Zum Hauptinhalt springen

Datenanalyse

Alle Level
What you'll learn
  • Ein Dataset so beschreiben, wie ein Modell es braucht — Spalten, Typen und die Granularität
  • Den fünfstufigen sicheren Arbeitsablauf durchführen: beschreiben, fragen, generieren, selbst ausführen, interpretieren
  • Jede Zahl, die das Modell nicht selbst berechnet hat, als ungeprüft behandeln
  • Die vier Annahmen benennen, die ein Ergebnis unbemerkt verändern: Nullwerte, Deduplizierung, Zeitzonen, Währung
  • Sensible Daten aus Tools heraushalten, die du nicht geprüft hast

Du musst kein Data Scientist sein, um mit KI Antworten aus Daten zu erhalten — aber du musst sie ehrlich halten. Die KI schreibt die Abfrage und erklärt das Ergebnis; du bestätigst, dass die Zahlen echt sind.

Wobei es hilft​

  • SQL / Tabellenkalkulationsformeln / pandas schreiben aus einer Frage in einfacher Sprache.
  • Erklären, was eine Abfrage oder ein Ergebnis in geschäftlichen Begriffen bedeutet.
  • Bereinigen & transformieren unsauberer Daten (beschreibe das Chaos, erhalte die Schritte).
  • Das richtige Diagramm vorschlagen für die jeweilige Frage.
  • Interpretieren der Ausgabe und Vorschlagen der nächsten Frage.

Der sichere Arbeitsablauf​

Guided walkthrough1 of 5
  1. Spalten, Typen und die GRANULARITÄT — eine Zeile entspricht genau was? Gehe nicht davon aus, dass das Modell deine Namen erraten kann oder dass order_id eindeutig ist. Die meisten falschen Abfragen irren sich bei der Granularität, nicht beim SQL.

Granularität beschreiben, dann fragen — SQL mit genannten Annahmen

My table orders has columns: order_id, customer_id, created_at, total_eur,
status. One row per order. Write SQL for monthly revenue from completed orders in
2025, and explain any assumptions.

Die Ausgabe zurückgeben — Interpretation mit Vorbehalten

Here is the result of that query. Interpret it in business terms in under 120
words, then list anything that could make these numbers misleading — nulls,
duplicate rows, time zone of created_at, mixed currencies, or partial months.
Label each as "checked" or "unverified".
Result:
[paste the rows]

Leitplanken​

Vertraue niemals Zahlen, die sie nicht berechnet hat

Wenn die KI ein Ergebnis nennt, ohne die Abfrage mit deinen Daten ausgeführt zu haben, könnte diese Zahl erfunden sein. Führe Abfragen selbst aus; behandle jede Zahl, die du nicht berechnet hast, als ungeprüft. Und denk daran: Korrelation ≠ Kausalität — bitte die KI, assoziative Aussagen zu kennzeichnen. Siehe Halluzinationen.

  • Größenordnungen plausibilisieren — unplausibles Ergebnis? Nachforschen, nicht veröffentlichen.
  • Annahmen benennen (Nullwerte, Deduplizierung, Zeitzonen, Währung).
  • Füge keine sensiblen Daten/personenbezogenen Daten in Tools ein, die du nicht geprüft hast (Datenschutz).

Diese vier Annahmen stehen in einer bestimmten Reihenfolge, weil sie in etwa so häufig zuschlagen. Nullwerte verkleinern unbemerkt einen Nenner; doppelte Zeilen blähen unbemerkt eine Summe auf; ein Zeitstempel, der in UTC gespeichert und als Lokalzeit gelesen wird, verschiebt Umsatz über eine Monatsgrenze; und eine total-Spalte, die Währungen vermischt, erzeugt eine Zahl, die arithmetisch korrekt und wirtschaftlich bedeutungslos ist.

Pro tip
  • Verlange die Abfrage UND eine zweite Abfrage, die sie plausibilisiert — eine Zeilenanzahl, einen Datumsbereich, eine Summe, die du mit dem Auge prüfen kannst. Zwei billige Abfragen schlagen eine elegante, die du nicht verifizieren kannst.
  • Wenn ein Ergebnis dich überrascht, verdächtige den Join, bevor du das Geschäft verdächtigst. Ein Fan-out-Join ist die häufigste Ursache für eine Zahl, die plötzlich 3× zu groß ist.
  • Bei Tabellenkalkulationen: frag nach der Formel plus einer durchgerechneten Beispielzelle. Ist das Beispiel falsch, hast du den Fehler gefunden, ohne deine echte Datei anzufassen.

Teste dich selbst​

Check yourself

0/3
  1. Was ist die einzelne nützlichste Information, die du einem Modell gibst, bevor du es um SQL bittest?
  2. Das Modell antwortet mit einer Monatsumsatzzahl, ohne dass du irgendetwas ausgeführt hast. Was ist diese Zahl?
  3. Deine Umsatzsumme verdreifacht sich plötzlich, nachdem du eine Kundentabelle zur Abfrage hinzugefügt hast. Was solltest du zuerst verdächtigen?

Das Wichtigste​

Key takeaways
  • Beschreibe zuerst Spalten, Typen und die GRANULARITÄT — Granularitätsfehler sind häufiger und teurer als Syntaxfehler
  • Frage immer nach den Annahmen der Abfrage und prüfe diese noch vor dem SQL
  • Führe sie selbst aus. Eine Zahl, die das Modell nicht berechnet hat, ist per Definition ungeprüft
  • Gib die echte Ausgabe zur Interpretation zurück — Zahlen lesen ist der Teil, in dem KI zuverlässig gut ist
  • Nullwerte, doppelte Zeilen, Zeitzonen und vermischte Währungen sind die vier stillen Ergebnisveränderer
  • Plausibilisiere Größenordnungen und Zeilenanzahlen; verdächtige den Join, wenn eine Summe springt
  • Halte personenbezogene Daten aus Tools heraus, die du nicht geprüft hast

Weiter​