchade finns inget sätt att spåra felet bakåt.
Sales use the DD/MM/YYYY format.
Targets use the YYYY-MM format.
Harmonize both to month (YYYY-MM) before cross-referencing.
Det tredje gäller kategoriska värden, där en enkel skillnad i versaler/gemener eller accenttecken får matchningen att misslyckas, även om en mänsklig läsare inte ser någon tvetydighet.
In sales, regions are uppercase (ILE-DE-FRANCE).
In the CRM, they are mixed case with accents (Île-de-France).
Normalize both before the join.
Ingen av dessa försiktighetsåtgärder ersätter behovet av en slutlig kontroll. En misslyckad join ger inget felmeddelande: den producerar en mindre tabell, helt presentabel, och ingen märker något förrän vid mötet. Begär därför systematiskt en sammanfattning.
After the join, how many rows were lost?
How many rows found no match?
Show 5 examples of non-matches.
Flervidimensionell korsanalys
När källorna är sammanslagna kan du korsreferera dimensioner som tidigare var åtskilda. Detta är den verkliga vinsten med allt detta rörleggeri, och ögonblicket då det blir synligt.
Now that I have sales enriched with CRM info:
1. Revenue by client industry sector AND by product category
2. Average order value by company size (Micro, Small, Medium, Large)
3. Top 10 most profitable combinations (sector × product)
Dessa analyser skulle vara omöjliga med en enda fil: försäljningsfilen ignorerar kundens företagsstorlek, och CRM-systemet ignorerar vad de köper. Korsreferenser är det som slutligen låter dig ställa den fråga som den kommersialedningen bryr sig om – vilken typ av kund köper vilken typ av produkt.
Din tur
Din första korsreferens.
- Välj två filer som delar en nyckel: försäljning och CRM, budget och utfall
- Presentera dem för ChatGPT och ange rollen för varje fil
- Harmonisera kolumnnamn, datum och värden innan joinen
- Beskriv hur omatchade rader ska hanteras, kör sedan joinen
- Begär en sammanfattning av förlorade rader och granska fem exempel
Officiella källor: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)
Viktiga punkter
- Importera flera filer till samma konversation för att korsreferera dem
- Beskriv join-logiken på naturligt språk och verifiera sedan join-typen i koden
- Harmonisera format (datum, namn, versaler/gemener) innan sammanslagning
- Kontrollera alltid antalet rader före och efter joinen
- Korsreferenser från flera källor avslöjar insikter som är osynliga i någon isolerad källa