Eine Excel-Datei mit ChatGPT analysieren: Von Transaktionen zu Erkenntnissen

Der Datensatz der Übung

• Excel-Bericht über E-Commerce-Verkäufe in USD.
• Inhalt: Verkäufe nach Monat, Umsatz und durchschnittlicher Bestellwert.
• Umfang: 1.000 Produkte, 1.000 Kunden und 99.000 Transaktionen.
• Absichtlicher Fehler: eine Formel, die in Excel scheitert, in Google Sheets aber funktioniert.

1. Datei laden und Kontext geben

1. Klicke in ChatGPT auf das Plus-Symbol und hänge die Datei an.
2. Schreibe eine Anweisung, die eine Rolle enthält.
3. ChatGPT zeigt eine Vorschau der Datei, ihrer Tabellenblätter und wie es jede Tabelle interpretiert.

Handle als Datenanalyst, lies die Excel-Datei und sag mir, was du findest.

2. Probiere verschiedene Rollen

Eine Rolle fokussiert die Art der Analyse und verändert den Blickwinkel der Schlussfolgerungen. Rollen zum Ausprobieren: Datenanalyst (funktioniert gut für Berichte), Data Scientist, Marketingexperte, Vertriebsexperte. Faustregel: Die Rolle prägt die Perspektive der Antwort, wähle sie also danach, welche Entscheidung du treffen musst.

3. Wie ChatGPT Daten tatsächlich analysiert

LLMs sind in Mathematik nicht gut. Ihr Zweck ist, Sprache zu verstehen und Text zu erzeugen. Der Umweg: Das Modell schreibt Programmcode, führt ihn aus und nutzt die Ausgabe als Antwort. Wenn du programmieren kannst, kannst du den erzeugten Code lesen und daraus lernen; wenn nicht, musst du den Code nicht verstehen, nur wissen, dass die Berechnungen so entstehen.

Bleibt das Modell beim "Nachdenken" hängen, klicke auf das Pause-Symbol und dann auf "Erneut versuchen", um es mit GPT-5 noch einmal zu probieren.

Eine typische erste Analyse liefert:

• Datenstruktur.
• Datenqualität.
• Erkannte Spalten.
• Wichtigste KPIs.
• Trends.
• Rankings.
• Auffälligkeiten.
• Vorgeschlagene nächste Schritte.

4. Diagramme: erzeugen und validieren

Erstelle ein Diagramm zum Verkaufstrend 2024.

Das Modell kann ein Diagramm auf zwei Arten erzeugen: als Bild oder per Code aufgebaut (näher an dem, was du in Excel machen würdest).

Was in der Übung schiefging: Das Modell lieferte einen Trend auf Basis der Anzahl der Datensätze, der nicht zum echten Verkaufsdiagramm passte. Ursache war ein mehrdeutiger Prompt: Das Modell fand keine Spalte namens "Verkäufe" und suchte Alternativen wie Fakturierung oder Zwischensumme.

5. Mehrdeutige Prompts vermeiden

Ist ein Prompt mehrdeutig, improvisiert das Modell und wählt Spalten, die es für relevant hält. Die Lösung ist, von der ersten Anweisung an eindeutig zu sein: Nenne das Tabellenblatt (zum Beispiel das der Transaktionen), die genaue Spalte (zum Beispiel Umsatz) und die Operation (Summe, Durchschnitt, Anzahl).

Zeig mir den Verkaufstrend 2024.

Summiere im Tabellenblatt der Transaktionen die Spalte Umsatz nach Monaten für 2024 und stelle sie als Liniendiagramm dar.

Praxisaufgabe

Du bist der Chief Marketing Officer des E-Commerce-Unternehmens. Entscheide anhand der Produkt-, Kunden- und Transaktionsdaten, wo du das Budget im nächsten Monat investierst, um den Umsatz zu steigern. Empfohlenes Vorgehen:

1. Definiere eine klare Rolle (Datenanalyst, Data Scientist, Marketing- oder Vertriebsexperte).
2. Gib genaue Spalten und Kennzahlen an (zum Beispiel Umsatz in den Transaktionen).
3. Fordere Diagramme an, die die Entscheidung stützen.
4. Nutze Prompt Chaining (mehrere Prompts nacheinander verketten), wenn die Analyse es erfordert.

Teile am Ende den verwendeten Prompt, die zugewiesene Rolle, die gesetzten Vorgaben, wo du investieren würdest und die Prompt-Abfolge, falls du eine Kette gebaut hast.