Skriv AI-prompts för dataanalys och klassificering

För att skriva en AI-prompt för dataanalys eller klassificering behöver du definiera beslutet, ange tydliga kriterier, separera datakällorna och specificera output-kolumnerna. Lägg även till en regel för saknad eller motsägelsefull information, så att modellen kan svara Okänt i stället för att gissa.

I den här guiden använder jag ett exempel med företagsklassificering: utifrån en företagsbeskrivning och skrapad text från webbplatsen ska modellen avgöra om företaget säljer HR-tjänster till andra företag och ge en kort motivering. Då får du både ett resultat som går att filtrera och en motivering som kan kontrolleras mot underlaget.

Om du behöver företagsbeskrivningar att testa med innehåller den historiska CSV-filen French Tech Next40/120 företagsnamn, webbplatser och beskrivningar. Mappa kolumnen Description till {{company_about}} och lämna {{Website Texts}} tom om du inte hämtar webbplatstexten separat.

En tydligare prompt gör resultaten enklare att granska. Testa både saknade belägg och felaktiga klassificeringar. Börja med representativa rader innan du kör prompten på hela datasetet.

Det här går vi igenom i guiden:

1. Vad är en prompt?
2. Exempel på prompts
3. Vem guiden är till för
4. Varför bra prompts spelar roll
5. Så ser en dålig prompt ut
6. Promptens delar och implementering steg för steg

Vad är en prompt?

Det enkla svaret: En prompt är den input du ger en AI för att få en viss output.

Bli inte förvirrad om du har läst andra artiklar med långa utläggningar om vad en prompt är. I praktiken är en prompt inte svår att definiera.

Det svåra är att skriva en bra prompt. Innan jag visar hur du gör får du tre exempel.

Vem guiden är till för

Att skriva effektiva prompts är en utmaning som de flesta stöter på någon gång i arbetslivet.

Därför riktar sig guiden inte till en viss bransch eller yrkesroll, utan till alla som arbetar med data och automation. Vi fokuserar särskilt på prompts som hjälper dig att redigera, analysera och rensa stora dataset effektivt, oavsett om du är student eller erfaren yrkesperson.

I exemplen används Datablist för att köra en prompt på rader i ett kalkylblad och skriva resultaten till separata properties.

Varför bra prompts spelar roll

En modell behöver samma beslutsregler som en kollega skulle behöva för att klassificera en rad. Tydliga instruktioner minskar tvetydigheten, men ofullständig input och modellfel gör fortfarande en granskningsfas nödvändig.

Så ser en dålig prompt ut

Därför är prompten dålig:

• Instruktionerna saknar struktur: Kraven ligger utspridda i texten utan tydlig ordning.
• Tydliga avsnitt och avgränsare saknas: AI:n måste tolka ett helt textblock utan logiska avbrott.
• Inputen saknar etiketter: Företagsbeskrivningen och webbplatstexten har inga tydliga gränser, vilket gör deras roller svårare att skilja åt.
• Informellt språk: Uttryck som ”grejer” och ”förresten” skapar tvetydighet.

Så tolkar AI:n prompten

Här visas ett exempel där radens värden har infogats direkt. Datablist kan skriva om inline-variabler till ett separat Variables-avsnitt, men etiketter gör det fortfarande lättare att identifiera varje källa.

När input-värden blandas in i en informell instruktion blir det svårare att se var uppgiften slutar och underlaget börjar.

Det här går fel i exemplet:

1. Otydliga gränser för input: De två källorna flyter ihop med instruktionerna runt omkring.
2. Odefinierade etiketter: Prompten anger inte vad modellen ska svara när underlag saknas eller företaget har flera verksamhetsområden.

👉 Med det sagt går vi nu igenom hur en bra prompt ser ut och hur du skapar en!

3 exempel på prompts

En prompt med ett kommando

I sin enklaste form kan en prompt vara ett kommando:

En prompt med en fråga

En prompt kan vara en enkel fråga:

Strukturerad klassificeringsprompt med taggad input

En prompt kan också bestå av mer detaljerade instruktioner för att redigera, analysera eller rensa data – exempelvis för att personalisera Cold Emails, analysera kundfeedback eller rensa företagsnamn.

Jag använder namngivna avsnitt för att separera regler, krav på output och input-data. XML-liknande taggar är ett alternativ, särskilt när en prompt kombinerar flera dokument. Anthropics guide till prompting rekommenderar beskrivande taggar för den här uppdelningen. För kortare prompts kan vanliga avsnittsrubriker vara lika enkla att granska.

Här är en kopierbar klassificeringsprompt med en uttrycklig tredje etikett för fall där underlag saknas:

Exempelvis stöder ”Vi erbjuder programvara för lönehantering till arbetsgivare” svaret Ja. ”Vi utvecklar bokföringsprogram och rekryterar ingenjörer” stöder Nej. En tom beskrivning stöder Okänt, även om företagsnamnet låter HR-relaterat. Det här är illustrativa förväntade etiketter, inte uppmätta modellresultat.

Promptens delar och implementering steg för steg

Skärmbilderna nedan visar den tidigare mallstrukturen. Använd samma uppdelning mellan uppgift, kriterier och data i den uppdaterade klassificeringsprompten ovan, inklusive dess output-fält och regel för Okänt.

Så är en bra prompt uppbyggd

När du tittar på några av våra AI-promptmallar i Datablist.coms bibliotek med AI-prompts ser du att nästan alla mallar består av avsnitt där varje avsnitt har tre komponenter:

1. Tagg: Visar AI:n vad avsnittet handlar om.

2. Brödtext: Innehåller instruktioner som hjälper AI:n att förstå och utföra uppgiften genom:

   • Förklaring: Berättar vad AI:n behöver veta eller ger relevant kontext.
   • Kommando: Anger vad AI:n ska göra eller ger den en uppgift.

3. Avgränsningar: Rubriker, avskiljare eller matchande taggar visar var varje avsnitt börjar och slutar. Använd samma etiketter konsekvent. En avgränsare kan inte kompensera för beslutsregler som saknas.

I slutet finns även placeholder-properties:

• Kolumner som ersätts med data när prompten används.
• Dessa placeholders används för att anpassa prompten till varje post i ett dataset.

I vår prompt Job Title Categorizer använder vi exempelvis {{job_title}} som en placeholder. Den ersätts med en faktisk jobbtitel från datasetet när varje post behandlas.

Min prompt: genomgång och implementering

Obs! HR-företag ingår inte i vår ICP (”Ideal Customer Profile”) – vi använder dem bara som exempel.

Steg 1: Kontext

När jag gav AI:n kontext gjorde jag tre viktiga saker:

• Beskrev vilken data AI:n skulle få utan att avslöja de specifika urvalskriterierna.
  • Det förklarar input-källorna före klassificeringsreglerna.
• Förklarade sammanhanget kring datan och beskrev det konkreta problemet.
  • Det hjälper AI:n att förstå vad den arbetar med.
• Beskrev min specifika situation.
  • Då kan AI:n anpassa sitt tillvägagångssätt efter mina behov.

Det här ska du göra när du skriver prompten:

• Berätta för AI:n vilken data du tänker ge den.
• Beskriv problemet.
• Använd avgränsare (===).

Steg 2: Uppgift eller kommando

I det här avsnittet gjorde jag två avgörande saker:

• Ramade återigen in uppgiften med taggen ”Det här vill jag att du gör”, så att AI:n vet vad nästa del handlar om.
• Gav en övergripande beskrivning av uppgiften utan att ta upp arbetsstegen eller vilken data den skulle leta efter, så att informationsflödet förblev logiskt.

Det här ska du göra när du skriver prompten:

• Börja med att identifiera uppgiftens eller kommandots huvudsyfte.
• Använd sedan avgränsare (===).

Om du har flera liknande uppgifter ska du inte försöka lösa alla med en enda prompt. Det blir svårt både för AI:n att hantera dem och för dig att upptäcka eventuella fel.

Steg 3: Instruktioner för kommandot

När jag lägger till instruktioner i en prompt gör jag så här:

• Håller dem enkla och raka.
• Förklarar uppgiften som om jag lärde någon att utföra den manuellt.
• Fokuserar på tydliga instruktioner steg för steg.

Om resultaten blir fel bör du kontrollera input-texten, beslutskriterierna och kraven på output innan du skriver om prompten. Vissa fel beror på saknade belägg eller modellens begränsningar. Fler instruktioner kan inte tillföra fakta som saknas.

Det här ska du göra när du skriver prompten:

• Skapa enkla steg-för-steg-instruktioner med ett tydligt språk.
• Använd avgränsare (===).

Steg 4: Förebygg misstag med extra kontext – valfritt

Det här steget ger ytterligare uppgiftsspecifik kontext som hjälper AI:n att:

• Förstå uppgiftens nyanser.
• Undvika vanliga fallgropar.
• Fatta bättre beslut.

Genom att uttryckligen beskriva möjliga problem och specialfall skapar vi skyddsräcken som hindrar AI:n från att göra antaganden eller misstag.

Steget behövs inte i varje prompt, men är avgörande för komplexa uppgifter.

Det här ska du göra när du skriver prompten:

• Fundera på vilka vanliga misstag en junior medarbetare skulle kunna göra i den här typen av uppgift.
• Ta med misstagen i prompten för att hjälpa AI:n att undvika dem.
• Använd avgränsare (===).

Steg 5: Målet – vad du letar efter

Det här är det viktigaste att ta med när du beskriver dina förväntningar i en prompt:

• Ge detaljerad kontext om det önskade resultatet.
• Var konkret om de förväntade resultaten.
• Undvik att avslöja förutfattade meningar eller önskade slutsatser som kan påverka analysen.

Ett naturligt samtalsspråk i stället för teknisk jargong ger vanligtvis bättre resultat från AI-system.

Det här ska du göra när du skriver prompten:

• Definiera vilka tydliga resultat du vill få från analysen eller uppgiften.
• Ange konkret vilka indikatorer eller signaler som är viktigast.
• Ge exempel.
• Använd avgränsare (===).

Steg 6: Datakontext – valfritt

När jag lägger till datakontext i mina prompts följer jag dessa regler:

• Förstärker skyddet mot misstag med tydliga regler och anger en anledning.
  • Exempel på regel: ”Utvärdera alltid hela sammanhanget.”
  • Anledning: ”Enskilda indikatorer kan vara missvisande.”
• Lägger till flera lager av kontext.
  • Potentiella misstag att undvika.
  • Dataspecifika problem.
  • Uppgiftsspecifika påminnelser.

Det här ska du göra när du skriver prompten:

• Fundera på vilka misstag AI:n kan göra och instruera den uttryckligen att undvika just dessa fel.
• Dela upp informationen i logiska delar i stället för att ge allt på en gång.
• Använd avgränsare (===).

📘 Snabbfakta

Genom att vara tydlig i stället för att låta AI:n göra antaganden om prompten kan du förebygga många misstag.

Steg 7: Så ska AI:n börja

Det här steget innebär att ge AI:n tydliga instruktioner om hur den ska börja. Så här gjorde jag:

• Höll det enkelt och rakt.
  • Numrerade stegen i kronologisk ordning.
  • Använde tydliga handlingsord som ”läs, skapa, avgör …”.

Det här ska du göra när du skriver prompten:

• Ge tydliga startinstruktioner med numrerade steg.
• Använd aktiva verb så att stegen blir enkla att följa.
• Håll instruktionerna enkla och raka.
• Använd avgränsare (===).

Steg 8: Placeholder-format – alltid sist

Det här är det sista steget när du skriver en effektiv prompt: infoga kolumner som placeholders.

Samla de fasta instruktionerna för uppgiften och placera sedan den radspecifika inputen i namngivna avsnitt sist i mallen. Då blir prompten lättare att underhålla och granska. Enbart ordningen på inputen garanterar inte korrekta resultat.

Det här ska du göra:

Använd dubbla klammerparenteser {{ }} för att lägga till data från kolumnerna i ditt kalkylblad.

Använd avgränsare (===).

❗Viktigt

Välj faktiska collection properties när du infogar variabler. Placera värdena i namngivna input-avsnitt och granska den genererade outputen innan du bearbetar hela listan.

Reglerna tillämpade på ett annat exempel

Följande M&A-scenario visar hur du kan strukturera en mer komplex begäran. Det kräver exakta kriterier innan det kan användas för att poängsätta företag.

Exempel på en begäran:

Nu börjar vi skriva prompten!

Steg 1

I det här steget ger vi AI:n en övergripande kontext.

Steg 2

Nu beskriver vi tydligt huvudmålen för vår AI-assistent.

Steg 3

Här delar vi upp de konkreta steg som AI:n ska följa i sin analys.

Steg 4

För att öka precisionen förklarar vi nu möjliga fallgropar och viktiga överväganden.

Steg 5

Nu definierar vi hur ett lyckat resultat ser ut genom att fastställa tydliga bedömningskriterier.

Steg 6

Nu ger vi kontext om hur datan ska tolkas och vilka branschspecifika faktorer som är relevanta.

Steg 7

Nu ger vi AI:n den exakta ordningsföljden för analysens första moment.

Steg 8

Till sist ger vi AI:n datan som den ska arbeta med.

Anpassa kriterierna och output-fälten efter din uppgift. M&A-exemplet behöver fortfarande tydliga poängtrösklar och mänsklig granskning. En allmän begäran om att bedöma finansiell hälsa är inte en definierad poängmodell.

Testa prompten innan du bearbetar din CSV

I HR-exemplet aktiverar du Define outputs format och konfigurerar HR Match och Motivering som output av typen Text i Datablists Ask ChatGPT/OpenAI enrichment. Mappa varje output till en egen property. En Checkbox skulle ta bort skillnaden mellan Nej och Okänt.

Börja med ett litet urval som innehåller en HR-leverantör, ett företag i en annan bransch som nämner rekrytering, en tom beskrivning, ett företag med flera verksamhetsområden och motstridiga källtexter. Skriv den förväntade etiketten för varje rad innan du kör prompten. Jämför sedan både den returnerade etiketten och motiveringen med originaltexten.

När ett resultat avviker ska du identifiera orsaken:

• Ett källvärde som saknas kräver bättre input-data eller resultatet Okänt.
• En tvetydig verksamhetsbeskrivning kräver en mer specifik regel för vad som ska inkluderas eller exkluderas.
• En motivering som saknar stöd i inputen kräver en korrigering och ett nytt test.
• En oväntad etikett kräver tydligare output-regler eller en justerad output-konfiguration.

Testa samma fall igen när du har ändrat prompten. Spara några ytterligare rader till en separat kontroll, så att du inte enbart optimerar efter exemplen du redan har granskat. Om alla variabler är tomma kan raden hoppas över med ett fel i stället för att skickas till modellen. Kontrollera därför körningsfelen såväl som klassificeringens output.

Följ arbetsflödet för CSV row enrichment när du vill köra den kontrollerade prompten på en större fil. Behåll de ursprungliga input-properties så att resultatet kan granskas i efterhand.

Slutsats

Börja med ett enda beslut, tydliga kriterier och separata output-fält. Ge källtexterna tydliga etiketter, tillåt ett resultat när underlag saknas och testa prompten på både vanliga och svåra rader innan du bearbetar hela din collection.

Vanliga frågor om att skriva AI-prompts

Vad är en bra AI-prompt?

En bra AI-prompt är tydlig, specifik och välstrukturerad. Den innehåller kontext om vad du vill uppnå, konkreta instruktioner för hur uppgiften ska utföras och önskat format för outputen. Prompten bör vara skriven med ett enkelt språk och undvika tvetydigheter som kan leda till missförstånd.

Se våra exempel på AI-prompts för lead generation.

Varför fungerar inte mina ChatGPT-prompts?

AI-prompts kan fungera dåligt på grund av:

• Otydliga eller vaga instruktioner.
• För många uppgifter i en och samma prompt.
• Saknad kontext eller bakgrundsinformation.
• Komplicerat eller tekniskt språk.
• Avsaknad av konkreta exempel eller önskat output-format.

Hur skriver jag AI-prompts som ger bättre resultat?

Så skriver du effektiva AI-prompts:

• Börja med ett tydligt mål.
• Dela upp komplexa uppgifter i mindre steg.
• Ge relevant kontext och bakgrund.
• Ange önskat output-format.
• Använd ett enkelt och direkt språk.
• Lägg till exempel när det är möjligt.

Vilka är de vanligaste misstagen när man skriver prompts?

Vanliga misstag när man skriver prompts är att:

• Vara för vag eller generell.
• Överbelasta prompten med flera uppgifter.
• Inte ge tillräckligt med kontext.
• Använda otydliga eller tvetydiga formuleringar.
• Utgå från att AI:n förstår underförstådd information.
• Inte ange önskat output-format.

Hur lång bör en AI-prompt vara?

En AI-prompt bör vara så lång som krävs för att förmedla all nödvändig information, men inte längre. För enkla uppgifter räcker en effektiv prompt ofta med några meningar eller ett stycke. Komplexa uppgifter som kräver detaljerade instruktioner och mer kontext kan behöva en längre prompt. Nyckeln är att vara heltäckande men koncis.

Vad är prompt engineering?

Prompt engineering handlar om att utforma och optimera input till AI-modeller för att få så korrekta och användbara resultat som möjligt. Det innebär att förstå hur AI-modeller tolkar instruktioner, strukturera prompts effektivt och förbättra dem stegvis utifrån resultaten.