Prompt des Tages: KI-Datendetektiv -- Muster, Trends und verborgene Erkenntnisse in deinen Daten aufspüren
Du öffnest eine Excel-Tabelle mit den Verkaufszahlen der letzten sechs Monate. 2.000 Zeilen, 15 Spalten. Du scrollst runter, scrollst wieder hoch, sortierst eine Spalte, machst sie wieder rückgängig. Nach 20 Minuten weißt du genau so viel wie vorher: nichts.
Das Problem: Die meisten Menschen können Daten sammeln, aber nicht lesen. Du hast Zugang zu mehr Daten als je zuvor -- Verkaufszahlen, Website-Statistiken, Umfrageergebnisse, Projektzeiten, Ausgaben, Kundenfeedback. Aber eine Tabelle voller Zahlen erzählt dir von alleine keine Geschichte. Du brauchst jemanden, der die richtigen Fragen stellt und die Antworten verständlich macht.
Das eigentliche Problem: Datenanalyse fühlt sich an wie etwas für Spezialisten. Für Leute, die Statistik studiert haben und Python-Skripte schreiben. Aber 80 % aller Datenanalysen im Alltag brauchen keine Regression und kein Machine Learning. Sie brauchen jemanden, der sagt: 'Hier ist das Muster. Hier ist der Ausreißer. Und hier ist, was du deshalb tun solltest.'
Die Lösung: KI kann dein Datenanalyst sein. Du gibst ihr deine Daten (als Tabelle, CSV oder einfach abgetippt), beschreibst den Kontext -- und sie findet Muster, die du übersehen hast, erklärt Zusammenhänge in einfacher Sprache und gibt dir konkrete Handlungsempfehlungen.
Wofür du das nutzen kannst:
- Business: Verkaufszahlen analysieren, Kundenverhalten verstehen, Umsatztrends erkennen
- Marketing: Kampagnen-Performance vergleichen, beste Kanäle identifizieren, Conversion-Raten auswerten
- Finanzen: Ausgabenmuster erkennen, Budgetabweichungen finden, Sparpotenziale aufdecken
- HR: Mitarbeiterzufriedenheit auswerten, Fluktuationsrisiken erkennen, Recruiting-Kanäle bewerten
- Privat: Haushaltsbudget analysieren, Stromverbrauch verstehen, Fitness-Daten auswerten
- Projektmanagement: Zeitaufwände analysieren, Engpässe identifizieren, Planabweichungen erkennen
So funktioniert es:
1. Exportiere deine Daten als CSV oder kopiere die Tabelle direkt in den Chat
2. Fülle den Prompt aus -- je mehr Kontext du gibst, desto bessere Erkenntnisse bekommst du
3. Lies die Analyse und stelle Folgefragen zu den Punkten, die dich am meisten überraschen
Wichtig: Lade keine vertraulichen Daten hoch, wenn du einen Cloud-KI-Dienst nutzt. Anonymisiere sensible Informationen (Namen, Adressen, IDs) vorher. Bei vertraulichen Unternehmensdaten prüfe, ob dein KI-Tool die Daten für Training verwendet -- und nutze gegebenenfalls die API oder eine lokale Lösung.
Profi-Tipps:
- Hypothesen testen: 'Ich vermute, dass [Hypothese]. Prüfe das anhand meiner Daten. Wie stark ist der Zusammenhang?'
- Segmentierung: 'Teile meine Daten in sinnvolle Gruppen auf (z.B. nach Region, Zeitraum, Kundentyp). Wo sind die größten Unterschiede zwischen den Gruppen?'
- Prognose: 'Basierend auf den bisherigen Trends -- wie werden sich die Zahlen in den nächsten 3 Monaten entwickeln? Welche Annahmen stecken in dieser Prognose?'
- Anomalie-Deep-Dive: 'Du hast einen Ausreißer gefunden. Welche möglichen Erklärungen gibt es? Was sollte ich als Erstes prüfen?'
- Visualisierungsempfehlung: 'Welche 3 Diagramme würden die wichtigsten Erkenntnisse am besten darstellen? Beschreibe sie so, dass ich sie in Excel oder Google Sheets nachbauen kann.'
- Vergleich: 'Vergleiche die Daten von [Zeitraum A] mit [Zeitraum B]. Was hat sich signifikant verändert? Was ist gleich geblieben?'
- Ursachenforschung: 'Der Wert in [Monat/Kategorie] ist ungewöhnlich hoch/niedrig. Was könnte die Ursache sein? Welche externen Faktoren sollte ich prüfen?'
Du bist ein erfahrener Datenanalyst, der komplexe Datensätze verständlich aufbereitet -- für Menschen, die keine Statistik-Experten sind. Du findest Muster, die andere übersehen, erklärst Zusammenhänge in einfacher Sprache und gibst immer konkrete Handlungsempfehlungen.
**Meine Daten:**
[Füge hier deine Daten ein: als Tabelle, CSV, oder beschreibe die Daten und ihre Struktur. Je mehr Kontext, desto besser die Analyse.]
**Kontext:**
- Was die Daten zeigen: [z.B. 'Monatliche Verkaufszahlen nach Produkt und Region', 'Website-Traffic der letzten 12 Monate', 'Ergebnisse einer Kundenzufriedenheitsumfrage mit 200 Teilnehmern', 'Mein Haushaltsbudget der letzten 6 Monate']
- Mein Ziel: [z.B. 'Verstehen, warum die Verkäufe im März eingebrochen sind', 'Herausfinden, welche Marketing-Kanäle am besten funktionieren', 'Sparpotenziale im Haushaltsbudget finden']
- Was mich besonders interessiert: [z.B. 'Saisonale Muster', 'Unterschiede zwischen Regionen', 'Welche Kunden am profitabelsten sind', 'Wo das meiste Geld versickert']
- Zeitraum: [z.B. 'Januar bis Juni 2026', 'Die letzten 3 Jahre', 'Kalenderwoche 20 bis 25']
---
Analysiere meine Daten in 5 Schritten:
**Schritt 1: Datenüberblick**
- Wie viele Datenpunkte habe ich? Welche Variablen gibt es?
- Gibt es fehlende Werte oder offensichtliche Datenfehler?
- Zusammenfassung der wichtigsten Kennzahlen: Durchschnitt, Median, Minimum, Maximum -- erklärt in einfacher Sprache ('Der typische Wert liegt bei X, aber es gibt Spitzen bis Y')
- Datenqualitäts-Check: Kann ich den Daten vertrauen, oder gibt es Auffälligkeiten?
**Schritt 2: Die 3 wichtigsten Muster**
Finde die drei auffälligsten Muster in meinen Daten. Für jedes Muster:
- Was ist das Muster? (In einem klaren Satz)
- Wie stark ist es? (In Prozent oder konkreten Zahlen aus meinen Daten)
- Was könnte die Ursache sein? (Mindestens 2 mögliche Erklärungen)
- Warum ist das relevant für mein Ziel?
**Schritt 3: Ausreißer und Anomalien**
- Welche Datenpunkte weichen deutlich vom Rest ab?
- Sind das Fehler, Sonderfälle oder wichtige Signale?
- Für jeden Ausreißer: Was sollte ich als Erstes überprüfen?
- Gibt es verdächtige Muster (z.B. auffällig runde Zahlen, identische Werte, unplausible Sprünge)?
**Schritt 4: Zusammenhänge und Korrelationen**
- Welche Variablen hängen zusammen? (Steigt A, wenn B steigt?)
- Wie stark ist der Zusammenhang? (Stark, mittel, schwach)
- Welche Zusammenhänge sind überraschend oder unerwartet?
- **Wichtig:** Trenne klar zwischen Korrelation und Kausalität. Erkläre an einem konkreten Beispiel aus meinen Daten den Unterschied.
**Schritt 5: Handlungsempfehlungen**
Basierend auf der gesamten Analyse:
- **Sofort tun:** 1-2 konkrete Maßnahmen, die ich auf Basis dieser Daten umsetzen kann
- **Genauer untersuchen:** 1-2 Bereiche, in denen ich mehr Daten sammeln oder tiefer graben sollte
- **Langfristig beobachten:** 1-2 Trends, die ich in den nächsten Monaten weiter tracken sollte
- **Visualisierung:** Welche 2-3 Diagramme sollte ich erstellen, um die Erkenntnisse zu präsentieren? (Nenne den Diagrammtyp, was auf welche Achse gehört und was das Diagramm zeigt)
- **Die eine Zahl:** Wenn du mir nur EINE Zahl aus der gesamten Analyse nennen dürftest, die ich mir merken sollte -- welche wäre es und warum?
**Regeln:**
- Erkläre alles so, dass jemand ohne Statistik-Hintergrund es versteht
- Wenn du Fachbegriffe verwendest, erkläre sie sofort in Klammern
- Unterscheide klar zwischen dem, was die Daten zeigen (Fakten) und dem, was sie bedeuten könnten (Interpretation)
- Wenn die Datenmenge für eine verlässliche Aussage nicht ausreicht, sage das ehrlich
- Nenne immer konkrete Zahlen aus meinen Daten als Beleg
- Wenn ich wichtige Informationen nicht mitgeliefert habe, frage nach -- rate nicht
- Vermeide Scheingenauigkeit: 'etwa 30 %' ist ehrlicher als '29,7 %', wenn die Datenbasis klein ist