25.11.2024
Data-analyse is in de financiële sector onmisbaar. Of het nu gaat om het beoordelen van risico’s, het analyseren van jaarverslagen of het identificeren van trends in financiële gegevens, de vraag naar snelle en betrouwbare inzichten groeit voortdurend. Toch is het handmatig doorzoeken van grote hoeveelheden data vaak tijdrovend en leidt het niet altijd tot complete conclusies.
Met de komst van geavanceerde technologieën zoals ChatGPT wordt het voor financials en andere data professionals steeds eenvoudiger om relevante inzichten uit complexe datasets en documenten te halen. De juiste functie hiervoor binnen ChatGPT is de Data Analyst, die financials in staat stelt om informatie efficiënt te verwerken en snel antwoorden te vinden, zonder elk detail handmatig door te nemen.
De Data Analyst maakt het mogelijk om datasets eenvoudig te uploaden en gerichte vragen te stellen over de inhoud. Denk bijvoorbeeld aan het analyseren van grote sets transactiegegevens of het beoordelen van de financiële gezondheid van een bedrijf. Deze oplossing helpt professionals om snel de juiste inzichten te verkrijgen en tijd te besparen bij complexe evaluaties.
Om te laten zien hoe deze functie in de praktijk werkt, nemen we als voorbeeld een dataset van het Ministerie van Financiën. Stel dat je de belangrijkste begrotingsgegevens en beleidsmaatregelen wil analyseren. In plaats van het volledige bestand door te nemen, kun je met een simpele prompt direct relevante informatie ophalen. Dit bespaart niet alleen tijd, maar verhoogt ook de nauwkeurigheid van je evaluaties.
De Data Analyst is onderdeel van GPT’s Onderzoeken, een verzameling gespecialiseerde tools binnen ChatGPT. Zoals we in onze eerdere blog hebben laten zien hoe de Document Assistant wordt gebruikt om complexe teksten te analyseren, biedt deze functionaliteit een intuïtieve oplossing voor het snel verwerken van datasets.
ChatGPT zet de geüploade data om naar platte tekst, een proces dat op de achtergrond wordt aangestuurd door de programmeertaal Python. Voor mensen die zich afvragen hoe dit werkt: Python zorgt ervoor dat de complexe gegevens snel en efficiënt worden omgezet in een gestructureerd en leesbaar formaat. Hierdoor kan de tool razendsnel patronen herkennen en antwoorden genereren, wat veel tijd bespaart en de analyses aanzienlijk versnelt.
Na de uitleg over wat de Data Analyst kan, laten we nu stap voor stap zien hoe je deze tool gebruikt om een dataset te analyseren. Met een eenvoudig voorbeeld krijg je inzicht in hoe je snel en efficiënt tot waardevolle resultaten komt.
Hier laten we zien hoe je de GPT Data Analyst gebruikt om een dataset te analyseren.
Ga naar GPT’s Onderzoeken en selecteer de Data Analyst functie. Dit is de omgeving waar je datasets kunt uploaden en analyseren.
In dit voorbeeld gebruiken we een Excel-bestand met begrotingsgegevens van het Ministerie van Financiën. Het bestand bevat gedetailleerde informatie over budgettaire artikelen en premies. Hieronder zie je een voorbeeld van de dataset die we hebben geüpload. Het bestand bevat meerdere kolommen en duizenden rijen met gegevens, variërend van hiërarchische codes tot financiële cijfers. Dit type dataset is ideaal voor een analyse met de GPT Data Analyst.
Nadat je de dataset hebt geüpload, geef je het commando om de data te verwerken: Analyseer deze dataset en beschrijf uitgebreid wat je ziet
De tool verwerkt de dataset snel en geeft direct een overzicht van de structuur en inhoud. Dit biedt een goede basis om verder te gaan met gerichtere analyses.
Hier zie je hoe de dataset wordt weergegeven en de startprompt die we hebben ingevoerd.
De eerste analyse laat zien dat de dataset 5.625 rijen en 21 kolommen bevat, met gegevens over budgetcategorieën en instrumenten verdeeld over meerdere jaren. Belangrijke observaties zijn de aanwezigheid van hiërarchische niveaus (hoofdstukken, artikelen en onderdelen) en numerieke gegevens die budgetten tonen van twee jaar terug tot vier jaar vooruit. Daarnaast bevat de dataset enkele missende waarden, wat duidt op niveaus die niet altijd relevant zijn.
Wat deze tool extra krachtig maakt, is dat het niet alleen inzichten biedt, maar ook met vervolgvragen komt, zoals: “Wilt u trends onderzoeken of verdelingen analyseren?” Met deze inzichten zijn we nu klaar om een korte analyse uit te voeren en enkele vervolgvragen te stellen om de dataset verder te verkennen.
Nu we een eerste inzicht hebben gekregen in de dataset, is het tijd om dieper in te gaan op specifieke analyses. We beginnen met een trendanalyse om de budgetontwikkeling over meerdere jaren te bekijken. Deze analyse laat zien hoe de budgetten zich in de tijd ontwikkelen en waar eventuele opvallende trends te zien zijn.
Nu we een eerste overzicht van de dataset hebben, is het tijd om een gerichte analyse uit te voeren. In dit geval richten we ons op een trendanalyse om de budgetontwikkeling over meerdere jaren te onderzoeken. Door de prompt: Analyseer de budgetontwikkeling per jaar en identificeer opvallende trends in te voeren, kan de Data Analyst direct waardevolle inzichten genereren.
De grafiek hierboven toont de ontwikkeling van het totale budget over meerdere jaren. Van twee jaar vóór het huidige jaar (OWBMin2) tot en met vier jaar in de toekomst (OWBPlus4), geeft de grafiek inzicht in de trends, zoals stijgingen, dalingen of stabilisatie. Dit overzicht biedt een waardevolle basis voor het maken van strategische beslissingen en verder onderzoek.
Met deze inzichten kunnen we nu verdergaan met een specifieke analyse: Welke hoofdstukken of artikelen ontvangen de grootste budgetten? In deze analyse bekijken we hoe de middelen verdeeld zijn over de verschillende onderdelen van de begroting en waar de grootste kostenposten zich bevinden
De analyse hierboven geeft een gedetailleerd overzicht van de grootste budgetten, zowel op hoofdstukniveau als artikelniveau. Op hoofdstukniveau is zichtbaar hoe de verdeling van middelen prioriteiten weerspiegelt, zoals infrastructuur en sociale zekerheid. Op artikelniveau worden specifieke projecten en programma’s belicht, zoals pensioenen en onderwijsvoorzieningen. Deze inzichten helpen bij het begrijpen van hoe middelen strategisch worden toegewezen.
Om deze verdeling verder te verdiepen en visueel te ondersteunen, voeren we nu een laatste analyse uit. We richten ons op het identificeren van trends per hoofdstuk om te zien hoe de budgetten zich over de jaren ontwikkelen. Deze analyse biedt een visuele weergave van de belangrijkste financiële bewegingen.
De bovenstaande analyse richt zich op de budgettrends per hoofdstuk, waarbij de focus ligt op de top vijf hoofdstukken met de hoogste budgetten. In de grafiek wordt duidelijk hoe de budgetten over de jaren heen zijn veranderd, van twee jaar vóór tot vier jaar na het huidige jaar. Dit biedt waardevolle inzichten in de financiële bewegingen binnen elk hoofdstuk.
Daarnaast laat de analyse zien hoe de middelen binnen elk hoofdstuk verder zijn gespecificeerd, met een duidelijke hiërarchische verdeling tussen hoofdstukken en specifieke artikelen. Het benadrukt de prioriteiten van de begroting, zoals infrastructuur en sociale zekerheid, en hoe deze zich door de jaren heen ontwikkelen.
Deze tool biedt een krachtig middel om complexe datasets snel te analyseren en visueel inzicht te krijgen in financiële trends en verdelingen. Met slechts een paar woorden kun je complexe analyses uitvoeren, zonder zelf een expert te hoeven zijn op het gebied van data-analyse. Wat deze tool extra handig maakt, is dat hij altijd met vervolganalysevragen komt, waardoor je automatisch wordt begeleid in het proces. Met ChatGPT wordt data-analyse toegankelijk voor iedereen; het voelt bijna alsof je zelf een ervaren data-analist bent.
Deze tool maakt het mogelijk om snel waardevolle inzichten te halen uit grote datasets. Denk bijvoorbeeld aan:
De kracht van deze tool ligt in de snelheid en efficiëntie waarmee je tienduizenden rijen en honderden kolommen aan gegevens kunt analyseren. Zelfs complexe datasets met meerdere tabellen of inconsistenties worden moeiteloos verwerkt. Of je nu bezig bent met budgetanalyses, compliance-controles of prognoses, deze tool geeft je binnen enkele minuten de inzichten die je nodig hebt voor betere beslissingen.
Onze laatste artikelen over Artificial Intelligence | Crypto & Blockchain
Sinds de lancering van ChatGPT haalt de tool bijna dagelijks het nieuws. Hoewel deze ontwikkeling ontzettend hard gaat, zijn er nog genoeg juridische en ethische vraagstukken rondom de inzet van AI’s als ChatGPT. Concrete voorbeelden hiervan bespreken we in dit artikel.
Documenten met betrekking tot regelgeving zijn vaak enorm. Of het nu gaat om risicorapportages, nalevingsverslagen of interne audits, het doornemen van deze documenten is meestal een tijdrovende bezigheid. Voor veel financials is het een terugkerende uitdaging om in deze rapporten snel de belangrijkste informatie te vinden. De inhoud is vaak noodzakelijk, maar soms lastig om in één keer overzichtelijk te krijgen zonder elk detail door te spitten.
Sinds de lancering van ChatGPT haalt de tool bijna dagelijks het nieuws. Hoewel deze ontwikkeling ontzettend hard gaat, zijn er nog genoeg juridische en ethische vraagstukken rondom de inzet van AI’s als ChatGPT. Concrete voorbeelden hiervan bespreken we in dit artikel.
Numbers is een specialistisch advieskantoor in hartje Amsterdam. Wij adviseren klanten over de toepassingen van crypto, blockchain & Web3. Onze focusgebieden zijn compliance en financial crime, beleggen en algemene financiële dienstverlening.