Business Analysts verbringen wöchentlich unzählige Stunden mit Tabellenkalkulationen: Sie beheben fehlerhafte Datumsformate, korrigieren fehlschlagende SVERWEIS-Formeln (VLOOKUP), bauen komplexe Pivot-Tabellen auf und passen Diagramme manuell für Vorstandsfolien an. Die Funktion „Advanced Data Analysis“ in ChatGPT (ursprünglich als Code Interpreter eingeführt und in den Plänen ChatGPT Plus, Team und Enterprise enthalten) verändert diesen Arbeitsablauf grundlegend.
Statt verschachtelte Formeln oder fehleranfällige VBA-Makros zu schreiben, können Analysten unstrukturierte .csv- oder .xlsx-Dateien hochladen und ChatGPT in natürlicher Sprache instruieren. Der entscheidende Vorteil: ChatGPT schätzt numerische Berechnungen nicht über die statistische Wortwahrscheinlichkeit eines Sprachmodells, sondern generiert und kompiliert deterministischen Python-Code in einer isolierten Sandbox-Umgebung unter Einsatz von Bibliotheken wie pandas, numpy, matplotlib und seaborn.
Wer den standardisierten Prozess von der Dateivorbereitung über die Datenbereinigung bis hin zur Kennzahlenberechnung und Diagrammerstellung beherrscht, verkürzt mehrstündige Routinen auf wenige Minuten bei voller Nachvollziehbarkeit und mathematischer Exaktheit.
Das Funktionsprinzip: Warum das Verfahren für quantitative Daten verlässlich ist
Skepsis gegenüber dem Einsatz von KI-Sprachmodellen für finanzielle und betriebliche Kennzahlen ist berechtigt. Standardmäßige Large Language Models (LLMs) sagen das nächste Token anhand von Wahrscheinlichkeiten voraus, was bei mehrstelligen Rechenoperationen zu arithmetischen Halluzinationen führen kann.
Advanced Data Analysis löst dieses Problem durch eine strikte Trennung von Interpretation und Ausführung:
- Übersetzung natürlicher Sprache: Das Modell transformiert die betriebswirtschaftliche Aufgabenstellung in ein strukturiertes Python-Skript.
- Deterministische Ausführung in der Sandbox: Der Python-Code läuft isoliert in einer Jupyter-ähnlichen Cloud-Umgebung direkt auf dem hochgeladenen Datensatz.
- Auswertung und Ergebnispräsentation: Die Umgebung gibt exakte Zahlentabellen, berechnete Kennzahlen oder Grafikdateien zurück, die ChatGPT verständlich zusammenfasst.
- Vollständige Code-Transparenz: Jeder Berechnungs- und Bereinigungsschritt kann über das Code-Symbol (
[>_]) zeilenweise eingesehen und auditiert werden.
+-------------------------------------------------------------+
| ChatGPT Benutzeroberfläche |
| Prompt: "Berechne Abwanderungsrate und monatlichen ARPU" |
+------------------------------+------------------------------+
|
v
+-------------------------------------------------------------+
| Isolierte Python-Sandbox-Umgebung |
| • Einlesen von CSV / Excel über pandas |
| • Deterministische Logik: df.groupby(), .agg(), .corr() |
| • Erstellung von Grafiken via matplotlib / seaborn |
+------------------------------+------------------------------+
|
v
+-------------------------------------------------------------+
| Auditierbare Arbeitsergebnisse |
| • Bereinigte Tabellendatei (.xlsx / .csv Download) |
| • Tabellarische Zusammenfassung deskriptiver Statistiken |
| • Präsentationsfertige Diagramme (.png / interaktiv) |
+-------------------------------------------------------------+
1. Vorbereitung und Import von Tabellendateien
Eine reibungslose Datenanalyse setzt eine saubere Dateistruktur und die Einhaltung interner Governance-Richtlinien voraus.
Unterstützte Dateiformate und Cloud-Anbindungen
ChatGPT unterstützt die gängigen Tabellenformate nativ:
- Kommagetrennte Werte (
.csv) und tabulatorgetrennte Werte (.tsv) - Microsoft Excel Arbeitsmappen (
.xlsx,.xls) - Strukturierte Datendateien (
.json,.parquet) - Direkte Cloud-Synchronisation: Nahtlose Anbindung an Google Drive oder Microsoft OneDrive/SharePoint, um Arbeitsblätter ohne vorherigen lokalen Download direkt zu öffnen.
Richtlinien zur Dateihygiene vor dem Upload
Um fehlerhafte Interpretationen durch das Modell zu vermeiden:
- Einzeilige Spaltenüberschriften: Zeile 1 muss eindeutige Spaltenbezeichnungen enthalten. Verbundene Zellen, dekorative Kopfzeilen oder Firmenlogos sollten vorab entfernt werden.
- Eine Tabelle pro Tabellenblatt: Vermeiden Sie es, zwei separate Tabellen nebeneinander zu platzieren oder manuelle Summenzeilen am Ende der Datenzeilen einzufügen. Bei Arbeitsmappen mit mehreren Reitern sollte das Zielblatt im Prompt explizit genannt werden (z. B.:
„Analysiere das Tabellenblatt namens ‚Transaktionen‘“). - Umgang mit sensiblen Daten: Laden Sie keine unverschlüsselten personenbezogenen Daten (PII), realen Kundennamen oder vertraulichen Finanzunterlagen in öffentliche KI-Instanzen hoch. Pseudonymisieren oder maskieren Sie die Daten vorab oder stellen Sie sicher, dass Ihr Unternehmen ChatGPT Team oder Enterprise nutzt, wo Eingabedaten vertraglich nicht für das Modelltraining verwendet werden.
Initialer Diagnose-Prompt
Nach dem Hochladen empfiehlt sich zunächst eine systematische Bestandsaufnahme des Datensatzes:
„Ich habe das Transaktionsjournal für Q3 hochgeladen. Bitte führe eine erste Bestandsaufnahme durch: Zeige mir die Gesamtzahl der Zeilen und Spalten, liste alle Spaltennamen mit den erkannten Datentypen auf, ermittle die Anzahl der fehlenden und doppelten Werte pro Spalte und gib eine Vorschau der ersten 5 Zeilen aus.“
ChatGPT führt im Hintergrund df.shape, df.dtypes, df.isnull().sum() und df.head() aus und liefert innerhalb von Sekunden einen vollständigen Zustandsbericht.
2. Datenbereinigung per Dialogsteuerung
Die Bereinigung von Rohdaten nimmt erfahrungsgemäß den größten Teil der Arbeitszeit in Anspruch. Advanced Data Analysis automatisiert zeitraubende Filterschritte und Formelanpassungen.
+-----------------------------------------------------------------------+
| Typische Szenarien der Datenbereinigung |
+-------------------------+---------------------------------------------+
| Fehlerbild im Datensatz | Vorgehen in ChatGPT Data Analysis |
+-------------------------+---------------------------------------------+
| Uneinheitliche Datumsangaben| Standardisierung nach ISO 8601 (YYYY-MM-DD)|
| Textzeichen in Zahlenfeldern| Entfernen von Währungssymbolen, Kommas und %|
| Fehlende Einträge (Null)| Regelbasierte Imputation (Median) od. Löschung|
| Doppelte Datensätze | Deduplizierung nach Primärschlüssel |
| Zusammengesetzte Spalten| Trennung von Namen, Adressen oder SKU-Codes |
| Uneinheitliche Kategorien| Harmonisierung (z. B. 'DE', 'Deutschland') |
+-------------------------+---------------------------------------------+
Umgang mit fehlenden Werten und Duplikaten
Statt leere Zellen zeilenweise in Excel zu suchen, formulieren Analysten klare Geschäftsregeln:
„Prüfe die Spalten ‚Kunden_ID‘, ‚Bestellwert‘ und ‚Registrierungsdatum‘ auf fehlende Werte. Wenn ‚Kunden_ID‘ fehlt, lösche die gesamte Zeile. Fehlt der ‚Bestellwert‘, ersetze ihn durch den Median der jeweiligen Produktkategorie. Prüfe abschließend auf Duplikate anhand der ‚Transaktions_ID‘ und behalte nur den zeitlich neuesten Datensatz.“
ChatGPT erstellt den passenden Python-Code unter Verwendung von dropna(), groupby().transform() und drop_duplicates(subset=['Transaktions_ID'], keep='last').
Formatstandardisierung
Exportierte Berichte aus ERP- oder CRM-Systemen enthalten Zahlen und Datumsangaben oft als Textfelder:
„Standardisiere die Datums- und Zahlenfelder: Wandle ‚Umsatz‘ in eine Float-Zahl um, indem du Währungssymbole (€) und Tausendertrennpunkte entfernst. Konvertiere ‚Transaktionsdatum‘ in das Format YYYY-MM-DD. Entferne führende und nachgestellte Leerzeichen in der Spalte ‚Region‘ und setze den Text in Großbuchstaben.“
Spaltenteilung und Merkmalsextraktion
Wenn mehrere Informationen in einer Spalte gebündelt sind:
„Teile die Spalte ‚Vollstaendiger_Name‘ in ‚Vorname‘ und ‚Nachname‘ auf. Extrahiere aus der Spalte ‚SKU‘ das dreistellige Buchstabenkürzel vor dem Bindestrich in eine neue Spalte namens ‚Produktlinie‘.“
Export der bereinigten Tabelle
Nach Abschluss der Bereinigungsschritte fordert der Analyst die fertige Arbeitsmappe an:
„Speichere den bereinigten Gesamtdatensatz als Excel-Datei unter dem Namen ‚Bereinigte_Q3_Transaktionen.xlsx‘ und stelle einen Download-Link bereit.“
Damit steht eine saubere Datenbasis für weiterführende Auswertungen in Excel oder Power BI bereit.
3. Berechnung statistischer Kennzahlen und operativer KPIs
Nach der Datenbereinigung können deskriptive Kennzahlen ermittelt, Daten mehrdimensional aggregiert und Geschäftstreiber analysiert werden.
Umfassende deskriptive Statistik
Mit einer einzigen Anweisung wird eine vollständige statistische Übersicht generiert:
„Erstelle eine vollständige deskriptive Statistik für alle numerischen Variablen mit Anzahl, Mittelwert, Median, Standardabweichung, Interquartilsabstand (IQR), 25 %- und 75 %-Perzentilen sowie Schiefe (Skewness). Stelle das Ergebnis in einer sauberen Tabelle dar.“
Die Berechnung basiert auf df.describe() und liefert mathematisch verlässliche Werte ohne manuelle Excel-Formelfehler.
Mehrdimensionale Gruppierungen und Pivot-Tabellen
Für Segment- und Kanalvergleiche:
„Gruppiere die Daten nach ‚Vertriebsregion‘ und ‚Produktkategorie‘. Berechne für jede Gruppe: Bruttogesamtumsatz, durchschnittlichen Bestellwert, verkaufte Stückzahl und Retourenquote (Retouren geteilt durch verkaufte Stückzahl). Sortiere das Ergebnis absteigend nach dem Gesamtumsatz.“
ChatGPT führt im Hintergrund groupby().agg() oder pd.pivot_table() aus und liefert die Auswertung in Sekundenschnelle.
Strategische Business-KPIs
Erweiterte Kennzahlen lassen sich ohne mehrstufige Hilfsspalten berechnen:
- Monatswachstum (MoM) und Jahreswachstum (YoY): Wachstumsraten mittels
pct_change(). - Customer Lifetime Value (LTV) und Kohortenbindung: Analyse des Kundenverhaltens nach Registrierungszeiträumen.
- Pareto-Analyse (80/20-Regel): Ermittlung des kumulierten Umsatzanteils zur Identifikation der Kernkunden.
„Berechne den kumulierten Umsatzanteil unseres Kundenstamms. Bestimme den genauen Prozentsatz der Kunden, der für 80 % des Gesamtumsatzes verantwortlich ist, und fasse die Hauptmerkmale dieses Segments zusammen.“
Korrelations- und Treiberanalyse
Zur Identifikation relevanter Einflussfaktoren:
„Erstelle eine Korrelationsmatrix für ‚Marketingausgaben‘, ‚Rabattprozentsatz‘, ‚Website_Besuche‘ und ‚Nettoumsatz‘. Zeige auf, welche Variablen die stärkste positive oder negative Korrelation mit dem Nettoumsatz aufweisen, und erläutere die Ergebnisse praxisnah.“
ChatGPT berechnet die Korrelationskoeffizienten nach Pearson oder Spearman und interpretiert die Zusammenhänge verständlich.
4. Diagrammerstellung und Visualisierung direkt im Chat
Das Formatieren von Diagrammen in Tabellenkalkulationen ist oft mühsam. ChatGPT erstellt professionelle Visualisierungen direkt im Dialogfenster und passt diese iterativ an.
Auswahl des passenden Diagrammtyps
Der Visualisierungstyp richtet sich nach der Fragestellung:
- Zeitreihenanalyse: Liniendiagramme mit gleitenden 7- oder 30-Tage-Durchschnitten zur Glättung saisonaler Effekte.
- Kategorievergleiche: Horizontal oder vertikal angeordnete Balkendiagramme, sortiert nach Kennzahlengröße.
- Verteilungen und Ausreißer: Boxplots oder Histogramme mit Kerndichteschätzung (KDE).
- Zusammenhänge: Streudiagramme (Scatter Plots) mit Regressionsgeraden und Konfidenzintervallen.
- Matrixübersichten: Heatmaps zur Darstellung von Performance-Unterschieden über Monate und Produktlinien.
Detaillierter Gestaltungs-Prompt
Für publikationsreife Grafiken steuert der Analyst die visuellen Parameter direkt:
„Erstelle ein horizontales Balkendiagramm für den Gesamtumsatz nach Produktkategorie. Sortiere die Kategorien absteigend nach Umsatz. Hebe die führende Kategorie in Dunkelblau (#1f4e79) hervor und färbe die restlichen Kategorien in Hellgrau. Füge Datenbeschriftungen am Ende jedes Balkens im Format ‚$X.XM‘ hinzu. Verwende einen klaren Titel und Untertitel und entferne die oberen und rechten Rahmenlinien.“
Gesamtumsatz nach Produktkategorie (Q3)
Unternehmenssoftware | [████████████████████████████] $4.8M (Dunkelblau)
Cloud-Speicher | [████████████████] $2.9M (Hellgrau)
Peripheriegeräte | [██████████] $1.8M (Hellgrau)
Support-Services | [██████] $1.1M (Hellgrau)
Iterative Verfeinerung und hochauflösender Export
Muss die Grafik angepasst werden, geschieht dies im laufenden Gespräch:
- „Vergrößere die Schrift der Kategoriebeschriftungen auf 12 pt für eine bessere Lesbarkeit auf Folien.“
- „Füge eine rote gestrichelte vertikale Linie bei 2,5 Millionen Dollar als Quartalszielmarke ein.“
- „Exportiere die Abbildung als hochauflösende PNG-Datei mit 300 DPI.“
ChatGPT passt das Matplotlib-Skript im Hintergrund an und liefert sofort das aktualisierte Bild.
5. Leitlinien und Qualitätssicherung für Analysten
Trotz der enormen Zeitersparnis entbindet der Einsatz von KI den Business Analysten nicht von der fachlichen Prüfpflicht.
1. Prüfen Sie immer den generierten Python-Code
Verlassen Sie sich nicht allein auf die textliche Zusammenfassung. Klicken Sie auf das Code-Symbol ([>_]) und überprüfen Sie die Logik:
- Wurden bei der Bereinigung fälschlicherweise gültige Zeilen gelöscht?
- Basiert der Durchschnitt auf einem einfachen Mittelwert von Gruppenmittelwerten oder auf einem echten gewichteten Durchschnitt (Gesamtumsatz geteilt durch Gesamtzahl der Bestellungen)?
- Wurde die Reihenfolge von Tag und Monat bei Datumsangaben korrekt interpretiert?
2. Speichergrenzen und Sitzungs-Timeouts beachten
Die Python-Sandbox verfügt über eine begrenzte Sitzungsdauer. Nach längerer Inaktivität wird die Container-Instanz zurückgesetzt und Variablen im Arbeitsspeicher werden gelöscht. In diesem Fall genügt es, die Datei erneut hochzuladen oder das DataFrame neu zu initialisieren.
3. Datenschutz und Compliance einhalten
Beachten Sie die Datensicherheitsrichtlinien Ihres Unternehmens:
- Anonymisieren Sie Kundendaten, Kontoverbindungen und Mitarbeiterdaten vor dem Upload.
- Bei individuellen Plus-Konten sollte die Option zur Nutzung von Daten für das Modelltraining in den Datenschutzeinstellungen deaktiviert werden.
- Für den regulären Unternehmenseinsatz sind ChatGPT Team oder Enterprise mit entsprechenden Datenschutzvereinbarungen zu bevorzugen.
4. Einsatzgrenzen zwischen Excel und ChatGPT abwägen
ChatGPT eignet sich hervorragend für explorative Datenanalysen, Massentextbereinigungen, komplexe statistische Auswertungen und automatische Diagramme. Dynamische Finanzmodelle mit vernetzten Zellbezügen, an denen mehrere Beteiligte regelmäßig Eingaben vornehmen müssen, verbleiben jedoch idealerweise direkt in Excel.
Checkliste für Business Analysts
- Struktur vor Upload prüfen: Einzeilige Überschriften, eine Tabelle pro Blatt und sensible Daten maskieren.
- Initialen Check durchführen:
shape,dtypesund Nullwerte prüfen, um die Datenstruktur zu verstehen. - Schrittweise bereinigen: Klare Imputations- und Konvertierungsregeln vorgeben und die bereinigte
.xlsxherunterladen. - Berechnungslogik auditieren: KPI-Formeln exakt definieren und im Code prüfen, ob gewichtete Werte verwendet wurden.
- Diagramme iterativ verfeinern: Diagrammtyp, Sortierung, Akzentfarben und Datenbeschriftungen im Dialog anpassen und hochauflösend exportieren.