Att slå ihop CSV-filer låter enkelt tills du gör det med verkliga filer. Rubriker matchar inte, datatyper ändras i tysthet, rader försvinner och ingen kan förklara varför förra månadens ”samma rapport” nu har andra totalsummor.
Den här consolidate messy CSV-prompten är byggd för opsanalytiker som ärver mappar med ”final_v7.csv” från tre team, datakonsulter som behöver ett repeterbart och kundsäkert integrationsflöde och RevOps-chefer som stämmer av exporter från CRM-, fakturerings- och supportverktyg. Resultatet är ett komplett, körbart konsolideringsflöde (med kod), plus en granskningsbar sammanfattning av sammanslagningen, avvikelsekontroller på radnivå och datakvalitetsfynd som du kan dela internt.
Vad gör den här AI-prompten och när ska du använda den?
| Vad den här prompten gör | När du ska använda den här prompten | Vad du får |
|---|---|---|
|
|
|
Hela AI-prompten: granskningsbart arbetsflöde för konsolidering av stökiga CSV-filer
Fyll i fälten nedan för att anpassa prompten efter dina behov.
| Variabel | Vad du ska ange | Anpassa prompten |
|---|---|---|
[KLISTRA_IN_CSV_INNEHALL_ELLER_BESKRIV_FILPLATSER] |
Ange innehållet i CSV-filerna direkt eller specificera deras filsökvägar. Säkerställ att alla källor är åtkomliga och tydligt identifierade. Till exempel: "Filsökvägar: '/data/source1.csv', '/data/source2.csv'. Alternativt, klistra in CSV-innehåll: 'header1,header2\ndata1,data2\ndata3,data4'."
|
|
[NYCKELKOLUMNER_FOR_MATCHNING] |
Lista kolumnnamnen som ska användas för att matcha och slå samman data mellan CSV-filerna. Dessa kolumner måste ha samma innebörd och format i samtliga filer. Till exempel: "['customer_id', 'order_date']"
|
|
[PREFERENS_FOR_HANTERING_AV_DUBBLETTER] |
Ange hur dubblettrader eller dubblettvärden ska hanteras vid sammanslagningen. Alternativ kan vara "ta bort dubbletter", "behåll alla" eller "flagga dubbletter". Till exempel: ""flagga dubbletter och lägg till en kolumn som visar dubblettstatus""
|
|
[FORMAT] |
Ange önskat format för den konsoliderade datamängden. Vanliga val är "CSV", "JSON" eller "Excel". Till exempel: ""CSV""
|
|
[KONTEXT] |
Ge ytterligare kontext om dataintegrationsprojektet, till exempel mål, begränsningar eller specifika utmaningar som ska hanteras. Till exempel: "Målet är att konsolidera försäljningsdata från flera regioner för att analysera trender. Filer kan ha inkonsekventa rubriker och saknade värden."
|
Proffstips för bättre resultat med AI-prompten
- Börja med att lista dina ”sanningsfält” och felbilder. Innan du kör något, skriv ner kolumnerna du inte har råd att korrumpera (till exempel: customer_id, invoice_id, created_at, amount). Berätta sedan för modellen hur ”dåligt” ser ut: ”Om antal rader ändras med mer än 1 %, stoppa och förklara varför.”
- Ge 2–3 exempelrader per fil. Klistra in ett litet utdrag (inklusive rubriker) från varje CSV så att den kan upptäcka formateringsdrift tidigt, som ”$1,200.00” vs ”1200” eller ”01/02/2025” vs ”2025-02-01”. Följ upp med: ”Baserat på dessa exempel, föreslå säkra importinställningar och förklara vad du inte kommer att gissa.”
- Kräv explicita nycklar, även om du tycker att de är uppenbara. Om mergen bygger på en nyckel, namnge den och definiera förväntad unikhet: ”Primärnyckeln är (account_id, month). Den måste vara unik per fil.” Om du är osäker, fråga: ”Identifiera kandidatnycklar och visa kollisionstal för varje.”
- Iterera på hantering av kollisioner, inte bara mergen. Efter första resultatet, gör en andra pass: ”Simulera nu en kollision i kolumnnamn där ’status’ betyder livscykelfas i en fil och betalstatus i en annan. Ge två lösningsalternativ och hur målschemat i tidy data blir.”
- Be om en revisionslogg du kan ge till intressenter. Nöj dig inte med ”här är koden”. Lägg till: ”Skriv en mergesammanfattning på klarspråk, inklusive antal rader i varje steg, utförda konverteringar och beslut som kräver godkännande.” Den berättelsen förebygger framtida diskussioner.
Vanliga frågor
Dataanalytiker använder den för att stoppa tyst radförlust och för att dokumentera exakt hur varje CSV tolkades innan den hamnar i rapportering. RevOps- och Sales Ops-chefer förlitar sig på den när CRM-, fakturerings- och produktexporter inte stämmer överens och de behöver ett försvarbart avstämningsspår. Data engineers använder den som en säkerhet-först-mall för ingestion-script med schemaanpassning, typkontroller och avvikelsekontroller. Konsulter använder den för att leverera en repeterbar integrationsmetod till kunder, komplett med mergesammanfattningar som minskar fram-och-tillbaka.
E-handelsvarumärken får värde när Shopify-exporter, annonsplattformsrapporter och 3PL-leveranser använder olika identifierare och inkonsekventa datumformat; revisionssammanfattningen gör intäkter och orderantal spårbara. SaaS-bolag gynnas när produktevent, prenumerationsfakturering och CRM-data behöver linjera utan ”hjälpsam” typkonvertering som förstör kohortmått. Professionella tjänsteföretag använder den för att konsolidera tidrapportering, fakturering och CRM-CSV:er och samtidigt bevara spårbarhet på kundnivå vid tvister. Byråer använder den för att slå ihop kampanjexporter över kanaler och förhindra kollisioner i kolumnnamn (som ”status”) från att korrumpera prestationsrapportering.
En typisk prompt som ”Slå ihop dessa CSV-filer till en fil” misslyckas eftersom den: saknar strikta regler mot tysta bortfall och implicita imputeringar, ger ingen måltabellsstruktur enligt tidy data för att linjera kolumner konsekvent, ignorerar rubrikinkonsekvenser och kollisioner i kolumnnamn som kan ändra betydelse, producerar en merge som ”ser bra ut” i stället för diagnostik på radnivå (uppblåsning/minskning, föräldralösa poster, nyckelbrott) och missar en fullständig revisionslogg som förklarar konverteringar och beslut. Du kan få en enda CSV som output, men du får ingen trygghet. Och när siffror ändras har du ingenting att hänvisa till.
Ja. Den enklaste anpassningen är att ange dina avsedda joinnycklar, dina icke förhandlingsbara fält (ID:n, belopp, tidsstämplar) och acceptansgränserna för avvikelser (till exempel ”antal rader får inte ändras med mer än 0,5 % utan en förklaring”). Du kan också beskriva hur rubriknormalisering ska hanteras (strikt namnändringskarta vs tillåtande standardisering) och vad den ska göra när den upptäcker en kollision där två kolumner delar namn men inte betydelse. Efter första körningen, be: ”Skriv om arbetsflödet för mina exakta filer: här är rubrikerna från varje CSV och tre exempelrader; föreslå målschemat enligt tidy data och avsnitten i revisionsrapporten.”
Det största misstaget är att lämna CSV-filer utan ett uttalat integrationsmål; i stället för ”kombinera dessa exporter”, säg ”skapa en kund-månad-tabell för intäkter och livscykelfas”. Ett annat vanligt fel är att inte namnge nycklar: ”använd customer_id antar jag” är svagt, medan ”joina på (customer_id, invoice_id); kräv unikhet per fil” ger arbetsflödet något testbart. Många glömmer också att definiera regler för kollisioner; ”status” kan betyda vad som helst, så ange en namnändringskarta som ”status_payment” vs ”status_lifecycle” när prompten flaggar inkompatibla betydelser. Slutligen leder avsaknad av exempelrader till sköra parsingval, så inkludera 2–3 representativa rader per källa (särskilt för datum- och valutafält).
Den här prompten är inte idealisk för engångssammanslagningar där du bara behöver en snabb fil och du verkligen inte bryr dig om granskningsbarhet. Den passar inte heller om du ännu inte har validerat vad en ”observation” är (till exempel om du är osäker på om tabellen ska vara per användare, per order eller per faktura), eftersom tidy data-designen kräver det beslutet. Om ditt primära behov är avancerad datarensning eller omdesign av affärslogik, använd först ett dedikerat arbetsflöde för datamodellering eller transformation och kom sedan tillbaka hit för det säkra konsolideringslagret.
CSV-konsolidering är där ”små genvägar” blir permanenta rapportproblem. Använd den här prompten för att bygga ett arbetsflöde du kan köra om, försvara och granska nästa gång någon frågar: ”Varför ändrades siffrorna?”
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.