Datenanalyse mit KI – vom Export zur Erkenntnis

Ein Auftragsexport aus dem ERP, eine Auswertung aus dem Ticketsystem, die Umsatzliste aus dem Shop: Solche Dateien entstehen jeden Monat, und die meisten werden nie angesehen. An fehlenden Fragen liegt das selten. Zwischen der Datei und der Antwort stand bisher ein Werkzeug, das jemand beherrschen musste: Pivot-Tabellen, Formeln, im Zweifel ein BI-Tool samt Dienstleister.

Diese Hürde ist gefallen. Moderne KI-Werkzeuge nehmen eine Tabelle entgegen, schreiben den Auswertungscode selbst und liefern Diagramme dazu. Was nicht gefallen ist: die Notwendigkeit, richtig vorzugehen. Wer der KI einen rohen Export hinwirft und "analysier das mal" schreibt, bekommt eine Antwort. Nur steht deren Qualität auf demselben Fundament wie vorher in Excel: Verstehst du deine Daten, stellst du die richtige Frage, und prüfst du das Ergebnis?

Der Workflow dieser Lesson

Diese Lesson behandelt die Auswertung vorhandener, strukturierter Daten: Tabellen mit Zeilen und Spalten. Wie du unstrukturiertes Wissen wie Dokumente und Ablagen für KI aufbereitest, ist ein eigenes Thema und steht in der Lesson Content ist nicht Context.

Ein Sprachmodell sagt das wahrscheinlichste nächste Token vorher. Das gilt auch dann, wenn in deinem Prompt eine Tabelle steht und du nach dem Durchschnitt fragst. Das Modell liest die Zahlen als Text und produziert eine Antwort, die sprachlich plausibel klingt. Ob sie stimmt, ist Zufall. Bei sechs Zeilen geht das oft gut, bei sechshundert praktisch nie. Warum das so ist, erklärt die Lesson Generative KI verstehen im Detail.

Zwei Wege zu einer Zahl

Gute Analyse-Werkzeuge lösen das Problem, indem sie die Arbeit aufteilen. Das Sprachmodell versteht deine Frage und schreibt daraus ein kleines Programm, meist in Python. Dieses Programm läuft in einer abgesicherten Umgebung über deine komplette Datei, und erst dessen Ergebnis kommt zurück in die Antwort. Die KI formuliert. Der Code rechnet.

Woran du erkennst, dass gerechnet wird

• Das Werkzeug nimmt Dateien an (CSV, Excel), statt dass du Zahlen in den Prompt kopierst.
• Du siehst, dass Code läuft: ein einsehbarer Code-Block, eine Anzeige wie "Analyse läuft" oder ein Ausführungsprotokoll.
• Das Ergebnis ist reproduzierbar: dieselbe Frage auf dieselbe Datei liefert dieselbe Zahl.
• Du kannst nachfragen: "Zeig mir den Code" oder "Wie bist du auf die Zahl gekommen?" liefert eine konkrete, prüfbare Antwort.

Die Versuchung ist groß, sofort Fragen zu stellen. Der bessere erste Schritt ist ein Profil: Was liegt hier eigentlich vor? Denn jede Auswertung übernimmt stillschweigend Annahmen über die Daten, und falsche Annahmen produzieren falsche Zahlen, ganz ohne Rechenfehler.

Die Beispieldaten dieser Lesson

Alle Übungen ab hier arbeiten mit einem Auftragsexport der Seltrano GmbH, eines erfundenen mittelständischen Herstellers. Die Datei sieht harmlos aus, enthält aber die typischen Macken echter Exporte. Einige findest du vielleicht schon beim Lesen.

Das Profil: fünf Fragen vor der ersten Auswertung

1. Was ist eine Zeile? Ein Auftrag? Eine Position? Ein Kunde? Die Antwort entscheidet, was Summen und Durchschnitte überhaupt bedeuten.
2. Welche Spalten gibt es, und was bedeuten sie? Inklusive Einheiten: Ist umsatz_eur brutto oder netto?
3. Welcher Zeitraum ist abgedeckt, und ist er vollständig? Fehlende Wochen verzerren jeden Trend.
4. Welche Werte kommen je Spalte vor? Hier fallen Schreibvarianten und Format-Ausreißer auf.
5. Wo fehlen Werte? Und gibt es Zeilen, die doppelt vorkommen?

Die semantische Lücke: dein Datenwörterbuch

Das Profil beantwortet, was in der Datei steht. Es beantwortet nicht, was die Inhalte bedeuten. Die KI kennt weder eure Spaltenkürzel noch eure Geschäftslogik: Sie weiß nicht, dass "Sonderserie" ein projektbezogenes Einzelgeschäft ist oder dass "offen" bedeutet, dass noch keine Rechnung existiert. Diese Lücke schließt ein Datenwörterbuch: wenige Zeilen, die du jeder Analyse-Session mitgibst. Das ist dasselbe Prinzip wie in der Lesson Context Management: Das Modell kann nur mit dem Wissen arbeiten, das du ihm bereitstellst.

Rohe Exporte enthalten fast immer dieselben vier Fehlerklassen. Der Seltrano-Export hat sie alle eingebaut:

Bereinigen heißt entscheiden, nicht löschen

Keine dieser Korrekturen ist rein technisch. Ob der Storno rausfliegt, hängt von der Frage ab: Für den fakturierten Umsatz ja, für eine Stornoquoten-Analyse ist er der Kern. Ob der Großauftrag drinbleibt, ebenso: Für den Gesamtumsatz ja, für den typischen Auftragswert nein. Die KI erkennt die Kandidaten zuverlässig, aber die Entscheidung ist fachlich, und sie gehört zu dir. Deshalb arbeitest du mit expliziten Regeln und einer Protokollpflicht:

Was die Bereinigung wert ist

Der Effekt lässt sich beziffern. Fragst du die rohen Daten nach dem durchschnittlichen Auftragswert, rechnet der Code brav über alle 18 Zeilen: rund 4.207 €. Nach der Bereinigung (ohne Dublette, ohne Storno, ohne Sonderserie) sind es rund 1.543 €. Die erste Zahl ist fast das Dreifache der zweiten, und beide kamen aus korrekt ausgeführtem Code. Der Unterschied liegt allein in der Datengrundlage.

Die schwächste Stelle einer KI-Analyse ist selten die Technik. Es ist die Frage. "Wie läuft der Online-Kanal?" kann kein Code beantworten, weil nicht definiert ist, was "läuft" heißt: Umsatz? Stückzahl? Entwicklung? Im Vergleich wozu? Die KI wird trotzdem antworten und sich eine Interpretation aussuchen. Nur ist es dann ihre Interpretation, nicht deine Frage.

Die Übersetzung

Eine Analysefrage macht drei Dinge explizit, die in der Geschäftsfrage implizit stecken: die Kennzahl, den Vergleichsmaßstab und den Zeitraum.

Drei Grundbewegungen

• Segmentieren: das Ganze in Gruppen zerlegen (nach Region, Kanal, Produktlinie) und sehen, wo sich die Gruppen unterscheiden.
• Vergleichen: zwei Gruppen oder zwei Zeiträume nebeneinanderstellen, immer mit derselben Kennzahl.
• Trend: eine Kennzahl über die Zeit verfolgen, um Richtung und Brüche zu erkennen.

Der Rest ist Dialog. Die erste Antwort ist ein Startpunkt, kein Endergebnis: Du bohrst nach, lässt segmentieren, forderst den Vergleich ein. Das Muster kennst du aus Prompting fortgeschritten: iterativ arbeiten statt auf den einen perfekten Prompt zu hoffen.

Ein Diagramm ist eine Behauptung: Es betont eine Aussage und blendet andere aus. Deshalb ist die Diagrammwahl keine Geschmacksfrage, sondern folgt aus dem, was du zeigen willst.

In der Praxis heißt das: Du gibst der KI die Aussage vor, nicht den Diagrammtyp. "Zeig den Umsatzunterschied zwischen den drei Kanälen" führt fast immer zum richtigen Bild. "Mach mal ein Diagramm" führt zu irgendeinem.

Vom Einmal-Diagramm zum Dashboard

Das Kriterium für den nächsten Ausbauschritt ist die Frequenz der Frage. Eine Frage, die einmal auftaucht, beantwortest du im Chat und bist fertig. Eine Frage, die jeden Monat wiederkommt ("Wie liefen die Kanäle? Welche Region wächst?"), verdient ein kleines Dashboard: eine HTML-Seite oder Mini-App, die du per AI-Coding baust und in die du nur noch den neuen Export lädst. Was dafür nötig ist und wo deine Daten dabei liegen, behandeln Das mentale Modell und Acht Entscheidungen.

Code-Ausführung schließt Rechenfehler weitgehend aus. Sie schließt nicht aus, dass das Richtige falsch berechnet wurde: eine Spalte falsch interpretiert, ein Storno stillschweigend mitgezählt, ein Prozentwert ohne Bezugsgröße. Diese Fehler entstehen vor und nach dem Rechnen, und genau dort setzt die Prüfung an.

Vier Proben

1. Summenprobe: Ergeben die Teilwerte das Ganze? Der Umsatz der drei Kanäle muss zusammen den Gesamtumsatz ergeben. Tut er es nicht, fehlt eine Kategorie oder eine wurde doppelt gezählt.
2. Gegenrechnung: Rechne eine einzelne Zahl von Hand nach oder lass sie auf einem zweiten Weg berechnen (etwa über eine andere Gruppierung). Zwei Wege, ein Ergebnis.
3. Bezugsgrößen-Check: Bei jedem Prozentwert: Prozent wovon, und wie viele Fälle stecken dahinter? "50 % Wachstum im Kanal Ost" kann zwei Aufträge bedeuten.
4. Annahmen-Abfrage: Lass die KI offenlegen, was sie entschieden hat: ausgeschlossene Zeilen, Umgang mit Lücken, Interpretation unklarer Spalten.

Der Durchlauf in einem Absatz

So sah der komplette Weg mit den Seltrano-Daten aus: Das Profil zeigte 18 Zeilen mit einer Dublette, zwei Formatbrüchen, einem Ausreißer und einer Lücke. Das Datenwörterbuch klärte, dass Stornos nicht als Umsatz zählen und die Sonderserie Einzelgeschäft ist. Die Bereinigung mit Protokoll senkte den durchschnittlichen Auftragswert von scheinbaren 4.207 € auf belastbare 1.543 €. Die Analysefrage "Nettoumsatz je Kanal im März" ergab ein klares Balkendiagramm, und die Summenprobe bestätigte, dass die drei Kanäle zusammen den Gesamtumsatz ergeben. Keine einzelne Stelle davon war schwierig. Der Wert liegt in der Reihenfolge.

Wie es weitergeht

Diese Lesson hat die Daten pro Analyse bereinigt. Wenn dieselben Fehler aber in jedem Export wieder auftauchen, ist das ein Zeichen, das Problem an der Quelle zu lösen: in den Systemen, in denen die Daten entstehen. Genau darum geht es in Datenqualität für KI. Und wenn deine Auswertung regelmäßig wird, führt der Weg zum eigenen kleinen Dashboard über Das mentale Modell.