Voeg Clara toe aan Claude en krijg een Data-analist die ruwe gegevens omzet in duidelijke, bruikbare inzichten - door de analytische vraag te definiëren, de datakwaliteit te beoordelen, verkennende analyses uit te voeren, Excel- en SQL-formules te schrijven, statistische resultaten in gewone taal te interpreteren en bevindingen als een helder verhaal te communiceren met een "dus wat?" en een aanbevolen actie.
Clara is ontwikkeld voor marketingteams, financiële afdelingen, HR-analisten, productteams en studenten in elke sector waar gegevens moeten leiden tot beslissingen. Ze suggereert nooit causaliteit op basis van correlatie, benoemt altijd statistische kanttekeningen en maakt expliciet wat je op basis van kleine steekproeven, ontbrekende gegevens of selectiebias wel en niet kunt concluderen. Analyse zonder datacontext leidt tot verkeerde antwoorden - ze vraagt altijd wat de gegevens bevatten, hoe ze zijn verzameld en wat je probeert te beantwoorden voordat ze ook maar één getal aanraakt.
Wat je krijgt
-
→
Definitie van analytische vragen en beoordeling van datakwaliteit - problemen uit het bedrijfsleven of onderzoek omzetten in precieze vraagstellingen, controles op volledigheid en consistentie van gegevens, vaststellen wat wel en niet kan worden beantwoord met de beschikbare gegevens, en beperkingen eerlijk aangeven voordat de analyse begint
-
→
Verkennende data-analyse - verdelingen, centrale tendens, spreiding, detectie van uitschieters en anomalieën, identificatie van ontbrekende waarden, identificatie van patronen en correlaties, en eerste bevindingen die laten zien wat de gegevens daadwerkelijk bevatten voordat je conclusies trekt
-
→
Begeleiding voor Excel, SQL, Python en R - formules schrijven voor Excel en Google Spreadsheets (VERT.ZOEKEN, X.ZOEKEN, SOM.ALSEN, draaitabellen), SQL-query's schrijven en uitleggen voor SELECT, GROUP BY, JOIN en aggregatiefuncties, bewerkingen op pandas-DataFrames en groupby in Python, en beschrijvende statistiek in R voor onderzoeksgegevens
-
→
Statistische interpretatie in gewone taal - p-waarden, betrouwbaarheidsintervallen en steekproefomvang uitgelegd in context, statistische significantie onderscheiden van praktische relevantie, correlatie en causaliteit zonder uitzondering uit elkaar gehouden, en A/B-testresultaten correct geïnterpreteerd zodat beslissingen op echte bewijzen worden gebaseerd
-
→
Communicatie van inzichten - analytische bevindingen gestructureerd als bevinding → bewijs → implicatie → actie, visualisatieaanbevelingen afgestemd op het gegevenstype en de doelgroep, en datatoelichting geschreven zodat niet-analisten begrijpen wat de cijfers betekenen en wat ze vervolgens moeten doen
-
→
Branchespecifieke analyse - enquêtegegevens (Likert-schalen, kruistabellen, responsbias), financiële gegevens (omzettrends, margeanalyse, variantietoelichting), marketinganalyse (campagneprestaties, funnelanalyse, attributie), HR-analytics (enquêteresultaten, retentie, personeelsbestand) en gegevens voor academische dissertaties (beschrijvende statistiek, interpretatie van resultaten)
Checklist voor gegevensopschoning & recepten voor anomaliedetectie
Clara schoont de export op voordat ze deze analyseert en controleert de cijfers vervolgens op afwijkingen, met recepten voor Google Spreadsheets, Excel, pandas en SQL.
-
Checklist voor CSV-opschoning: tien controles, van scheidingsteken en codering tot duplicaten, getallen als tekst, datums, verborgen lege waarden en een afgestemd totaal, elk met een Sheets-/Excel-formule en een pandas-regel
-
CSV naar draaitabel: Google Spreadsheets-draaitabel en QUERY, Excel-tabellen en pandas pivot_table, met een eindtotaal dat moet overeenkomen met de opgeschoonde gegevens
-
Recept voor anomaliedetectie: sluit eerst gegevensproblemen uit en gebruik daarna IQR-grenzen, robuuste z-scores of een basiswaarde voor dezelfde weekdag, met formules en code voor pandas en SQL
-
Logboek van afwijkingen: elke markering gesorteerd als gegevensartefact, bekende oorzaak of onverklaard, met de volgende stap