Unternehmensanalysten, Marktforscher und Betriebsleiter stehen bei der manuellen Datenanalyse oft vor zeitraubenden Hürden: verschachtelte Tabellenformeln, fehleranfällige Pivot-Tabellen und repetitiver Programmieraufwand in Python oder SQL. Ernie Bot (文心一言) von Baidu begegnet diesem Problem durch die Integration einer isolierten Code-Interpreter-Sandbox und nativer Visualisierungskomponenten wie dem auf Apache ECharts basierenden E-Chart-Plugin (E言易图). Dadurch können Fachanwender ohne Programmierkenntnisse tabellarische Datensätze in den Formaten .xlsx oder .csv per natürlicher Sprache hochladen, auf Datenqualität prüfen, statistisch aggregieren und in aussagekräftige, interaktive Trenddiagramme überführen.
Dieser Leitfaden bietet Analysten und Forschungsteams eine praxisnahe Anleitung: von den technischen Grundlagen über schrittweise Arbeitsabläufe und Prompt-Vorlagen bis hin zu strategischen Vergleichen mit klassischer BI-Software und Richtlinien für Datensicherheit im Unternehmen.
1. Wie Ernie Bot Tabellendaten fehlerfrei verarbeitet
Klassische Large Language Models (LLMs) generieren Texte auf Basis statistischer Wortwahrscheinlichkeiten. Überlässt man ihnen mathematische Berechnungen direkt im Fließtext, treten häufig Rechenfehler oder Halluzinationen auf. Ernie Bot löst diese Herausforderung durch eine getrennte Ausführungsumgebung:
- Deterministische Sandbox-Ausführung (Code Interpreter): Lädt ein Anwender eine Tabellendatei hoch und stellt eine analytische Frage, berechnet das Modell das Ergebnis nicht rein sprachlich. Stattdessen generiert es standardisierten Python-Code (unter Nutzung von Bibliotheken wie
pandas,numpyundopenpyxl), führt diesen in einer isolierten Backend-Sandbox aus und liefert mathematisch verifizierte Resultate zurück. - Native Visualisierungs-Engine (E-Chart): Für die grafische Darstellung greift Ernie Bot auf Komponenten zurück, die auf Apache ECharts aufbauen. Damit lassen sich Liniendiagramme, geglättete Kurven, gestapelte Flächendiagramme, Doppelachsen-Vergleiche und Heatmaps mit interaktiven Tooltips und flexiblen Legenden erzeugen.
- Automatische Schema- und Typenerkennung: Das System liest Tabellenblätter, Spaltenüberschriften, Datumsformate und numerische Attribute automatisch ein und identifiziert Datenlücken vor der eigentlichen Aggregation.
2. Schritt-für-Schritt-Workflow: Von der Rohdatei zum Trenddiagramm
Schritt 1: Dateistruktur vorbereiten und hochladen
Damit der Code Interpreter die Datenstruktur reibungslos verarbeiten kann, empfiehlt sich eine saubere Ausgangstabelle:
- Einzeilige Kopfzeile: Die erste Zeile sollte eindeutige, beschreibende Spaltennamen enthalten (z. B.
Bestelldatum,Region,Produktkategorie,Nettoumsatz_EUR,Aktive_Nutzer). - Verbundene Zellen auflösen: Keine horizontal oder vertikal verbundenen Zellen im Datenbereich belassen und Zwischensummenzeilen entfernen, um eine konsistente Tabellenform (Tidy Data) zu gewährleisten.
- Unterstützte Dateiformate: Standard-Dateien im
.xlsx- oder.csv-Format nutzen. Für Standard-Websitzungen sollte die Dateigröße im üblichen Rahmen (in der Regel unter 50 MB) liegen.
Die Datei wird über das Büroklammer-Symbol im Chatfenster von Ernie Bot oder im Agenten-Arbeitsbereich von Baidu Qianfan AppBuilder hochgeladen.
Schritt 2: Explorative Datenprüfung (EDA) durchführen
Fordern Sie nach dem Upload nicht sofort komplexe Visualisierungen an, sondern prüfen Sie zunächst, wie das Modell die Datenstruktur interpretiert hat.
Empfohlener Prompt:
„Ich habe die Quartalsumsatztabelle hochgeladen. Bitte führe eine erste explorative Datenprüfung durch: Liste alle Spaltennamen mit den erkannten Datentypen auf, gib die Gesamtzahl der Zeilen und Spalten an, ermittle den prozentualen Anteil fehlender Werte pro Spalte und zeige die ersten 5 Zeilen tabellarisch als Stichprobe an.“
Erwartetes Ergebnis: Ernie Bot führt ein Python-Prüfskript aus und liefert:
- Die Dimensionen des Datensatzes (z. B. 28.000 Zeilen × 11 Spalten).
- Die Bestätigung der Datums- und Zahlenformate.
- Hinweise auf Datenmängel (z. B. Leerstellen in Rabattspalten oder uneinheitliche Schreibweisen in Kategorien).
Schritt 3: Datenbereinigung und Aggregation per natürlicher Sprache
Sobald die Struktur verifiziert ist, definieren Sie Filter- und Aggregationskriterien.
Empfohlener Prompt:
„Bereinige den Datensatz: Schließe alle Zeilen aus, bei denen der Auftragsstatus 'Storniert' lautet oder der Umsatz kleiner gleich 0 ist. Führe das Bestelldatum monatsweise (JJJJ-MM) zusammen und berechne für die Regionen 'Nord', 'Mitte' und 'Süd' jeweils den monatlichen Gesamtumsatz sowie den durchschnittlichen Bestellwert.“
Das System führt die Vektoroperationen in der Sandbox durch und stellt eine konsolidierte Monatstabelle bereit.
Schritt 4: Trenddiagramm generieren
Geben Sie den Diagrammtyp, Achsenskalen und die hervorzuhebenden geschäftlichen Aspekte genau an.
Empfohlener Prompt:
„Erstelle mithilfe der E-Chart-Komponente ein Liniendiagramm für den monatlichen Umsatzverlauf von Januar bis Dezember: Die horizontale Achse zeigt die Monate, die vertikale Achse den Umsatz in Tausend Euro. Verwende drei glatte Kurven in unterschiedlichen Farben für die drei Regionen, markiere den jeweiligen Spitzenmonat mit einem Datenpunkt und fasse unter dem Diagramm die drei wichtigsten geschäftlichen Trends zusammen.“
Das Ergebnis im System:
- Ein sauberes Diagramm, das saisonale Ausschläge und Wachstumskurven verdeutlicht.
- Visuell hervorgehobene Höchststände ohne Überladung.
- Kompakte Erläuterungen, die direkt in Managementberichte übernommen werden können.
Schritt 5: Iterative Verfeinerung und Datenexport
Dank des Kontextgedächtnisses können Sie das Diagramm im selben Chat-Verlauf flexibel anpassen:
- Diagrammtyp wechseln: „Wandle das Liniendiagramm in ein 100%-Flächendiagramm um, um die prozentuale Verschiebung der regionalen Umsatzanteile zu veranschaulichen.“
- Gleitenden Durchschnitt ergänzen: „Füge dem Gesamtumsatz eine gleitende 3-Monats-Durchschnittslinie hinzu, um kurzfristige Monatsschwankungen auszugleichen.“
- Bereinigte Daten exportieren: „Erstelle aus den berechneten Monatswerten und Wachstumsraten eine formatierte Tabelle und stelle sie als downloadbare
.xlsx-Datei bereit.“
3. Praxisnahe Prompt-Vorlagen für Analysten
| Analyseaufgabe | Empfohlene Prompt-Struktur |
|---|---|
| Plausibilitätsprüfung | „Überprüfe den Primärschlüssel auf Duplikate, berechne Quartile und Extremwerte der Umsatzspalte und identifiziere statistische Ausreißer.“ |
| Kohorten- und Bindungsanalyse | „Gruppiere Nutzer nach ihrem Registrierungsmonat, berechne die monatliche Kundenbindung über 6 Monate und visualisiere die Entwicklung als Heatmap.“ |
| Anomalie-Erkennung | „Ermittle die Standardabweichung der täglichen Bestellzahlen und erstelle ein Streudiagramm, das Tage hervorhebt, die mehr als 2 Standardabweichungen vom Mittelwert abweichen.“ |
| Zwei-Achsen-Vergleich | „Aggregiere Gesamtumsatz und Marketingkostenquote pro Quartal. Erstelle ein Diagramm mit Umsatz als Balken und Kostenquote als Linie auf getrennten Y-Achsen.“ |
4. Vergleich: Ernie Bot vs. traditionelle BI und Standard-LLMs
| Bewertungskriterium | Ernie Bot (Code Interpreter & E-Chart) | Traditionelle BI (Power BI / Tableau) | Reine Sprachmodelle ohne Sandbox |
|---|---|---|---|
| Einstiegshürde | Minimal: Reine Konversation in natürlicher Sprache. | Hoch: Kenntnisse in Datenmodellierung, DAX und Beziehungen nötig. | Gering: Jedoch extrem anfällig für mathematische Fehlangaben. |
| Rechengenauigkeit | Hoch: Exakte Skriptausführung in isolierter Python-Sandbox. | Sehr hoch: Etablierte deterministische Berechnungslogik. | Unzuverlässig: Schätzt Zahlen lediglich sprachstatistisch ab. |
| Kontextuelles Verständnis | Nativ: Sehr stark bei Periodenvergleichen (YoY, MoM) und länderspezifischen Wirtschaftsformaten. | Manuell: Erfordert manuelle Felddefinitionen und Modellierungsregeln. | Mittelmäßig: Häufige Begriffsverwechslungen bei Geschäftsmetriken. |
| Explorative Agilität | Sofort: Hypothesen und Darstellungsformen in Sekunden anpassbar. | Starr: Neue Ad-hoc-Kennzahlen erfordern Anpassungen im Datenmodell. | Schnell: Kann jedoch keine verarbeiteten Tabellendateien exportieren. |
5. Leitlinien für Datensicherheit und Unternehmens-Governance
Beim Einsatz von Ernie Bot im Unternehmensalltag sollten verbindliche Governance-Regeln eingehalten werden:
- Personenbezogene Daten (PII) vorab maskieren: Entfernen Sie Kundennamen, Ausweisnummern, Telefonnummern und Zahlungsinformationen vor dem Hochladen in öffentlich zugängliche Chats und ersetzen Sie diese durch Pseudonyme.
- Unternehmenszugang über Baidu Qianfan: Für vertrauliche Finanzzahlen oder auditierte Unternehmensdaten sollte die Baidu Qianfan Plattform und AppBuilder genutzt werden. Diese bieten VPC-Netzwerkisolation, Schutzschilde gegen Datenabfluss und garantieren, dass Daten nicht für Modelltrainings gespeichert werden.
- Prüfung des generierten Codes: Nutzen Sie die Option „Code anzeigen“, um die vom Modell gewählte Berechnungslogik zu prüfen (z. B. ob Nullwerte durch Null ersetzt oder Zeilen gelöscht wurden).
- Dimensionierung beachten: Der Code Interpreter eignet sich optimal für Ad-hoc-Analysen und Stichprobendatensätze bis zu einigen hunderttausend Zeilen. Bei unternehmensweiten Data Warehouses mit dutzenden Millionen Zeilen sollten Daten vorab per SQL aggregiert und die Verdichtungsergebnisse an Ernie Bot übergeben werden.