Datenanalyse mit KI: So nutzen Sie ChatGPT, Claude, Gemini und Copilot richtig

Wie funktioniert Datenanalyse mit KI?

Datenanalyse mit KI bedeutet, eine Tabelle oder einen exportierten Bericht an einen Assistenten wie ChatGPT, Claude, Gemini oder Copilot zu geben und ihn in normaler Sprache bereinigen, zusammenfassen, visualisieren oder Formeln schreiben zu lassen. Der Assistent beschleunigt die Arbeit; das Ergebnis prüfen und verantworten Sie selbst.

Seit 2012 arbeite ich mit Werbekonten, Verkaufstabellen und Analyseberichten. Die größte Veränderung der letzten zwei Jahre ist die Zeit zwischen Frage und Antwort. Früher kostete es eine halbe Stunde, eine Pivot Tabelle aufzubauen, eine Formel zu reparieren und ein Diagramm zu formatieren; heute sehe ich einen ersten Entwurf oft nach wenigen Minuten. Allerdings habe ich auch viele Fälle erlebt, in denen der Assistent danebenlag. Deshalb behandelt dieser Leitfaden beide Seiten: wo KI Zeit spart und wo sie Sie in die Irre führen kann.

Der Aufbau folgt einem echten Arbeitsablauf. Zunächst klären wir, welcher Assistent zu welcher Aufgabe passt. Danach gehen wir Datenbereinigung, explorative Analyse, Visualisierung sowie Formeln und Code durch. Schließlich sprechen wir über Prüfung, Halluzinationen und Datenschutz nach DSGVO, denn genau dort liegt das eigentliche Risiko.

Was macht ein KI Assistent eigentlich mit Ihren Daten?

Ein Assistent übersetzt Ihren Satz in eine Operation. Wenn Sie zum Beispiel fragen, welche Kampagne die günstigsten Conversions gebracht hat, gruppiert er Zeilen, teilt eine Spalte durch eine andere und sortiert das Ergebnis. Manche Assistenten erledigen das, indem sie im Hintergrund Python Code ausführen; andere nutzen die Formel und Pivot Funktionen der Tabellenkalkulation selbst.

Dieser Unterschied ist wichtig. Ein Assistent, der Code ausführt, rechnet tatsächlich und kann Ihnen den Code zeigen. Ein Modell, das nur Text erzeugt, liefert dagegen womöglich Zahlen, die plausibel klingen, ohne sie zu berechnen. Folglich bekommen Sie auf dieselbe Frage von zwei Werkzeugen Antworten mit ganz unterschiedlicher Verlässlichkeit.

• Vorbereitung: Spaltennamen korrigieren, Datumsformate vereinheitlichen, doppelte Zeilen finden.
• Erkundung: Kennzahlen, Verteilungen, Ausreißer und Unterschiede zwischen Segmenten.
• Vermittlung: Diagrammvorschläge, kurze Management Zusammenfassung, präsentationsfähige Tabellen.
• Erzeugung: Excel Formeln, SQL Abfragen oder Python Skripte schreiben.

Anders gesagt: Der Assistent ist kein Analyst, sondern ein sehr schneller Helfer. Die richtige Frage stellen, die Daten kennen und das Ergebnis in den geschäftlichen Zusammenhang setzen, bleibt Ihre Aufgabe. Der Rest dieses Leitfadens zeigt, wie Sie die Arbeit sinnvoll zwischen sich und dem Werkzeug aufteilen.

Welcher Assistent passt zu welcher Aufgabe?

Jeder Assistent auf dem Markt verspricht Datenanalyse, aber sie arbeiten an unterschiedlichen Orten. Ich empfehle, nach dem Ort der Daten zu wählen statt nach der Marke. Liegen die Daten in Excel, verursacht der Assistent in Excel die wenigsten Reibungsverluste. Liegen sie in Google Sheets, ist Gemini naheliegend. Für einen unordentlichen CSV Export ist ein Chat Assistent mit Datei Upload meist der schnellste Weg.

Kurz gesagt: Den einen besten Assistenten gibt es nicht. Im Alltag kombinieren mein Team und ich meist zwei Werkzeuge: den Assistenten dort, wo die Daten liegen, und ein zweites Werkzeug, um kritische Zahlen gegenzuprüfen.

Wie läuft Datenanalyse mit KI in ChatGPT ab?

Laut dem offiziellen Hilfeartikel von OpenAI kann ChatGPT hochgeladene Dateien analysieren, Fragen zu den Daten beantworten und Tabellen oder Diagramme erstellen. Bei manchen Aufgaben schreibt und startet ChatGPT im Hintergrund Python Code. Derselbe Artikel erwähnt außerdem, dass diese Python Umgebung keine externen Webanfragen stellen kann; die benötigten Daten laden Sie also selbst hoch.

In der Praxis sieht der Ablauf so aus:

1. Laden Sie die Datei hoch und fragen Sie zuerst, welche Spalten sie enthält und welchen Datentyp jede Spalte hat.
2. Vergleichen Sie die beschriebene Struktur mit der Struktur, die Sie kennen.
3. Dann stellen Sie eine klare Frage: welche Kennzahl, welche Aufteilung, welcher Zeitraum.
4. Nach dem Ergebnis lassen Sie sich den verwendeten Code zeigen.

OpenAI empfiehlt außerdem klare Spaltennamen und einen Datensatz pro Zeile. Das deckt sich mit meiner Erfahrung: verbundene Zellen, zwei übereinanderliegende Kopfzeilen und Zwischensummen verwirren Assistenten am meisten. Daher sparen zwei Minuten Aufräumen vor dem Upload oft die nächste halbe Stunde.

Eine weitere Gewohnheit hilft sehr. Bitten Sie den Assistenten, Ihre Frage in eigenen Worten zu wiederholen. Weicht seine Formulierung von Ihrer Absicht ab, finden Sie den Fehler, bevor er im Bericht landet.

Wo machen Claude und Gemini einen Unterschied?

Claude finde ich besonders nützlich bei langen, textlastigen Daten. Kundenbewertungen, Supportanfragen und offene Antworten aus Umfragen sind gute Beispiele: Themen herausarbeiten und sie dann in eine Zahlentabelle überführen, gehört zu seinen Stärken. Zudem erklärt Claude den geschriebenen Code Schritt für Schritt, was jedem hilft, der den Code lesen und prüfen möchte.

Gemini ist sinnvoll für Daten, die schon im Google Umfeld liegen. Laut der Hilfeseite zu Google Sheets kann Gemini Tabellen anlegen, Formeln schreiben, Diagramme erstellen und Erkenntnisse aus Ihren Daten ableiten. Dieselbe Seite nennt als Voraussetzung einen passenden Workspace oder Google AI Tarif und weist darauf hin, dass die Funktion am besten mit nativen Google Sheets Dateien funktioniert. Arbeiten Sie also mit einer .xlsx Datei, speichern Sie diese eventuell zuerst als Google Sheets Datei.

In Colab hilft Gemini dabei, Code in einem Notebook zu erzeugen und Fehlermeldungen zu erklären. Wenn Ihre Python Kenntnisse begrenzt sind, ist das ein guter Weg zur Analyse, ohne alles selbst zu schreiben. Trotzdem ist dies kein pandas Kurs; das Ziel ist nicht, Code zu produzieren, sondern den angeforderten Code zu verstehen.

Zusammengefasst glänzt Claude, wenn die Daten vor allem aus Wörtern bestehen, und Gemini, wenn die Daten bereits in Sheets liegen. Beide brauchen dieselben Prüfgewohnheiten, die ich weiter unten beschreibe.

Was können Sie mit Copilot in Excel erledigen?

Für Teams, die in Excel leben, ist Copilot meist die Variante mit den geringsten Reibungsverlusten. Laut der Supportseite von Microsoft kann Copilot Ihre Daten analysieren und Erkenntnisse als Diagramme, PivotTables, Zusammenfassungen, Trends oder Ausreißer liefern. Außerdem kann er neue Spalten aus vorhandenen Daten berechnen und bei Texten wie Umfragen oder Bewertungen Themen und Stimmung zusammenfassen.

Am meisten hilft mir Copilot, wenn ich die Logik einer Formel kenne, aber nicht die genaue Syntax. Zum Beispiel geht die Bitte, eine Spalte mit den Kosten pro Conversion für jede Kampagne anzulegen, schneller als das Eintippen der Formel. Zudem landet das Ergebnis direkt in der Arbeitsmappe, sodass Sie die Zelle anklicken und die Formel lesen können.

Andererseits erwartet Copilot eine saubere Tabellenstruktur. Bei unklaren Überschriften oder Leerzeilen mitten in den Daten fällt das Ergebnis schwächer aus. Deshalb ist der erste Schritt immer derselbe: Bereich als Excel Tabelle formatieren, Spalten klar benennen und erst dann fragen.

Ich empfehle außerdem, eine Kopie des Originalblatts zu behalten, bevor Copilot Spalten ergänzt oder Daten umsortiert. Geht etwas schief, vergleichen Sie mit der unberührten Version, statt zu raten.

Was bieten die KI Funktionen in GA4?

Google Analytics 4 enthält eine eingebaute Ebene namens Analytics Intelligence. Laut der Dokumentation zur Anomalieerkennung schätzt sie den erwarteten Wert einer Kennzahl aus historischen Daten und markiert den tatsächlichen Wert als Anomalie, wenn er außerhalb des Konfidenzintervalls liegt. Für tägliche Anomalien nennt Google einen Trainingszeitraum von 90 Tagen.

Damit beantworten Sie die erste Hälfte der Frage, warum der Traffic heute gesunken ist: Ist der Rückgang wirklich ungewöhnlich oder nicht? Allerdings beantwortet GA4 nicht die zweite Hälfte, also die Ursache. Ob eine Kampagne pausiert, ein Tag ausgefallen oder eine Seite offline ist, müssen Sie selbst untersuchen.

Meine Empfehlung: Nutzen Sie GA4 Hinweise als Frühwarnung und stellen Sie die Detailfragen anhand exportierter Daten in einem Chat Assistenten. Damit die Trafficquellen sauber bleiben, kennzeichnen Sie Kampagnenlinks einheitlich mit dem UTM Generator; sonst analysiert der Assistent unsaubere Quelldaten. Welche Werkzeuge wir neben GA4 einsetzen, beschreibe ich im Beitrag über Webanalyse Tools.

Denken Sie außerdem daran, dass GA4 Insights von korrektem Tracking abhängen. Feuern wichtige Events nicht mehr, sieht das Modell einen echten Einbruch, obwohl sich die Kunden normal verhalten haben.

Wie hilft KI bei der Datenbereinigung?

Der größte Teil jeder Analyse fließt in die Bereinigung, und genau hier sparen Assistenten wirklich Stunden. Allerdings empfehle ich, nicht mit "bereinige das" zu beginnen, sondern mit "liste zuerst die Probleme auf". So sehen Sie, was sich ändert, bevor sich etwas ändert.

Für einen guten Bereinigungsdurchgang können Sie diese Prüfungen anfordern:

• Wie viele leere Zellen es gibt und in welchen Spalten sie sich häufen.
• Unterschiedliche Schreibweisen desselben Werts, etwa "München", "muenchen" und "MUC".
• Gemischte Datumsformate und Zeitzonenunterschiede in Datumsspalten.
• Werte, die wie Zahlen aussehen, aber als Text gespeichert sind, besonders bei Komma und Punkt.
• Komplett doppelte Zeilen im Vergleich zu Zeilen, in denen nur die ID doppelt vorkommt.

Dezimaltrennzeichen sind eine typische Falle. "1.250" kann je nach Ländereinstellung des Exports eintausendzweihundertfünfzig oder eins Komma zwei fünf bedeuten. Sagen Sie dem Assistenten daher ausdrücklich, dass die Quelle mit deutschen Ländereinstellungen exportiert hat. Vergleichen Sie nach der Bereinigung Zeilenzahl und Summen mit der Originaldatei; eine unerwartete Abweichung heißt, dass etwas verschwunden ist.

Führen Sie schließlich ein kurzes Protokoll jedes Bereinigungsschritts. Fragt später jemand, warum sich eine Zahl verändert hat, zeigen Sie auf die genaue Regel.

Welche Fragen stellen Sie in der explorativen Analyse?

Die explorative Analyse beantwortet die Frage, was überhaupt in den Daten steckt. Hier sind Assistenten am produktivsten, weil sie schnelle Blicke aus vielen Richtungen liefern. Trotzdem funktionieren geschichtete Fragen besser als breite.

Ich arbeite meist in drei Ebenen. Erstens das Gesamtbild: Summen, Mittelwerte, Mediane und Verteilungen. Zweitens die Aufteilung: Unterschiede nach Kanal, Gerät, Region oder Produktgruppe. Drittens die Zeit: Wochentrends, Saisonalität und Bruchstellen. Auf jeder Ebene bitte ich den Assistenten um die Zahl und um die Methode.

Zum Beispiel zeigt in einer Verkaufsdatei aus dem E-Commerce die Frage nach dem Median des Bestellwerts und nach dem Durchschnitt ohne das oberste Prozent, ob einige sehr große Bestellungen das Bild verzerren. Außerdem beantworten Assistenten solche detaillierten Anfragen konsistenter als vage.

Explorative Analyse erzeugt Hypothesen; sie beweist nichts. Seien Sie daher vorsichtig bei Sätzen, in denen der Assistent behauptet, X verursache Y. Für einen Nachweis brauchen Sie einen kontrollierten Test, und der AB Test Rechner hilft Ihnen einzuschätzen, ob ein Unterschied statistisch belastbar ist.

Eine nützliche Abschlussfrage lautet: "Was würdest du in diesen Daten noch untersuchen und warum?" Die Antwort bringt oft ein Segment oder einen Zeitraum ans Licht, an den Sie nicht gedacht hatten.

Wie visualisieren Sie Ergebnisse aus der Datenanalyse mit KI?

Assistenten erstellen Diagramme schnell, wählen aber nicht immer das richtige. Nennen Sie deshalb den Zweck: Vergleich, Veränderung über die Zeit, Verteilung oder Anteil am Ganzen. Ist der Zweck klar, wählt der Assistent meist einen passenden Diagrammtyp.

Diese einfachen Regeln nutze ich:

• Liniendiagramme für Zeitreihen, horizontale Balken für Kategorienvergleiche.
• Kreisdiagramme nur bei zwei oder drei Teilen.
• Beginnt die Achse nicht bei null, schreiben Sie das in den Diagrammtitel.
• Eine Botschaft pro Diagramm; eine zweite Botschaft bedeutet ein zweites Diagramm.

Bitten Sie den Assistenten außerdem um eine Lesehilfe in einem Satz unter jedem Diagramm. Diese Notiz sagt Ihrem Publikum, worauf es achten soll, wenn das Diagramm in einer Präsentation erscheint. Wie Diagramme auf einer Website Interaktion fördern, erkläre ich im Beitrag zur Datenvisualisierung.

Prüfen Sie schließlich Farben und Beschriftungen. Einem KI Diagramm fehlt womöglich ein Achsentitel oder es nutzt die falsche Einheit, und solche kleinen Fehler kosten in einer Präsentation schnell Vertrauen. Fordern Sie außerdem Währungs und Prozentformate im deutschen Stil an.

Wie lassen Sie Formeln, SQL und Python Code erzeugen?

Code und Formeln zu erzeugen ist der am besten messbare Nutzen der Assistenten, denn Sie können das Ergebnis ausführen und testen. Für ein gutes Ergebnis stellen Sie dem Assistenten allerdings die Tabelle vor: Tabellenname, Spaltennamen, Datentypen und einige Beispielzeilen. Ohne diese Angaben erfindet er womöglich Spaltennamen, die es nicht gibt.

Eine gute Anfrage enthält vier Teile:

1. Ihre Umgebung: Excel, Google Sheets, welche Datenbank oder Python.
2. Die Tabellenstruktur: Spaltennamen und Typen.
3. Das gewünschte Ergebnis: welche Spalte, welche Gruppierung, welche Sortierung.
4. Sonderfälle: leere Werte, Division durch null, Grenzen des Zeitraums.

Zum Beispiel verhindert die Bitte um eine Spalte, die Kosten durch Conversions teilt und bei null Conversions leer bleibt, von Anfang an einen Fehler durch Division durch null. Starten Sie erzeugte SQL Abfragen zuerst auf einem kurzen Zeitraum und vergleichen Sie das Ergebnis mit einigen Zeilen, die Sie von Hand geprüft haben.

Dieser Beitrag ist kein SQL oder pandas Kurs; Sie sollen den erzeugten Code so weit verstehen, dass Sie ihn lesen können. Lassen Sie sich erklären, was jede Zeile tut. Enthält die Erklärung einen unlogischen Schritt, ist wahrscheinlich auch der Code fehlerhaft.

Wie prüfen Sie die Ergebnisse des Assistenten?

Die Prüfung ist der Schritt der Datenanalyse mit KI, den Sie nie auslassen sollten. Weil der Assistent schnell ist, eilen Menschen ebenfalls; dennoch kostet eine schnelle falsche Antwort mehr als eine langsame richtige. Bevor ein Bericht rausgeht, gehen mein Team und ich immer dieselbe Checkliste durch.

• Summenprüfung: Stimmt die Summe des Assistenten mit der Summe im Quellsystem überein?
• Zeilenprüfung: Wie viele Zeilen bleiben nach dem Filter übrig, und ist das plausibel?
• Stichprobe: Rechnen Sie drei zufällige Zeilen von Hand nach und vergleichen Sie.
• Zweites Werkzeug: Lassen Sie eine kritische Zahl von einem anderen Assistenten oder einer einfachen Formel nachrechnen.
• Code lesen: Passen Filter und Gruppierung zu Ihrer Frage?

Eine einfache Quote wie die Conversion Rate mit dem Conversion Rate Rechner nachzurechnen, dauert nur Sekunden. Dieser kleine Schritt verhindert, dass eine falsche Quote in die Präsentation für die Geschäftsführung gelangt.

Kurz gesagt: Behandeln Sie die Antwort des Assistenten wie den ersten Entwurf eines Kollegen. Sie ist nützlich und schnell, aber Sie prüfen sie, bevor Sie Ihren Namen daruntersetzen.

Wie zeigen sich Halluzinationen in der Datenanalyse?

Eine Halluzination liegt vor, wenn ein Modell selbstsicher Informationen erzeugt, die nicht stimmen. In der Datenanalyse zeigt sich das meist auf drei Arten. Erstens erfindet es eine Spalte oder einen Wert, den es nicht gibt. Zweitens nennt es eine geschätzte Zahl, ohne Code auszuführen. Drittens hängt es an eine korrekt berechnete Zahl eine falsche Deutung.

Die dritte Variante ist die gefährlichste, weil eine richtige Zahl Sie auch der Erklärung vertrauen lässt. Der Assistent berechnet zum Beispiel korrekt, dass der Umsatz in einem Monat gestiegen ist, und verknüpft das mit einer neuen Kampagne, obwohl in diesen Monat eine Ferienzeit fiel. Das Modell kennt den Zusammenhang außerhalb der Daten nicht.

Einige Gewohnheiten verringern Halluzinationen. Vor allem sollten Sie verlangen, dass der Assistent mit Code rechnet und diesen zeigt. Zudem weisen Sie ihn an, Unsicherheiten offen zu benennen. Außerdem trennen Sie Berechnung und Deutung: Fordern Sie zuerst nur die Zahlen an und deuten Sie diese selbst oder in einem eigenen Schritt.

Schließlich sollten Sie aufpassen, wenn der Assistent externe Zahlen mitbringt. Kommt ein Branchenwert ohne Quellenlink, gehört er nicht in Ihren Bericht. Eine Zahl ohne Quelle schwächt das Vertrauen in das gesamte Dokument.

Welche Daten sollten Sie nach DSGVO nie hochladen?

Dieser Abschnitt ist keine Rechtsberatung, sondern ein praktischer Rahmen aus der Arbeit. Wer eine Datei mit personenbezogenen Daten bei einem KI Dienst hochlädt, übermittelt diese Daten womöglich an einen Dienstleister. Folglich gelten Ihre Pflichten nach DSGVO auch hier, einschließlich Rechtsgrundlage, Auftragsverarbeitungsvertrag und Speicherort beim Anbieter.

Diese Regeln wende ich in der Praxis an:

• Entfernen Sie Spalten mit Namen, Telefonnummern, E-Mail Adressen, Ausweisnummern und vollständigen Anschriften vor dem Upload.
• Braucht die Analyse keine Identität, ersetzen Sie Kundennummern durch bedeutungslose Codes.
• Laden Sie besondere Kategorien wie Gesundheitsdaten nie in allgemeine Chat Assistenten.
• Prüfen Sie bei Business Tarifen in Einstellungen und Vertrag, ob Ihre Daten das Training der Modelle speisen.

Die meisten Analysefragen brauchen gar keine personenbezogenen Daten. Die Frage, welche Stadt den höchsten durchschnittlichen Warenkorb hat, benötigt keine Namensspalte. Wenn Sie die Daten auf das Nötige verkleinern, sinken das Risiko und die Verwirrung des Assistenten. Die Seite der Website behandle ich im Leitfaden zur datenschutzkonformen Website.

In welchen Marketingszenarien setzen wir Assistenten ein?

Ein großer Teil unserer täglichen Arbeit dreht sich um Marketingdaten, und die Szenarien mit der größten Zeitersparnis wiederholen sich. Zum Beispiel dauert es von Hand Stunden, Tausende Zeilen aus einem Suchbegriffsbericht in Google Ads nach Suchabsicht zu gruppieren; mit einem Assistenten steht der erste Entwurf nach Minuten, und wir prüfen die Gruppierung danach.

Ebenso beschleunigt ein Assistent auf der SEO Seite die Arbeit: Suchanfragen aus der Search Console in Themen bündeln, Seiten mit vielen Impressionen und wenigen Klicks finden und daraus eine Prioritätenliste machen. Trotzdem entscheiden wir anhand der Geschäftsziele, welche Seite wir zuerst angehen, nicht anhand der Rangfolge des Assistenten.

Das Reporting ist der dritte große Bereich. Der Assistent kann aus Wochenzahlen eine kurze Zusammenfassung entwerfen. Welche Kennzahl zählt, hängt allerdings von Ihren Online Marketing KPIs ab, und die kann Ihnen kein Werkzeug abnehmen.

Wenn Sie das nicht selbst betreiben möchten, analysieren mein Team und ich die Daten im Rahmen der Google Ads Verwaltung und der SEO Beratung und machen daraus klare Empfehlungen.

Wie schreiben Sie einen guten Prompt für die Datenanalyse mit KI?

Prompts sind ein eigenes Thema, deshalb geht es hier nur um den datenbezogenen Teil. Ein guter Prompt für Datenfragen enthält meist vier Informationen: Kontext, Datenbeschreibung, Frage und Ausgabeformat. Fehlt eine davon, füllt der Assistent die Lücke mit einer eigenen Annahme.

Vergleichen Sie zwei Prompts. Der schwache lautet: "Analysiere diese Datei." Der starke lautet: "Diese Datei enthält die Bestellungen eines Onlineshops aus den letzten 90 Tagen; jede Zeile ist eine Bestellung. Gib mir Anzahl der Bestellungen, Median des Warenkorbs und Retourenquote nach Kanal als Tabelle und zeige den verwendeten Code." Der zweite Prompt grenzt die Berechnung ein und ermöglicht die Prüfung.

Konzentrieren Sie außerdem jeden Prompt auf eine Frage. Fünf Fragen in einer Nachricht führen dazu, dass der Assistent manche davon oberflächlich beantwortet. Dann fällt es leichter, die Antwort zu prüfen und zu sehen, in welchem Schritt ein Fehler auftrat.

Ein letzter Tipp: Lassen Sie den Assistenten seine Annahmen auflisten. Die Frage, welche Annahmen er bei dieser Analyse getroffen hat, bringt oft Filter und Umrechnungen ans Licht, die Sie sonst übersehen hätten.

Wo liegen die Grenzen von KI Assistenten?

Die Grenzen zu kennen, ist die Voraussetzung dafür, Assistenten mit den richtigen Erwartungen zu nutzen. Zunächst gibt es Grenzen bei Dateigröße und Kontext; bei sehr großen Datensätzen zieht der Assistent womöglich Stichproben oder überspringt Teile. Daher ist es sicherer, große Daten zuerst in der Datenbank zu verdichten und dem Assistenten die Zusammenfassung zu geben.

Die zweite Grenze ist der geschäftliche Zusammenhang. Der Assistent weiß nicht, dass Sie letzten Monat die Preise geändert haben, dass ein Produkt ausverkauft war oder dass Ihr Tracking zwei Tage ausgefallen ist. Liefern Sie diese Informationen nicht, erhalten Sie korrekt berechnete, aber falsch gedeutete Ergebnisse.

Die dritte Grenze ist die Konsistenz. Dieselbe Frage zweimal gestellt, kann leicht unterschiedliche Antworten bringen. Speichern Sie deshalb für wiederkehrende Berichte die einmal erzeugte und geprüfte Formel oder das Skript und nutzen Sie es erneut, statt jedes Mal neu rechnen zu lassen.

Schließlich lässt sich Verantwortung nicht abgeben. Hinter der Zahl im Bericht stehen Sie. Wie Sie KI auf der Kundenseite Ihrer Website einsetzen, lesen Sie im Beitrag über KI auf der Website.

Welche Fehler passieren am häufigsten?

Der häufigste Fehler, den ich sehe, ist, die erste Antwort des Assistenten als endgültig zu behandeln. Die erste Antwort ist ein Ausgangspunkt; klar wird sie meist erst nach ein oder zwei Rückfragen. Gewöhnen Sie sich daher Fragen an wie "Mit welchem Filter kam dieses Ergebnis zustande?" oder "Hast du Retouren ausgeschlossen?".

Der zweite Fehler ist, Daten aus verschiedenen Quellen zusammenzuführen, ohne Definitionen zu prüfen. Eine Conversion im Werbekonto und eine Conversion in GA4 folgen nicht unbedingt derselben Definition. Der Assistent stellt beide Zahlen nebeneinander, kennt aber den Grund für die Abweichung nicht. Folglich entsteht ohne Ihre Erklärung ein irreführender Vergleich.

Der dritte Fehler ist, zu lange in einer Sitzung zu arbeiten. Je länger der Chat, desto eher vermischt der Assistent Details aus früheren Schritten. Bei einer großen Analyse bringt ein frischer Chat mit sauberen Daten für jeden Hauptschritt konsistentere Ergebnisse.

Schließlich geraten oft Dateiversionen durcheinander. Speichern Sie die bereinigte Datei unter neuem Namen, dann wissen Sie immer, welches Ergebnis aus welchen Daten stammt.

Mit welchen Schritten fangen Sie an?

Machen Sie den ersten Versuch mit kleinen Daten ohne Risiko. Ideal ist ein Bericht ohne personenbezogene Daten, dessen Antwort Sie schon kennen, etwa die Umsatzübersicht des letzten Monats nach Kanal. So sehen Sie sofort, wo der Assistent richtig liegt und wo er danebengreift.

1. Wählen Sie den Assistenten nach dem Ort der Daten: Excel, Sheets oder Chat.
2. Entfernen Sie Spalten mit personenbezogenen Daten und bringen Sie die Datei in eine saubere Tabellenstruktur.
3. Lassen Sie den Assistenten zuerst die Daten beschreiben und stellen Sie dann eine klare Frage.
4. Sehen Sie sich Code oder Formel an und vergleichen Sie die Summen mit der Quelle.
5. Speichern Sie die geprüfte Formel oder das Skript zur erneuten Nutzung.

Wiederholen Sie diese fünf Schritte bei einigen Berichten, entwickeln Sie ein eigenes Gespür dafür, wo der Assistent verlässlich ist und wo er Aufmerksamkeit braucht. Dieses Urteil kann Ihnen kein Werkzeug fertig liefern.

Wenn Sie Ihre Daten in eine entscheidungsfähige Form bringen und Prioritäten bei Werbung und SEO klären möchten, planen mein Team und ich den Prozess gern von Anfang bis Ende mit Ihnen.