I n dit artikel de prompts voor verkoopdata-analyse en het .xsl-voorbeeldsbestand:
Analyseer de bijgevoegde verkoopgegevens en geef een beknopt overzicht van opvallende trends, uitschieters of patronen in de dataset. Presenteer de bevindingen puntsgewijs, gericht op bijvoorbeeld omzet, productprestaties, regioresultaten en klantgedrag.
–
Stel een overzichtelijke tabel op met per stad de best verkochte productcategorie, gebaseerd op historische verkoopgegevens. Voer daarnaast een prognose uit voor de komende jaren op basis van deze trends. Licht toe welke methode voor de voorspelling is toegepast en op welke aannames deze is gebaseerd.
–
Analyseer de beschikbare verkoopgegevens om kansrijke leadsegmenten te identificeren. Geef op basis van historische aankopen, regio’s, productvoorkeuren en klantgedrag een indicatie van waar nieuwe leads zich kunnen bevinden. Presenteer dit in de vorm van concrete klantprofielen of geografische gebieden met hoge potentie.
–
Combineer interne verkoopvoorspellingen met externe databronnen om kansrijke B2B-leads te identificeren. Start met het analyseren van verkoopgegevens per regio, stad en productcategorie om groeisegmenten te bepalen. Koppel deze inzichten vervolgens aan externe bronnen zoals CBS, Statbel, LinkedIn, Company.info en subsidie-databases,zoals RVO of VLAIO, om vergelijkbare bedrijven of regio’s te vinden. Richt je specifiek op MKB-bedrijven (50–250 medewerkers) die actief zijn in duurzame initiatieven of kantoorvernieuwing. Presenteer de resultaten in de vorm van concrete leadprofielen of geografische focusgebieden met een hoge commerciële potentie.
–
En voorbeeldbestanden:
AI023, # AI023
