Hier is een krachtige prompt template die AI in staat stelt om relevante kennis en inzichten te extraheren uit zowel gestructureerde als ongestructureerde data over het onderwerp "Klanttevredenheid over serviceverlening": --- **Prompt Template:** ``` Je bent een data-analist die gespecialiseerd is in het analyseren van klanttevredenheid over serviceverlening. Je hebt toegang tot twee soorten data: 1. Gestructureerde data: Een Excel-tabel met klantfeedbackscores, inclusief kolommen zoals 'KlantID', 'Score', 'Datum' en 'FeedbackType'. 2. Ongestructureerde data: Tekstbestanden met klantreacties, waarin klanten hun ervaringen, klachten en complimenten beschrijven. Jouw taak is om uit beide datasets de belangrijkste inzichten te halen en een rapport te genereren met: - Hoofdpunten van de bevindingen - Kritische patronen of trends - Aanbevelingen voor verbeteringen Gebruik de volgende data en context: [Hier wordt de data of een korte beschrijving van de data ingevoerd] **Output vereisten:** - Een overzichtelijk rapport in tekst - Samenvatting van de belangrijkste bevindingen - Concrete aanbevelingen gebaseerd op de data Zorg dat je de informatie combineert, patronen identificeert en relevante inzichten presenteert die kunnen helpen bij het verbeteren van de klanttevredenheid over de serviceverlening. ``` --- **Voorbeeldprompt die deze template gebruikt:** ``` Je bent een data-analist die gespecialiseerd is in het analyseren van klanttevredenheid over serviceverlening. Je hebt toegang tot de volgende data: 1. Excel-tabel met klantfeedbackscores: | KlantID | Score | Datum | FeedbackType | |---------|--------|------------|------------------| | 001 | 4 | 2024-10-01 | Service snelheid | | 002 | 2 | 2024-10-02 | Klachten | | 003 | 5 | 2024-10-03 | Algemene tevredenheid | 2. Tekstbestanden met klantreacties: - "De medewerker was erg vriendelijk, maar de wachttijd was te lang." - "Ik ben zeer tevreden over de snelle service." - "De oplossing was niet naar verwachting, ik ben teleurgesteld." Jouw taak is om uit beide datasets de belangrijkste inzichten te halen en een rapport te genereren met: - Hoofdpunten van de bevindingen - Patronen zoals veelvoorkomende klachten of complimenten - Aanbevelingen voor verbetering van de service Gebruik deze data en context om een overzichtelijk rapport te creëren dat helpt bij het verbeteren van klanttevredenheid. ``` **Waarom deze aanpak effectief is:** - **Integratie van diverse data types:** Door zowel gestructureerde als ongestructureerde data te combineren, krijgt de analyse een vollediger beeld van klanttevredenheid. - **Duidelijke output structuur:** Het rapport met hoofdpunten en aanbevelingen zorgt dat de inzichten praktisch toepasbaar zijn. - **Flexibiliteit:** De template kan worden aangepast aan verschillende datasets of specifieke vragen, waardoor het breed inzetbaar is. - **Focus op kerninzichten:** Door expliciet te vragen om patronen en trends, wordt de analyse gericht en waardevol. Deze aanpak zorgt ervoor dat AI effectief de relevante kennis uit verschillende databronnen kan samenvoegen en vertalen naar bruikbare rapportages.

Zeker, hier is een krachtige prompt template voor gecombineerde data-analyse van klanttevredenheid: **Prompt Template:** ``` Analyseer zowel de gestructureerde data van [TYPE_GESTRUCTUREERDE_DATA] als de ongestructureerde data van [TYPE_ONGESTRUCTUREERDE_DATA] op het gebied van klanttevredenheid over serviceverlening. Voer de volgende stappen uit: 1. Kwantitatieve analyse: Verwerk de gestructureerde data om trends, gemiddelden en afwijkingen in klantbeoordelingen te identificeren 2. Kwalitatieve analyse: Voer sentimentanalyse en thematische analyse uit op de ongestructureerde data om onderliggende patronen, pijnpunten en succesfactoren te detecteren 3. Geïntegreerde analyse: Correlleer de kwantitatieve bevindingen met kwalitatieve inzichten om holistische conclusies te vormen 4. Genereer een uitgebreid rapport in [GEWENST_OUTPUT_FORMAT] met: - Samenvatting van belangrijkste bevindingen - Gedetailleerde analyse per serviceaspect - Prioritaire aanbevelingen voor verbetering - Visuele ondersteuning waar relevant ``` **Voorbeeldprompt:** ``` Analyseer zowel de gestructureerde data van een Excel-tabel met klantfeedbackscores (bevat kolommen: klantID, servicetype, beoordeling 1-10, responsdatum) als de ongestructureerde data van tekstbestanden met klantreacties (bevat open feedback over service-ervaringen) op het gebied van klanttevredenheid over serviceverlening. Voer de volgende stappen uit: 1. Kwantitatieve analyse: Bereken gemiddelde scores per servicetype, identificeer trends over tijd en signaleer significante afwijkingen 2. Kwalitatieve analyse: Voer sentimentanalyse en thematische codering uit om veelvoorkomende klachten, complimenten en suggesties te categoriseren 3. Geïntegreerde analyse: Leg verbanden tussen lage scores en specifieke klachten uit de tekstdata, en identificeer wat goed scorende aspecten gemeen hebben 4. Genereer een uitgebreid rapport in de vorm van een rapport met hoofdpunten en aanbevelingen met: - Executive summary van de algemene tevredenheid - Gedetailleerde breakdown per servicekanaal (telefonisch, email, live chat) - Top 3 aanbevelingen voor directe verbeteringen - Lange-termijn strategische suggesties - Grafieken ter illustratie van scoreverdelingen ``` **Waarom deze aanpak effectief is:** 1. **Combinatie van methoden:** De template integreert zowel kwantitatieve (cijfers, scores) als kwalitatieve (tekst, sentiment) analyse, wat een completer beeld geeft dan elk afzonderlijk 2. **Cross-validatie:** Bevindingen uit gestructureerde data kunnen worden gevalideerd met ongestructureerde data (bijv. lage scores + negatieve comments = sterker bewijs voor probleem) 3. **Contextuele diepgang:** Cijfers alleen zeggen niet waaróm iets goed/slecht scoort - de tekstanalyse voegt cruciale context toe 4. **Actionable insights:** De gecombineerde aanpak leidt tot beter onderbouwde en specifiekere aanbevelingen omdat zowel de "wat" als de "waarom" worden meegenomen 5. **Efficiëntie:** Eén geïntegreerde analyse bespaart tijd ten opzichte van aparte analyses en handmatige correlatie Deze gestructureerde aanpak zorgt voor een systematische extractie van kennis uit beide datatypes, waarbij de sterke punten van elk type worden benut voor een comprehensive klanttevredenheidsanalyse.