KI-Prompts für die Datenanalyse: Tabellen, Diagramme, Erkenntnisse
KI ersetzt dein Urteil nicht, aber sie ist ein schneller Analyst für die Fleißarbeit: Daten säubern, Formeln schreiben, Trends erkennen und Ergebnisse in Klartext erklären.
Du hast eine Tabelle mit 40.000 Zeilen, eine vage Frage von deiner Chefin und das Gefühl, dass eine Pivot-Tabelle sie beantworten könnte, wenn dir nur die Syntax wieder einfiele. Also fügst du das Ganze in einen Chatbot ein und tippst „analysiere das“. Die Antwort ist eine Wand aus generischen Beobachtungen, die auf jeden Datensatz der Welt passen würden. Das Tool hat nicht versagt – es hat nie gelernt, was deine Spalten bedeuten, was du fragst oder welche Zahl deinen Chef interessiert. Deshalb geben die meisten die KI für echte Analysen zu früh auf.
Gute KI-Prompts für die Datenanalyse schließen diese Lücke. Du beschreibst die Daten so, wie du es einem neuen Analysten tätest, nennst die genaue Frage und benennst das Tool. Dann übernimmt das Modell den mühsamen Teil – Formeln, Abfragen, Struktur –, während du das Urteil behältst. Bring das Briefing hin, und es verdient sich seinen Platz neben Excel, Sheets und deinem SQL-Client.
Beschreib die Daten, bevor du die Frage stellst
Das Modell kann deinen Bildschirm nicht sehen. Füg rohe Zahlen ohne Kontext ein, und es rät, was jede Spalte ist – falsch. Jeder Daten-Prompt braucht vier Dinge vor der eigentlichen Frage:
- Die Spalten: Benenne jede und sag, was sie enthält. „
order_date(YYYY-MM-DD),revenue(USD, inkl. Steuer),region(North/South/East/West),channel(web oder retail).“ - Datentypen und Eigenheiten: welche Felder Zahlen und welche Text sind, wo Nullwerte stecken, ob
revenueein String mit einem angeklebten$ist. - Die eigentliche Frage: nicht „analysiere die Verkäufe“, sondern „welche Region ist von Quartal zu Quartal am schnellsten gewachsen, und um wie viel“.
- Das Tool: Excel, Google Sheets, SQL (welcher Dialekt) oder eine CSV, die du hochlädst. Die Antwort für Excel ist eine Formel; für Postgres eine Abfrage. Die sind nicht austauschbar.
Die letzte Zeile spart am meisten Zeit. „Gib mir die Excel-Formel“ und „schreib das SQL“ sind völlig verschiedene Ausgaben, und das Modell reicht dir die falsche, wenn du es nie sagst. Diese Gewohnheit zieht sich durch das Prompten für geschäftliche Aufgaben – du lieferst die Wahrheit, das Modell liefert die Struktur.
Räum das Chaos auf, bevor du der Rechnung traust
Echte Daten sind dreckig: Datumsangaben in drei Formaten, „N/A“ vermischt mit Leerzellen, angehängte Leerzeichen, doppelte Zeilen, als Text gespeicherte Währung. Analysierst du sie ungewaschen, ist jede nachgelagerte Zahl still und leise falsch. Beschreib das Chaos genau und lass das Modell die Lösung schreiben.
Die Zeile „prüfen, bevor gelöscht wird“ ist wichtig – du willst Probleme sichtbar machen, nicht Zeilen klammheimlich verlieren. Für unordentlichere Umbauten hält die Anfrage als strukturierter JSON-Prompt Ein- und Ausgabe eindeutig.
Hol dir Formel und Erklärung zusammen
Der schnellste Gewinn bei ChatGPT für die Datenanalyse ist, aus einem in Alltagssprache formulierten Bedarf eine funktionierende Formel zu machen. Bitte um die Formel *und* eine Zeile, die sie erklärt, damit du die Logik prüfst, statt eine Blackbox einzufügen.
Du bekommst ein SUMIFS, das du Argument für Argument lesen und dessen Datumsgrenzen du bestätigen kannst. Für eine kniffligere Berechnung zwingt ein Chain-of-Thought-Prompt das Modell, zuerst seinen Rechenweg zu zeigen.
Bei SQL ist es dasselbe – beschreib das Schema, benenne den Dialekt, gib die gewünschte Granularität an.
Den Dialekt zu benennen verhindert, dass das Modell dir MySQL-Syntax reicht, die in Postgres bricht. Die Muster aus dem Ratgeber zu Coding-Prompts lassen sich direkt übertragen.
Fass Trends zusammen und vergleiche Zeiträume
Summen sind einfach; die Geschichte steckt in der Veränderung. Sag dem Modell, welche Zeiträume es vergleichen soll und was „Wachstum“ heißt – absolute Beträge, Prozent oder beides. Sonst wählt es eins, und du weißt nicht, welches.
„Erfinde keine Ursache“ leistet echte Arbeit. Ein Modell erklärt dir fröhlich, der Umsatz sei „wegen Saisonalität“ gefallen, obwohl es keine Ahnung hat, warum. Halt es bei dem, was die Zahlen zeigen.
Beschreib die Pivot-Tabelle, das Diagramm oder den Ausreißer, den du willst
Du kannst kein Diagramm in einen Prompt einfügen, also beschreib es: Diagrammtyp, Achsen, Gruppierung, was es zeigen soll. Vage Anfragen („mach ein Diagramm“) ergeben vage Diagramme.
Auch Ausreißer brauchen eine Definition. „Finde alles Merkwürdige“ ist keine Vorgabe. Gib dem Modell die Regel: Werte mehr als zwei Standardabweichungen vom Mittelwert entfernt oder jeder Tag, an dem der Umsatz gegenüber dem Vortag um über 50 % gesprungen ist. Bitte es, die Zeilen aufzulisten und zu markieren – es findet Kandidaten, du bestätigst, dass sie echt sind.
Übersetze Ergebnisse in Klartext für Nicht-Analysten
Wer gefragt hat, kann oft keine Pivot-Tabelle lesen. Dein letzter Schritt ist Übersetzung: Zahlen rein, eine klare Erkenntnis raus. Sag dem Modell, wer liest und vor welcher Entscheidung diese Person steht.
Diese Übersetzung zu schärfen, ist die Aufgabe eines Prompt-Optimierers; um bei null zu starten, gibt dir ein ChatGPT-Prompt-Generator eine Basis. Der Rahmen aus dem Ratgeber zum fortgeschrittenen Prompt Engineering hilft, wenn die Aufgabe kompliziert wird.
Prüf jede Zahl, bevor du sie präsentierst
Die besten KI-Prompts für die Datenanalyse bauen die Überprüfung in den Ablauf ein, denn KI verrechnet sich. Sie verwechselt, welche Spalte welche ist, summiert den falschen Bereich und meldet es mit voller Überzeugung. Behandle jede Ausgabe als Entwurf eines schnellen, schludrigen Praktikanten.
- Prüf Formeln, indem du sie liest, nicht indem du dem Ergebnis traust. Vergewissere dich, dass Bereich, Datumsangaben und Bedingungen zu dem passen, was du verlangt hast.
- Mach Stichproben gegen die Quelle. Prüf zwei, drei Zahlen von Hand. Halten sie stand, steigt das Vertrauen; ist eine daneben, wirf die ganze Antwort weg.
- Präsentiere nie eine Zahl, die du nicht geprüft hast. „Die KI hat's gesagt“ ist keine Quelle. Du bist die Quelle.
- Achte auf den Datenschutz. Füg keine Kundennamen, Finanzunterlagen, Gesundheitsdaten oder irgendetwas unter einer Geheimhaltungsvereinbarung in ein Verbraucher-Tool ein. Anonymisiere zuerst – „Kunde A, 12.000 $“ analysiert sich genauso gut wie mit dem echten Namen, und das sensible Detail bleibt bei dir.
Starke Excel-KI-Prompts und sauberes SQL entbinden dich nicht davon, die Rechnung zu prüfen – sie machen sie nur schneller zu erzeugen und im großen Maßstab leichter unbemerkt falsch. Die Disziplin ist einfach: Beschreib die Daten ehrlich, stell eine präzise Frage, prüf die Ausgabe, halte vertrauliche Daten draußen. Tu das, und KI-Prompts für die Datenanalyse werden zu einem echten zweiten Paar Hände. Lass die Prüfung weg, und sie werden zu einem schnellen Weg, falschzuliegen.
