ChatGPT Work met GPT-5.6-gids: End-to-end data science in je browser

GPT-5.6 is OpenAI's nieuwste modelfamilie, beschikbaar in drie niveaus: Sol voor diepgaande redenering, Terra voor gebalanceerd dagelijks werk, en Luna voor snelle, lichte taken.

Daarnaast heeft OpenAI ChatGPT Work uitgebracht: een projectwerkruimte binnen ChatGPT die is gemaakt voor meerstaps, bestandsgerichte workflows.

Met ChatGPT Work kun je bestanden uploaden, context behouden over prompts heen en code, visualisaties en interactieve tools genereren, allemaal in je browser zonder lokale setup.

In deze gids laat ik je zien hoe je volledig binnen ChatGPT Work een compleet project voor klantverloopvoorspelling voor een bank opzet. 

We uploaden een real-world dataset, controleren en schonen de data op en verkennen die met visualisaties.

Daarna trainen en vergelijken we meerdere machinelearningmodellen, evalueren we de beste en zetten we een interactieve webinterface in voor realtime churn-voorspellingen.

Aan het einde heb je een volledig projectpakket met opgeschoonde data, grafieken, modelresultaten en een werkende demo, allemaal gemaakt zonder je browser te verlaten.

Wat is ChatGPT Work?

ChatGPT Work is een dedicated agent binnen ChatGPT die is ontworpen voor ambitieuze, meerstapstaken die ver voorbij simpele Q&A gaan. 

Het kan informatie verzamelen uit je apps en workflows, eindproducten maken zoals spreadsheets, slides, documenten en webapps, en urenlang bij complexe projecten blijven door ze op te knippen in kleinere stappen en die zelfstandig af te ronden.

Met ingebouwde Codex-technologie gaat ChatGPT Work verder dan vragen beantwoorden: het voert echt werk uit op web, mobiel en desktop. 

Je kunt de voortgang volgen, vragen beantwoorden, van richting veranderen en belangrijke acties goedkeuren terwijl het werkt.

ChatGPT Work draait op GPT-5.6, waardoor het uitblinkt in redeneren over meerstapstaken en materialen creëren die jouw templates en referentiebestanden volgen. 

Het ondersteunt ook Scheduled Tasks, zodat projecten doorlopen als je weg bent, zoals nieuwe berichten uit Teams of Slack omzetten in bijgewerkte documenten en wijzigingen delen met je team.

Stap 1: Datasets uploaden in ChatGPT Work

Elk data-scienceproject begint met data. In deze stap maken we een aparte werkruimte in ChatGPT Work en voegen we de bankdataset voor klantverloop toe, zodat we ermee aan de slag kunnen.

Open ChatGPT in je browser en klik op het tabblad Work. Klik vervolgens linksonder in de chat op Choose Project, selecteer New project en noem het Bank Customer Churn Prediction.

Zorg er ook voor dat GPT 5.6 Sol Light is geselecteerd, want dit is een eenvoudige taak en we hebben geen zware redenering nodig. 

De interface zou het tabblad Work actief moeten tonen, je projectnaam onderaan de chat en het modelkeuzemenu ingesteld op 5.6 Sol Light.

Download vervolgens Churn_Modelling.csv van Kaggle. 

Om het te uploaden, klik je op het pluspictogram (+) in het invoerveld, selecteer je het bestand op je computer en voeg je het toe aan het gesprek. Het bestand verschijnt als een spreadsheetkaart boven het invoerveld, klaar om te verzenden. 

Stap 2: Data-auditing en opschonen met GPT-5.6

Ruwe data is zelden perfect. Voor we modellen bouwen, moeten we begrijpen waar we mee werken en problemen oplossen die onze resultaten kunnen vertekenen. 

Plak deze prompt in het invoerveld en druk op Enter:

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

Na het verzenden van de prompt gebruikt ChatGPT Work zijn ingebouwde skills en tools om de dataset te lezen, de structuur te begrijpen en een gestructureerde audit-samenvatting te geven.

Je kunt ook de verschillende stappen verkennen die ChatGPT Work nam om tot deze audit-samenvatting te komen. 

Deze stappen zijn zichtbaar in de conversatiethread en laten zien hoe het model de data analyseerde, validatieregels toepaste en tot elke conclusie kwam. 

Klik rechtsboven in de chat op de knop met opsommingstekens om het Outputs-paneel te openen. 

Dit paneel toont twee gegenereerde bestanden: een opgeschoond CSV-bestand en een volledig auditrapport in markdown-formaat.

Stap 3: Datavisualisaties maken in de ChatGPT Work-omgeving

Cijfers alleen vertellen niet het hele verhaal. In deze stap zetten we de opgeschoonde data om in grafieken die patronen in klantverloop zichtbaar maken.

We maken een reeks visualisaties die de algemene verdeling van churn laten zien, churnpercentages uitsplitsen naar verschillende klantsegmenten en numerieke kenmerken vergelijken tussen klanten die bleven en klanten die vertrokken. 

We genereren ook een correlatie-heatmap om te zien hoe numerieke variabelen zich tot elkaar verhouden.

Plak deze prompt:

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

Als resultaat zal ChatGPT Work Python-code genereren om de analyse uit te voeren en alle visualisaties te maken. Vervolgens wordt alles samengevoegd tot een professioneel PDF-rapport. Het rapport bevat elke grafiek met uitleg en een samenvatting van de belangrijkste bevindingen.

Je kunt de gegenereerde bestanden direct in ChatGPT Work verkennen of downloaden om lokaal te bekijken. 

Het Outputs-paneel zal het PDF-rapport vermelden, samen met losse grafiekbestanden of codenotebooks die tijdens het proces zijn gemaakt.

Stap 4: Modellen bouwen en vergelijken

Nu we de data begrijpen, is het tijd om modellen te trainen die kunnen voorspellen welke klanten waarschijnlijk vertrekken. 

We bouwen een degelijke machinelearning-pijplijn, vergelijken meerdere algoritmen en kiezen de beste op basis van solide metrics.

Plak deze prompt:

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

Na het verzenden van de prompt genereert ChatGPT Work een reproduceerbaar scikit-learn-pijplijnscript en voert het uit.

Je ziet voortgangsupdates in de conversatiethread voor elke fase: libraries controleren, de pijplijn draaien, cross-validatie uitvoeren uitsluitend op de trainingsset en de eindresultaten verifiëren.

Na afronding zie je een overzichtelijke vergelijktabel met alle vier de modellen gerangschikt op hun metrics. 

De tabel bevat accuracy, precision, recall, F1, ROC-AUC en PR-AUC voor elk model. 

In dit project komt het Gradient Boosting-model naar voren als sterkste, met de hoogste PR-AUC en ROC-AUC.

Stap 5: Prestatie-evaluatie van het voorspellend model

Met het beste model geselecteerd moeten we nu zien hoe goed het presteert op data die het nog nooit heeft gezien. 

We voeren een volledige evaluatie uit op de onaangeroerde testset en maken visualisaties die de resultaten inzichtelijk maken.

Plak deze prompt:

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

Na het verzenden van de prompt evalueert ChatGPT Work het Gradient Boosting-model op de achtergehouden testset en genereert het een uitgebreid PDF-rapport. 

Het rapport bevat vier visualisaties. 

• De heatmap van de confusion matrix toont in één oogopslag het aantal juiste en foutieve voorspellingen. 
• De ROC-curve laat zien hoe goed het model churners van niet-churners scheidt bij verschillende drempels. 
• De precision-recall-curve belicht de afweging tussen churners vinden en valse alarmen vermijden. 
• De feature-importancegrafiek rangschikt welke variabelen het model het meest gebruikte, waarbij leeftijd, aantal producten, actieve-lidmaatschapsstatus, rekeningbalans en geografie doorgaans als belangrijkste factoren naar voren komen.

Stap 6: Webapps direct deployen via ChatGPT Work Sites

Een model dat alleen in een rapport leeft, is lastig te delen. In deze stap maken we van onze getrainde churnvoorspeller een live, interactieve webapplicatie die iedereen kan openen en testen.

Plak deze prompt:

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

ChatGPT Work heeft een functie genaamd Sites, waarmee je direct vanuit je project webapplicaties kunt bouwen en deployen. 

Als je deze prompt verstuurt, stemt ChatGPT Work eerst de modeloutput af op de UI-vereisten en maakt vervolgens de applicatie met HTML, JavaScript en CSS.

Je krijgt ook een link om te testen. Deze stap duurt het langst, omdat de modelvoorspellingen worden gekoppeld aan een gepolijste interface die direct reageert op invoer van gebruikers.

Wanneer je op de link klikt, opent de webapplicatie binnen de ChatGPT-interface. Je ziet invoervelden voor alle klantkenmerken, zoals leeftijd, dienstjaren, rekeningbalans en salaris. 

Je kunt testen door verschillende waarden in te voeren en binnen milliseconden krijg je het resultaat: of de klant waarschijnlijk blijft of vertrekt, samen met de churnkans.

De respons is nauwkeurig en snel, waardoor je echt aanvoelt hoe het model presteert met echte gebruikersdata.

Zo kun je je model valideren voor echte gebruikers zonder één regel backendcode te schrijven of servers op te zetten.

Stap 7: Je definitieve project en rapporten exporteren uit ChatGPT Work

Elk goed project verdient een heldere samenvatting. In deze stap bundelen we alles wat we hebben gebouwd in één professioneel document dat het complete verhaal vertelt: van ruwe data tot live voorspellingen.

Plak deze prompt:

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

Na het verzenden van de prompt combineert ChatGPT Work het volledige project tot één PDF. 

Je ziet voortgangsupdates die tonen hoe de geverifieerde analyse, modelresultaten, evaluatiegrafieken en screenshots van de live webinterface worden verzameld. 

Er worden ook twee voorbeeldklantprofielen gegenereerd, één met een stay-voorspelling en één met een exit-voorspelling, om te bewijzen dat de demo werkt.

Na afronding vermeldt het Outputs-paneel het definitieve rapport in PDF. 

Het rapport behandelt de data-audit, verkennende analyse, visualisaties, modeltraining, modelvergelijking, eindbeoordeling, belangrijkste bevindingen, beperkingen, interface-instructies en de twee werkende voorbeeldvoorspellingen. 

Je kunt het direct in ChatGPT Work openen of downloaden om te delen met anderen.

ChatGPT Work bewaart al je projectbestanden in het Outputs-paneel, maar ze één voor één downloaden kan tijdrovend zijn. 

De makkelijkste manier om alles in één keer te krijgen is ChatGPT Work vragen om alles te bundelen in één ZIP-bestand met nette mappen.

Plak de prompt: 

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

Na het verzenden van de prompt verzamelt ChatGPT Work elk gegenereerd bestand en organiseert ze in mappen zoals data, visualizations, reports, modeling, evaluation en web_interface. 

Na het downloaden kun je het lokaal uitpakken en elk artefact uit het project bekijken, van de oorspronkelijk opgeschoonde dataset tot de uiteindelijke live voorspellingsapp. 

Tot slot

Ik denk dat ChatGPT Work de manier verandert waarop data science wordt gedaan.

Alles gebeurt in je browser, zonder installaties, omgevingssetup of gedoe met dependencies. 

Je uploadt een bestand, stuurt een prompt en ziet hoe het data schoonmaakt, grafieken bouwt, modellen traint en een live app deployt in één flow.

Het voelt vergelijkbaar met tools zoals Claude Code, maar het verschil is snelheid en eenvoud. Je hoeft niets te configureren. Er zijn geen pakketten te beheren. Je wacht niet op startende kernels. 

Je praat er gewoon tegen, en het bouwt. 

Het model analyseert je data, traint zichzelf, evalueert zichzelf en serveert zichzelf vervolgens via een webinterface die je direct kunt delen of testen.

Vergeleken met lokale setups met VS Code, extensies en verspreide notebooks voelt dit als een andere wereld. Geen schijfruimte die wordt opgeslokt door omgevingen. Geen versiekonfl icten. Geen contextswitches tussen tien verschillende tools. Je blijft op één plek en het project groeit om je heen.

Voor iedereen die van ruwe data naar een werkende voorspellingsdemo wil gaan zonder een terminal aan te raken, is ChatGPT Work met GPT-5.6 de snelste route.