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

Je kunt een CSV aan Claude geven en terugkrijgen **"MRR is in het algemeen gestegen."** Nietszeggend. Je kunt ook een scherpe analyse van drie regels krijgen die het probleemsegment benoemt, de maand waarin het begon en wat eraan te doen is. Dezelfde data – ander systeem prompt.

## De verschuiving van notities naar cijfers

Een notitie-leestool levert proza op. Een spreadsheet-tool levert rijen – maar dat verandert alleen de **faalmodus** in plaats van deze te verwijderen.

| Invoertype | Typische fout |
|---|---|
| Proza (notities, documenten) | **Missende** zaken |
| Cijfers (spreadsheets) | **Herhalen** van zaken |

Vraag **"vat deze spreadsheet samen"** en je krijgt: **"Omzet groeide, verloop varieerde, klanten fluctueerden."** Allemaal waar, allemaal waardeloos. Het model moet de cijfers **interpreteren**, niet herhalen.



## Interpretatie afdwingen

De systeem prompt in dit lab dwingt drie stappen af:

1. **Top 3 bevindingen** – met specifieke genoemde cijfers (maanden, segmenten, percentages);
2. **Eén opvallende afwijking** – iets wat de meeste mensen bij een eerste lezing zouden missen;
3. **Eén aanbeveling** – een concrete actie, geen algemeenheid.

**Conclusie:** gestructureerde data vraagt om gestructureerde eisen. Anders beschrijft het model de spreadsheet alleen maar beleefd terug aan je.

## Taak

>Analyseer deze omzetspreadsheet. Wat zijn de belangrijkste trends die ik moet meenemen naar de leiderschapsvergadering van volgende week?

Vervolgens verdergaan:

>Zoom in op SMB. Wat veroorzaakt de stijging in churn?

>Wat gebeurt er met de totale MRR als de churn bij SMB in dit tempo blijft stijgen?

>Op welk segment moeten we ons in Q3 extra richten?

Elke vervolgvraag gebruikt dezelfde geladen data. Dezelfde cijfers, een ander perspectief.

Een praktijkgerichte, beginnersvriendelijke cursus ontworpen voor niet-technische zakelijke gebruikers om AI-tools en -concepten te begrijpen en toe te passen in hun dagelijkse werkzaamheden. De cursus behandelt fundamentele AI-concepten, effectieve communicatie met AI, praktisch gebruik van AI-gestuurde tools en het bouwen van eenvoudige AI-assistenten.

Inleiding tot kunstmatige intelligentie, grote taalmodellen en essentiële AI-terminologie voor zakelijke gebruikers.

Leer hoe u effectief kunt communiceren met AI-systemen door middel van prompt engineering en het kiezen van de juiste toon.

Ontdek hoe AI kan worden geïntegreerd met zakelijke tools voor onderzoek, notities en data-analyse.

Leer de basisprincipes van agent-persona's en hoe eenvoudige AI-assistenten voor werk te bouwen en af te stemmen.