100 AI Prompt & Tips for Finance Professionals

 

Nicolas Boucher Online

Most people write prompts the same way they write Google searches.

A few keywords. Maybe a sentence. Then frustration when the output is vague.

The truth is, the quality of your AI output is almost entirely determined by the quality of your input. And there are frameworks — tested, structured, repeatable — that change everything.

I have compiled 100 prompts and tips across four categories. These cover the frameworks I use in my own work, the data prompting techniques that save hours, the hacks that most finance pros never discover, and the finance-specific workflows that turn AI into a permanent part of your close process.

Read them in order or jump to what matters for you right now.

A framework is not a template. It is a thinking structure.

When you give Claude a framework, you are not just formatting your prompt. You are telling it how to think about your problem. The output quality jumps immediately.

The one I use most — and the one I teach first in every training — is CSI+FBI. It gives your AI the context, the task, and the expected output all in one prompt. But there are 24 others here, and the right one depends on what you are trying to do.

Start With CSI+FBI

Most finance prompts fail because they are too vague. "Analyze this file" is not a prompt. It is a hope.

CSI+FBI forces you to give your AI everything it needs upfront:

→ C: Context — who you are, what this is for

→ S: Specific — exactly what you need, with numbers and constraints

→ I: Instruction — the actual task, step by step

→ F: Format — how the output should look

→ B: Blueprint — an example of a good output

→ I: Identity — the persona Claude should adopt

When to Use the Other Frameworks

Not every prompt needs CSI+FBI. Here is a quick guide to choosing:

AIDA (Attention, Interest, Desire, Action) — Use when writing stakeholder communications, board memos, or investor updates that need to move someone to act.

RISEN (Role, Instructions, Steps, End Goal, Narrowing) — Use for complex multi-step tasks where you need Claude to follow a precise sequence.

SNAKE (for Python code) — Specify file type, Notebook environment, Action needed, Key data columns, Structure of output. Use every time you ask Claude to write automation code.

SMART — Use when setting AI tasks that need measurable outputs. Forces precision on scope and deadline.

Top 25 Data Prompt Tips

Data prompting is where most finance professionals have the biggest untapped opportunity.

They already have the data. They just do not know how to ask for what they need.

These 25 tips cover everything from generating Excel formulas on demand to detecting anomalies in a dataset to building a full financial dashboard outline — all from a well-structured prompt.

The Rule That Changes Data Prompting

Before you paste any data into your AI tool, do three things:

→ 1: Tell your AI what the data represents — what each column means, what the time period covers

→ 2: Tell your AI what you want to do with it — summarise, analyse, flag, forecast

→ 3: Tell your AI what format you want the output in — table, bullet points, Python code, Excel formula

Without these three, you get a generic response. With them — whether you are using Claude, ChatGPT, Gemini, or Copilot — you get analysis you can put in front of the board.

Top 25 Prompt Hacks

Frameworks get you started. Hacks make you dangerous

These 25 techniques are the difference between using Claude as a search engine and using it as a thinking partner. Most finance professionals never discover them because they are not obvious — they come from experimentation.

The one I use every single day: chain-of-thought reasoning. Telling Claude to think step-by-step before giving an answer dramatically improves accuracy on complex financial questions.

The Three Hacks That Change Everything

1. Chain-of-thought reasoning. Add “Think step-by-step” to any complex prompt. Claude will reason through the problem before giving you the answer. For financial analysis, this catches errors that instant responses miss.

2. Chunking. Never give Claude a 50-page report and ask for a summary. Break it into sections. Process each one. Then ask for a synthesis at the end. You get more accurate output and a cleaner audit trail.

3. Socratic questioning. Ask Claude “What would make this forecast wrong?” or “What assumptions is this analysis relying on?” The answers are often more valuable than the original output.

Top 25 Finance-Process Tips

This is where the rubber meets the road.

The first three sections gave you frameworks and techniques. This section gives you the actual workflows — specific prompts for specific finance tasks that you can copy, adapt, and use this week.

Every tip here is a real use case. Board pack prep. Variance commentary. Dunning letters. Closing checklists. Runway calculations. These are the tasks that eat your week, and every one of them can be accelerated with the right prompt.

📌 The one rule that matters most: You cannot hide behind AI. The output is your responsibility. Your name is on it. Your credibility is on the line. That does not change just because a machine helped you write it. But with the right prompts, AI makes you faster and more accurate than any analyst working manually.

The One Thing to Remember

Most finance professionals are using about 10 prompts out of 100.

That gap is not a technology problem. It is a knowledge problem.

Pick one section this week. Try three prompts you have never used. See what happens to your close time, your reporting speed, or the quality of your variance commentary.

That is how you become an AI Finance Pro.

Not by knowing all 100 prompts.

By actually using them.

https://tinyurl.com/y857yvcc

Service Profit Chain: модель, яку всі цитують, але ніхто не вимірює

 

Ihor Filipenko

Де розривається ланцюжок між вашими операторами та прибутком

У 1994 році група дослідників з Гарварду — Джеймс Хескетт, Ерл Сассер, Леонард Шлезінгер та їхні колеги — опублікували в Harvard Business Review статтю, яка змінила спосіб мислення про сервісний бізнес. Стаття називалась "Putting the Service-Profit Chain to Work", і за 30 років набрала понад 6 500 академічних цитувань. Для порівняння — це більше, ніж мають деякі цілі наукові журнали.

Автори запропонували ланцюжок причинно-наслідкових зв'язків:

Внутрішня якість сервісу → Задоволеність працівників → Лояльність працівників → Продуктивність → Цінність для клієнта → Задоволеність клієнтів → Лояльність клієнтів → Прибуток і зростання

Логіка зрозуміла: подбай про працівників — вони подбають про клієнтів. Клієнти задоволені — залишаються. Залишаються — компанія заробляє.

Модель підхопили десятки компаній. Гарі Ловеман, тодішній COO Harrah's Entertainment, побудував навколо неї корпоративну стратегію. FedEx, American Airlines, Southwest — всі так чи інакше посилалися на Service Profit Chain.

Але за 30 років масового цитування виявилось, що ця модель має кілька серйозних проблем.

Проблема перша: ніхто не виміряв увесь ланцюжок наскрізно

Коли дослідники Сільвестро і Кросс у 2000 році детально проаналізували оригінальну роботу Хескетта, вони зробили незручний висновок: модель Service Profit Chain не має повної емпіричної валідації. Щоб її підтвердити, потрібно зібрати і проаналізувати дані по кожній ланці — від внутрішньої якості до прибутку — в одній організації, в один період часу.

Ніхто цього не зробив.

Ловеман спробував — на даних регіонального банку. Результати виявилися неоднозначними. Деякі зв'язки підтвердились, інші — ні. І це був лише один банк.

Hogreve, Iseke та Derfuss у 2022 році провели наймасштабніший мета-аналіз — 153 емпіричних дослідження за 25 років. Їхній висновок: більшість робіт перевіряють одну-дві ланки ланцюжка, але майже ніхто не тестує модель цілком. Емпіричні дані залишаються фрагментованими і неоднозначними.

Тобто маємо ланцюжок з восьми ланок, де шоста — перевірена, третя — скоріше так, п'ята — під питанням, а весь ланцюжок цілком ніхто не перевіряв.

Проблема друга: часові лаги — менеджери не бачать зв'язку

Масштабне лонгітюдне дослідження у великій європейській роздрібній мережі виявило ефект, який особливо важливий для менеджерів.

Між операційними інвестиціями та задоволеністю працівників існує часовий лаг. Між задоволеністю клієнтів і прибутком — теж. Ви інвестуєте сьогодні, а результат бачите через квартал або два.

Менеджер бачить витрати без негайного результату — і скорочує їх. Розриваючи ланцюжок власними руками, навіть не підозрюючи про це.

Дослідники назвали це "ризиком короткозорого управління" (myopic management). Менеджер оптимізує квартальний P&L — і руйнує річний. Особливо це стосується контакт-центрів, де тиск на зниження витрат постійний, а зв'язок між якістю обслуговування та утриманням клієнтів проявляється з затримкою.

Проблема третя: задоволений працівник ≠ гарний сервіс

Bowen і Schneider у 2014 році прямо критикували фокус Service Profit Chain на задоволеності працівників. Їхній аргумент: показники задоволеності працівників не є орієнтованими ні на сервіс, ні на клієнтський досвід. Працівник може бути задоволений зарплатою, графіком і колективом — і при цьому надавати посередній сервіс.

Мета-аналіз Riketta (2008) підтвердив: зв'язок між задоволеністю працівника та його продуктивністю — слабкий або статистично незначущий.

Це не означає, що задоволеність працівників не важлива. Це означає, що вона — необхідна, але недостатня умова якісного сервісу. Між "мені тут подобається працювати" і "я надаю клієнту якісну послугу" — є прогалина, яку Service Profit Chain не пояснює.

Де SPC все-таки працює

Yee, Yeung і Cheng у 2011 році зібрали дані з 210 сервісних компаній з високим рівнем контакту в Гонконзі. Це малі компанії з 2-5 працівниками фронтлайну, де взаємодія з клієнтом — щоденна і безпосередня.

Результат: більшість зв'язків Service Profit Chain підтвердились. Зростання задоволеності та лояльності працівників дійсно запускало відповідні зміни у задоволеності та лояльності клієнтів, що призводило до зростання виручки.

Ключове слово тут — high-contact service. Це поняття з класифікації Річарда Чейза (1981): сервіс, де клієнт безпосередньо взаємодіє з працівником протягом значної частини процесу обслуговування. Типові приклади — медичні клініки, де пацієнт спілкується з лікарем віч-на-віч, або готелі, де гість взаємодіє з персоналом від реєстрації до виїзду.

Контакт-центр — це high-contact service в чистому вигляді. На відміну від магазину, де клієнт може обрати товар самостійно, або банківського додатку, де він проводить операцію сам, у контакт-центрі взаємодія з оператором і є послугою. Не супровід послуги, не додаток до неї — а сама послуга. Клієнт дзвонить з конкретною проблемою, і єдиний спосіб її вирішити — розмова з живою людиною. Тривалість контакту — від кількох хвилин до десятків хвилин. Емоційна інтенсивність — часто висока, особливо в медичному страхуванні, де людина дзвонить з питанням про здоров'я.

Саме тому результати Yee, Yeung і Cheng мають пряме відношення до контакт-центрів: там, де кожна взаємодія — це пряма розмова працівника з клієнтом, Service Profit Chain працює.

Розірвана ланка: що насправді означає "внутрішня якість сервісу" в контакт-центрі

Service Profit Chain починається з "internal service quality" — внутрішньої якості сервісу. У оригінальній моделі це абстрактне поняття: дизайн робочого місця, інструменти, підтримка, можливості розвитку.

У контакт-центрі це не абстракція. Це конкретні речі:

• Чи є достатньо операторів у зміні, щоб обробити потік дзвінків?
• Чи не перевантажений оператор безперервними дзвінками без пауз?
• Чи передбачуваний його графік — чи кожен тиждень сюрприз?
• Чи є перерви в правильний час, а не формально "десь у зміні"?

Кожне з цих питань зводиться до одного рішення: наскільки точно ви спрогнозували навантаження і побудували розклад на його основі.

Ось як розривається Service Profit Chain у типовому контакт-центрі:

Неточний прогноз навантаження → Недостатньо операторів у пікові години → Оператор працює під постійним тиском без перерв → Вигорання, плинність → Нові оператори без досвіду на лінії → Довгий час очікування, низька якість відповідей → Клієнт не отримує допомогу → Незадоволеність → Відтік

Або дзеркальний сценарій:

Неточний прогноз → Забагато операторів у непікові години → Зайві витрати на ФОП → Менеджер ріже ставки або скорочує штат → В наступний піковий період — знову брак людей → Той самий ланцюжок

Обидва сценарії починаються з одного і того ж — з прогнозу. Не з мотивації, не з тренінгів, не з корпоративної культури. З прогнозу.

Forecast accuracy — це не технічна метрика для аналітика. Це перша ланка Service Profit Chain у контакт-центрі. Якщо вона розірвана — все, що далі по ланцюжку, не працює. Ніякі тренінги з емпатії та скрипти продажів не компенсують того, що оператор фізично не встигає обробити потік, бо його прогнозували неправильно.

Чому "точність 90%" може означати катастрофу

Коли я розмовляю з керівниками контакт-центрів і питаю "яка у вас точність прогнозу?", більшість відповідають щось на кшталт "нормальна" або "десь 85-90%".

Що означає "90% точність"? Це означає, що у середньому ваш прогноз відхиляється від реальності на 10%.

Проблема — у слові "у середньому".

Контакт-центр працює з 8:00 до 20:00, поділений на 24 півгодинних інтервали. Точність 90% у середньому може виглядати так:

• Понеділок, 8:00-12:00 — точність 97%. Прогноз майже ідеальний.
• Понеділок, 14:00-16:00 — точність 92%. Трохи не вгадали, але терпимо.
• П'ятниця, 17:00-19:00 — точність 65%. Операторів вдвічі менше, ніж потрібно.

Середнє — 90%. Звіт зелений. Менеджер задоволений.

Але клієнти п'ятничного вечора вже пішли. Вони подзвонили, почекали 8 хвилин, покинули чергу, і наступного разу пішли до конкурента. Вони не знають, що "у середньому" все було добре. Вони знають тільки свій досвід.

Це та сама проблема, що і з Service Level 80/20. Середнє значення ховає катастрофу у хвостах розподілу.

Я називаю це "ілюзією середнього": метрика каже, що все під контролем, а ланцюжок вже розірваний — просто в тому місці, куди ніхто не дивиться.

Що і як вимірювати: від середнього до розподілу

Якщо forecast accuracy — це перша ланка вашого Service Profit Chain, то як правильно її вимірювати?

MAPE — стандарт, який бреше

Mean Absolute Percentage Error (MAPE) — найпоширеніша метрика. Формула проста: середнє абсолютне відхилення прогнозу від факту у відсотках. Проблема: MAPE — це одне число для всього періоду. Воно приховує варіацію.

MAPE 10% може означати "рівномірно 10% у кожному інтервалі" (керовано) або "0% у 20 інтервалах і 50% у 4 інтервалах" (катастрофа). Друга ситуація — це та п'ятниця ввечері, про яку ми говорили.

Що дивитися замість середнього

Розподіл похибки по інтервалах. Не середнє, а гістограму. Скільки інтервалів з похибкою >20%? Коли саме вони трапляються? Чи є патерн — завжди вечір п'ятниці, завжди ранок після свята, завжди перший робочий день після довгих вихідних?

Бік похибки. Прогноз завищує чи занижує? Систематичне заниження — це understaffing, тобто перевантажені оператори і довгі черги. Систематичне завищення — це overstaffing, тобто зайві витрати. Для Service Profit Chain перше значно небезпечніше, бо б'є по клієнту безпосередньо.

Похибка у пікові інтервали vs непікові. Помилка в інтервалі з 10 дзвінками — це неприємність. Помилка в інтервалі з 200 дзвінками — це сотні клієнтів, які не дочекалися відповіді.

Чому більшість КЦ не вимірює це

Для цього потрібна історичні дані та інструменти аналізу. Якщо ваш прогноз живе в Excel — побудувати розподіл похибки по 48 інтервалах за місяць (це 1440+ точок) — задача нетривіальна. Простіше порахувати одне середнє число і заспокоїтись.

Але саме це середнє число і створює ілюзію контролю. А за ілюзією — розірваний ланцюжок, відтік операторів, відтік клієнтів.

Що з цим робити: три кроки без впровадження будь-якої системи

Я навмисно не кажу "купіть WFM-систему". Натомість — три речі, які можна зробити вже зараз:

Крок 1. Почніть зберігати факт поруч з прогнозом. Якщо ви прогнозуєте навантаження — записуйте фактичне навантаження по тих самих інтервалах. Більшість контакт-центрів, з якими я спілкувався, або не зберігають факт з потрібною гранулярністю, або зберігають в іншому форматі, ніж прогноз. Без цих двох рядків поруч — ви сліпі.

Крок 2. Побудуйте розподіл, а не середнє. Візьміть місяць даних. Порахуйте похибку для кожного інтервалу. Побудуйте гістограму. Подивіться на хвости — інтервали з похибкою більше 20-25%. Запитайте себе: що відбувалося в ці моменти з чергою, часом очікування, abandonment rate?

Крок 3. Зв'яжіть похибку прогнозу з операційними метриками. Це найважливіший крок. Порівняйте: в інтервали з точним прогнозом (похибка <10%) — який був Service Level, Average Speed of Answer, Abandonment Rate? А в інтервали з поганим прогнозом (похибка >20%)? Різниця покаже вам, скільки "коштує" кожен відсоток похибки прогнозу.

Коли ви побачите цю різницю — ви побачите, де саме розривається ваш Service Profit Chain. І тоді рішення — чи це Excel, чи спеціалізована система, чи щось інше — стане очевидним.

Замість висновку

Service Profit Chain — не мертва модель. За 30 років вона накопичила достатньо емпіричних підтверджень, щоб залишатися актуальною. Особливо — для high-contact сервісів, яким є контакт-центр.

Але ця модель має сліпу зону: вона не пояснює, звідки береться "internal service quality". Вона просто починається з неї, як з аксіоми.

У контакт-центрі — це не аксіома. Це конкретне управлінське рішення: наскільки точно ви передбачили, скільки клієнтів подзвонить у кожний момент часу, і скільки операторів повинні бути на лінії.

Прогноз навантаження — це не задача для аналітика в підвалі. Це фундамент, на якому стоїть увесь ланцюжок від задоволеності оператора до прибутку компанії.

І якщо ви вимірюєте його одним середнім числом — ви дивитесь на фундамент через матове скло. Контури видно. Тріщини — ні.

https://tinyurl.com/2vhefxar