File: 'Q1-2026-revenue-by-segment.csv'\nRows: 18 · Columns: month, segment, mrr, customer_count, churn_rate\n\nFull data:\n2025-11, SMB, $42,300, 312, 4.1%\n2025-11, Mid-Market, $128,500, 87, 2.2%\n2025-11, Enterprise, $89,000, 12, 1.0%\n2025-12, SMB, $40,800, 298, 4.8%\n2025-12, Mid-Market, $134,200, 91, 2.0%\n2025-12, Enterprise, $94,500, 13, 0.8%\n2026-01, SMB, $38,100, 281, 5.4%\n2026-01, Mid-Market, $141,800, 95, 1.9%\n2026-01, Enterprise, $98,200, 14, 0.7%\n2026-02, SMB, $35,200, 263, 6.1%\n2026-02, Mid-Market, $148,900, 99, 1.7%\n2026-02, Enterprise, $108,000, 16, 0.5%\n2026-03, SMB, $33,400, 245, 6.8%\n2026-03, Mid-Market, $156,200, 104, 1.5%\n2026-03, Enterprise, $115,500, 18, 0.4%\n2026-04, SMB, $31,200, 228, 7.2%\n2026-04, Mid-Market, $164,400, 109, 1.4%\n2026-04, Enterprise, $122,800, 20, 0.3%\n\nAuto-detected: SMB MRR is declining month-over-month while Mid-Market and Enterprise are growing. Total MRR is growing despite SMB decline. SMB churn rate has nearly doubled over the period.

Summary  
This chapter covers prompt chaining and contextual prompting for analyzing structured data, showing how to load a dataset once and reuse it with different analytical questions.

General domain of usage  
Data analysis

Voit syöttää CSV-tiedoston Claudelle ja saada vastaukseksi **"MRR on kokonaisuudessaan nousussa."** Hyödytöntä. Voit myös saada terävän kolmen rivin analyysin, jossa mainitaan ongelmallinen segmentti, kuukausi jolloin ongelma alkoi, ja ehdotus toimenpiteistä. Sama data – eri järjestelmäkehotus.

## Siirtyminen muistiinpanoista numeroihin

Muistiinpanoja lukeva työkalu palauttaa proosaa. Taulukkolaskentatyökalu palauttaa rivejä – mutta tämä muuttaa vain **epäonnistumisen muodon**, ei poista sitä.

| Syötteen tyyppi | Tyypillinen epäonnistuminen |
|---|---|
| Proosa (muistiinpanot, dokumentit) | **Puuttuvat** asiat |
| Numerot (taulukot) | **Toistavat** asiat |

Jos pyydät **"tiivistä tämä taulukko"**, saat: **"Liikevaihto kasvoi, vaihtuvuus vaihteli, asiakasmäärät vaihtelivat."** Kaikki totta, kaikki arvotonta. Mallin täytyy **tulkita** numerot, ei vain toistaa niitä.



## Tulkinnan pakottaminen

Tämän laboratorion järjestelmäkehotus pakottaa kolme vaihetta:

1. **Kolme tärkeintä havaintoa** – tarkkojen lukujen kanssa (kuukaudet, segmentit, prosentit);
2. **Yksi merkittävä poikkeama** – asia, jonka useimmat ohittaisivat ensilukemalla;
3. **Yksi suositus** – konkreettinen toimenpide, ei yleisluontoinen fraasi.

**Yhteenveto:** rakenteinen data vaatii rakenteisia vaatimuksia. Muuten malli tyytyy kohteliaasti kuvailemaan taulukkoa takaisin sinulle.

## Tehtävä

>Analysoi tämä tulotaulukko. Mitkä ovat tärkeimmät trendit, jotka tulisi tuoda esiin ensi viikon johtoryhmän kokouksessa?

Seuraavaksi:

>Tarkastele SMB-segmenttiä tarkemmin. Mikä aiheuttaa churnin kasvun?

>Mitä tapahtuisi kokonais-MRR:lle, jos SMB-churn jatkaa kasvuaan tällä vauhdilla?

>Mihin segmenttiin meidän tulisi panostaa Q3:lla?

Jokainen jatkokysymys käyttää samaa ladattua dataa. Samat luvut, eri näkökulma.

Käytännönläheinen, aloittelijaystävällinen kurssi, joka on suunniteltu ei-teknisille liiketoiminnan käyttäjille tekoälytyökalujen ja -käsitteiden ymmärtämiseen ja hyödyntämiseen päivittäisessä työssä. Kurssi kattaa tekoälyn perusteet, tehokkaan viestinnän tekoälyn kanssa, tekoälypohjaisten työkalujen käytännön soveltamisen sekä yksinkertaisten tekoälyavustajien rakentamisen.

Johdatus tekoälyyn, suuriin kielimalleihin ja keskeiseen tekoälysanastoon liiketoiminnan käyttäjille.

Opi kommunikoimaan tehokkaasti tekoälyjärjestelmien kanssa hyödyntämällä kehotteiden suunnittelua ja sävyn valintaa.

Tutustu siihen, miten tekoälyä voidaan integroida liiketoimintatyökaluihin tutkimusta, muistiinpanojen tekemistä ja data-analyysiä varten.

Opi agenttipersoonien perusteet sekä kuinka rakentaa ja säätää yksinkertaisia tekoälyavustajia työtehtäviin.