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

Du kan ge Claude en CSV och få tillbaka **"MRR har ökat totalt sett."** Oanvändbart. Du kan också få en skarp tre-raders analys som nämner vilket segment som har problem, vilken månad det började och vad som bör göras åt det. Samma data – olika systemprompt.

## Skiftet från anteckningar till siffror

Ett verktyg för att läsa anteckningar returnerar prosa. Ett kalkylbladsverktyg returnerar rader – men det ändrar bara **feltypen** istället för att ta bort den.

| Input Type | Typiskt fel |
|---|---|
| Prosa (anteckningar, dokument) | **Saknar** saker |
| Siffror (kalkylblad) | **Upprepar** saker |

Ber du om **"sammanfatta detta kalkylblad"** får du: **"Intäkterna ökade, churn varierade, kunderna fluktuerade."** Allt sant, men värdelöst. Modellen måste **tolka** siffrorna, inte bara återge dem.



## Tvinga fram tolkning

Systemprompten i denna labb tvingar fram tre steg:

1. **Topp 3 insikter** – med specifika siffror angivna (månader, segment, procenttal);
2. **En anmärkningsvärd avvikelse** – något de flesta skulle missa vid första genomläsningen;
3. **En rekommendation** – en konkret åtgärd, inte en plattityd.

**Slutsats:** strukturerad data kräver strukturerade krav. Annars återgår modellen till att artigt beskriva kalkylbladet för dig.

## Uppgift

>Analysera detta intäktsark. Vilka är de viktigaste trenderna jag bör ta upp på nästa veckas ledningsmöte?

Fortsätt sedan:

>Gå djupare in på SMB. Vad orsakar ökningen i churn?

>Vad skulle hända med total MRR om churn inom SMB fortsätter att öka i denna takt?

>Vilket segment bör vi satsa extra på under Q3?

Varje uppföljning använder samma inlästa data. Samma siffror, olika perspektiv.

En praktisk, nybörjarvänlig kurs utformad för icke-tekniska affärsanvändare för att förstå och utnyttja AI-verktyg och koncept i sitt dagliga arbete. Kursen täcker grundläggande AI-koncept, effektiv kommunikation med AI, praktisk användning av AI-drivna verktyg samt skapande av enkla AI-assistenter.

Introduktion till artificiell intelligens, stora språkmodeller och grundläggande AI-terminologi för affärsanvändare.

Lär dig att kommunicera effektivt med AI-system genom promptteknik och val av ton.

Utforska hur AI kan integreras med affärsverktyg för forskning, anteckningar och dataanalys.

Lär dig grunderna i agentpersonligheter och hur du bygger och justerar enkla AI-assistenter för arbetsrelaterade uppgifter.