Daten mit ChatGPT analysieren
Erkunde, analysiere und wandle Daten in klare Erkenntnisse und Maßnahmen um.
ChatGPT kann dir helfen, mit minimalem Einrichtungsaufwand aus Rohdaten nützliche Erkenntnisse zu gewinnen. Du kannst eine CSV- oder Excel-Datei hochladen, eine Tabelle einfügen oder eine Datenquelle verbinden (falls dies in deinem Workspace unterstützt wird) und dann in einfacher Sprache Fragen stellen.
Anstatt für jede Frage Formeln, Pivot-Tabellen oder Dashboards zu erstellen, kannst du Daten schnell erkunden, Tabellen bereinigen, einfache Visualisierungen erstellen und die wichtigsten Erkenntnisse in einem Format herausarbeiten, das sich leicht teilen lässt.
Das ist besonders nützlich in den frühen Phasen des Prozesses – wenn du noch herausfindest, was in den Daten steckt, Anomalien identifizierst und entscheidest, wo du tiefer einsteigen möchtest. Es hilft auch dabei, Erkenntnisse in Zusammenfassungen zu übertragen, die andere prüfen und umsetzen können.
- Beginne mit der Entscheidung, die du unterstützen möchtest. Ein einfacher Rahmen ist: „Ich versuche zu entscheiden zwischen ___, basierend auf ___.“ Dies teilt ChatGPT mit, wie „erledigt“ aussieht, und sorgt dafür, dass die Analyse fokussiert bleibt.
- Stelle deine Daten zusammen mit kritischem Kontext bereit: Definitionen, Zeitrahmen und was die wichtigsten Spalten darstellen. Du kannst Daten per Datei-Upload oder über eine verbundene App bereitstellen.
- Frage nach einem Ansatz, nicht nur nach einer Antwort. Bitte zum Beispiel um eine explorative Datenanalyse (EDA), gefolgt von Hypothesen, die getestet werden sollen. Dies führt zu strukturierteren und zuverlässigeren Ergebnissen, als direkt zu Schlussfolgerungen zu springen.
- Wenn Visualisierungen hilfreich wären, fordere diese explizit an – inklusive Angaben dazu, was grafisch dargestellt werden soll, wie segmentiert werden muss und welche Muss-Kriterien es gibt (z. B. Achsenbeschriftungen oder Einheiten).
- Fordere Ergebnisse an, die du direkt weiterverwenden kannst, wie z. B. eine saubere Abschlusstabelle oder eine kurze Zusammenfassung für die Geschäftsführung, die Erkenntnisse in Taten übersetzt.
Aufgabe | Kontext | Erwartetes Ergebnis |
Analysiere diese Daten und fasse die wichtigsten Erkenntnisse zusammen. | Verwende den Beispieldatensatz aus unserem Shopify-Store (letzte 30 Tage). | Erstelle eine strukturierte Zusammenfassung der wichtigsten Erkenntnisse, einschließlich dessen, was über verschiedene Kanäle und Produkte hinweg auffällt, der Identifizierung von leistungsschwachen Bereichen (z. B. Kanäle mit niedriger Konversionsrate) und bemerkenswerter Muster. Beziehe 4 bis 6 prioritäre Beobachtungen und 5 spezifische Folgeanalysen oder Fragen zur weiteren Untersuchung mit ein. |
Überprüfe und analysiere unsere Sales-Funnel-Daten. | Verwende die Daten von [Kampagnenname] aus der [verbundenen Analytics-App]. | Erstelle eine Reihe von klar getrennten Abschnitten: (1) beobachtete Schlüsselmuster im Funnel, (2) Hypothesen zur Erklärung dieser Muster (z. B. Onboarding als Haupttreiber) und (3) empfohlene Experimente oder Tests. Die Erkenntnisse sollen nach geschäftlicher Auswirkung gewichtet werden, mit Schwerpunkt auf Konversionsengpässen und Hebelpunkten. |
Identifizierung von Problemen oder Ineffizienzen in einem Prozess | Untersuche den beigefügten aktuellen Prozessbeleg sowie die Support-Ticket-Daten als CSV. | Gib eine priorisierte Liste von operativen Problemen und Engpässen aus (z. B. Eskalationsverzögerungen, wiederholte Ticket-Ursachen), wobei jedes Problem durch Datensignale gestützt wird. Beziehe eine klare Begründung mit ein, warum jedes Problem wichtig ist, sowie empfohlene Bereiche für sofortige Verbesserungen oder Untersuchungen, unterteilt in „Quick Wins“ vs. tiefergehende Korrekturen. |
- Hilf ChatGPT dabei, dir zu helfen, indem du vorab definierst, wie „gut“ aussieht. Dazu gehören: die Erfolgsmetrik, die dich interessiert, der betrachtete Zeitrahmen sowie die Gruppen oder Segmente, die du vergleichen möchtest.
- Wenn die Zahlen wirklich wichtig sind, kannst du es auch darum bitten, zu zeigen, wie es zu diesem Ergebnis gekommen ist – einschließlich der getroffenen Annahmen, aller Formeln, die zur Berechnung von Kennzahlen verwendet wurden, sowie kurzer Prüfungen auf fehlende Daten oder ungewöhnliche Ausschläge.
- Es hilft außerdem, ein paar einfache Grundregeln festzulegen, damit die Analyse vertrauenswürdig bleibt. Du kannst das System beispielsweise anweisen, Korrelationen nicht als Ursachen zu behandeln, auf etwaige Einschränkungen in den Daten hinzuweisen und alles zu markieren, was unstimmig erscheint. Bevor du Ergebnisse teilst oder eine Entscheidung triffst, führe eine kurze Plausibilitätsprüfung (Reality Check) durch: Wähle ein paar Kennzahlen aus und überprüfe sie stichprobenartig, um sicherzustellen, dass alles zusammenpasst.
