Beste KI-Prompts für Datenanalyse

Schreibe eine SQL-Abfrage für folgende Aufgabe: Aufgabe: [beschreibe die Anforderung, z. B. alle Nutzer finden, die sich in den letzten 30 Tagen registriert und mindestens einen Kauf getätigt haben] Relevante Tabellen und Spalten: [Schema beschreiben oder CREATE TABLE-Statements einfügen] Datenbanksystem: [z. B. PostgreSQL, MySQL, BigQuery] Gib die Abfrage mit verständlichen Kommentaren zu den einzelnen Schritten aus.

Diese SQL-Abfrage läuft zu langsam. Hilf mir bei der Optimierung. Abfrage: [Abfrage hier einfügen] Datenbank: [z. B. PostgreSQL, MySQL] Tabellengrößen: [z. B. orders hat 50 Mio. Zeilen, users hat 2 Mio. Zeilen] Bestehende Indizes: [auflisten oder EXPLAIN-Ausgabe einfügen] Identifiziere Flaschenhälse, schlage sinnvolle Index-Anpassungen vor und schreibe die Abfrage bei Bedarf um. Erkläre jede Optimierung.

Erkläre diese SQL-Abfrage in verständlicher Sprache. Gehe sie Schritt für Schritt durch: was jede Klausel bewirkt, welche Zwischendaten entstehen und was das Endergebnis aussagt: [Abfrage hier einfügen]

Entwirf ein relationales Datenbankschema für folgenden Anwendungsfall: Anwendungsfall: [Anwendung oder Feature beschreiben, z. B. mandantenfähiges SaaS mit Projekten, Aufgaben und Benutzerrollen] Datenbank: [z. B. PostgreSQL] Berücksichtige: Tabellennamen, Spalten mit Datentypen und Constraints, Primär- und Fremdschlüssel, Indizes sowie eine Erläuterung deiner Architekturentscheidungen und möglicher Trade-offs.

Ich habe einen Datensatz und möchte eine explorative Datenanalyse durchführen. Erstelle einen schrittweisen EDA-Plan. Beschreibung des Datensatzes: [Spalten, Datentypen, ungefähre Größe und Domäne beschreiben, z. B. E-Commerce-Bestellungen mit Kunden-ID, Produkt, Preis, Datum] Geschäftsfrage, die beantwortet werden soll: [beschreiben] Berücksichtige: Datenqualitätsprüfungen, univariate Analysen, zu untersuchende Korrelationen/Zusammenhänge, empfohlene Visualisierungen und typische Datenfehler, auf die zu achten ist.

Hilf mir, den passenden statistischen Test für meine Analyse auszuwählen und die Ergebnisse zu interpretieren. Vergleichsgegenstand: [z. B. Conversion-Rates zweier Nutzergruppen] Datentyp: [z. B. binäre Zielgröße, kontinuierliche Messwerte] Stichprobengrößen: [z. B. Gruppe A: 1.200, Gruppe B: 1.400] Aktuelle Ergebnisse: [z. B. Gruppe A: 4,2 %, Gruppe B: 5,1 %] Empfiehl den geeigneten Test, benenne die Voraussetzungen, zeige die Berechnung oder den Code und erkläre verständlich, wie p-Wert und Konfidenzintervall zu deuten sind.

Hilf mir beim Entwurf und der Interpretation einer Kohortenanalyse. Ziel: [z. B. 30/60/90-Tage-Retention nach Registrierungsmonat messen] Verfügbare Daten: [Tabellen und Spalten beschreiben, z. B. users-Tabelle mit signup_date, events-Tabelle mit user_id und event_date] Datenbank / Tool: [z. B. BigQuery, pandas] Erstelle die Abfrage bzw. den Code für die Kohortentabelle, erkläre die Lesart der Auswertung und weise auf typische Interpretationsfehler hin.

Ich beobachte eine auffällige Entwicklung in meinen Daten und benötige Hilfe bei der Interpretation. Kennzahl: [z. B. Weekly Active Users] Beobachtung: [z. B. Rückgang um 15 % in den letzten 6 Wochen nach kontinuierlichem Wachstum] Kontext: [bekannte Ereignisse, Produkt-Updates, Saisonalität oder externe Faktoren] Hilf mir dabei: plausible Ursachen zu identifizieren, Datenartefakte auszuschließen, weiterführende Analysen zur Ursachenbestimmung vorzuschlagen und sinnvolle nächste Schritte zu definieren.

Empfiehl den optimalen Diagrammtyp für meinen Anwendungsfall und begründe die Wahl. Darzustellende Information: [z. B. Umsatzverteilung nach Produktkategorie und monatliche Entwicklung] Zielpublikum: [z. B. Führungskräfte im Quartalsbericht] Datenstruktur: [z. B. 12 Monate x 6 Kategorien, Wertebereich von 10.000 € bis 2 Mio. €] Visualisierungstool: [z. B. Tableau, matplotlib, Looker Studio] Schlage 2–3 Varianten vor, ordne sie nach Eignung und erläutere die jeweiligen Vor- und Nachteile.

Hilf mir, ein übersichtliches und effektives Dashboard-Layout zu entwerfen. Zweck: [z. B. tägliches operatives Monitoring für das Support-Team] Wichtigste Kennzahlen: [auflisten, z. B. offene Tickets, Lösungszeit, CSAT-Score, Ticketvolumen nach Kanal] Nutzer und Nutzungsszenario: [z. B. Teamleiter prüfen das Dashboard zu Schichtbeginn] Tool: [z. B. Metabase, Tableau, Grafana] Schlage eine Strukturierung in Abschnitte, passende Diagrammtypen für jede Metrik und UX-Best-Practices für optimale Lesbarkeit auf einen Blick vor.

Hilf mir, diese Datenanalyse in eine überzeugende Präsentations-Story zu verwandeln. Wichtigste Erkenntnisse: [3–5 Haupterkenntnisse der Analyse auflisten] Zielgruppe: [z. B. nicht-technische Stakeholder, C-Level] Ziel der Präsentation: [z. B. Budgetfreigabe für Maßnahmen zur Kundenbindung erhalten] Entwickle einen Spannungsbogen: beginnend mit der wichtigsten Kernaussage, untermauert durch relevante Datenpunkte und abschließend mit einer klaren Handlungsempfehlung. Halte es prägnant und frei von Fachjargon.

Hilf mir, treffende Beschriftungen und Annotationen für dieses Diagramm zu verfassen, damit es selbsterklärend ist. Diagrammtyp: [z. B. Liniendiagramm] Inhalt: [z. B. monatlicher Umsatz der letzten zwei Jahre] Hervorzuhebende Meilensteine: [z. B. Produktlaunch im März, Preisanpassung im August, Einbruch im Dezember] Zielgruppe: [z. B. Investoren im Pitch Deck] Formuliere 3–5 kurze, prägnante Anmerkungen sowie einen einzeiligen Diagrammtitel und -untertitel.

Erstelle eine umfassende Checkliste für die Datenbereinigung (Data Cleaning) meines Datensatzes. Beschreibung des Datensatzes: [Spalten, Datentypen, Datenquelle und Fachbereich beschreiben] Bekannte Probleme: [bereits sichtbare Fehler auflisten, z. B. Duplikate, uneinheitliche Datumsformate, fehlende Werte in Schlüsselspalten] Nachgelagerte Verwendung: [z. B. Training eines ML-Modells, Dashboard-Erstellung] Strukturiere die Checkliste nach Priorität, nenne konkrete Prüfschritte und zeige Lösungswege für jedes Problem auf.

Hilf mir bei der Entscheidung, wie mit fehlenden Datenwerten in meinem Datensatz umgegangen werden soll. Spalte mit fehlenden Werten: [Spaltenname und Bedeutung] Anteil fehlender Werte: [z. B. 18 %] Datentyp: [z. B. numerisch, kategorial, Datumsangabe] Nachgelagerte Nutzung der Spalte: [z. B. Feature in einem Regressionsmodell] Vergleiche die Optionen (Zeilen löschen, Imputation durch Mittelwert/Median/Modus, modellbasierte Imputation, Kennzeichnung als eigene Kategorie) und empfiehl das beste Vorgehen mit Begründung.

Hilf mir, Ausreißer (Outliers) in meinem Datensatz aufzuspüren und angemessen zu behandeln. Spalte: [Spaltenname und Bedeutung] Datentyp: [numerisch / Datum] Statistische Kennzahlen: [z. B. Min: 0, Max: 99.000, Mittelwert: 450, Median: 380, Standardabweichung: 1.200] Kontext: [z. B. Bestellwert in Euro; extrem hohe Werte könnten legitime Großbestellungen oder Eingabefehler sein] Schlage geeignete Methoden vor (IQR, Z-Score, Isolation Forest etc.), liefere Code in [Python/SQL] und berate zum Umgang mit bestätigten Ausreißern.

Hilf mir, uneinheitliche Werte in dieser Spalte zu bereinigen und zu standardisieren. Spaltenname: [z. B. Land / Country] Beispiele für fehlerhafte/abweichende Werte: [z. B. 'USA', 'United States', 'US', 'u.s.a', 'America'] Gewünschtes Zielformat: [z. B. ISO 3166-1 Alpha-2 Ländercodes] Tool: [z. B. Python pandas, SQL, dbt] Schreibe den Code für das Mapping und die Standardisierung, berücksichtige Randfälle und kennzeichne Werte, die nicht automatisch zugeordnet werden können.

Erstelle eine Datenpipeline mit pandas für folgende Aufgabe: Input-Daten: [Datenquelle beschreiben, z. B. CSV-Datei mit den Spalten: user_id, event_type, timestamp, revenue] Erforderliche Transformationen: 1. [z. B. nur Kauf-Events filtern] 2. [z. B. monatlichen Umsatz pro Nutzer aggregieren] 3. [z. B. Wachstumsrate im Vergleich zum Vormonat berechnen] Output: [gewünschtes Ergebnis beschreiben, z. B. DataFrame mit einer Zeile pro Nutzer und Monat] Schreibe sauberen, kommentierten Code und nutze Method Chaining, wo es der Lesbarkeit dient.

Schreibe Python-Code für folgende Datenvisualisierung: Diagrammtyp: [z. B. Heatmap, gruppiertes Balkendiagramm, Zeitreihe mit Konfidenzintervall] Datenstruktur: [DataFrame-Aufbau beschreiben, z. B. Spalten: month, category, value] Design-Vorgaben: [z. B. dunkler Hintergrund, barrierefreie/farbenblinden-freundliche Palette, rahmenlos] Ausgabe: [z. B. Speichern als PNG mit 300 DPI] Verwende matplotlib und/oder seaborn. Integriere Titel, Achsenbeschriftungen und Legende in publikationsreifer Qualität.

Schlage Feature-Engineering-Ideen für meinen Machine-Learning-Datensatz vor. Zielvariable (Target): [z. B. ob ein Nutzer in den nächsten 30 Tagen abwandert/churned] Verfügbare Roh-Features: [mit Datentypen auflisten, z. B. signup_date (Datum), last_login (Datum), num_sessions (Integer), plan_type (kategorial)] Granularität: [z. B. eine Zeile pro Nutzer] Schlage 10–15 abgeleitete Features vor, erkläre die Motivation dahinter und liefere den entsprechenden pandas-Code.

Schreibe ein Python-Skript zur Datenvalidierung für meinen Datensatz. Datensatz: [Spalten, Typen und Datenquelle beschreiben] Zu prüfende Validierungsregeln: 1. [z. B. user_id darf nicht null sein und muss eindeutig sein] 2. [z. B. event_date muss zwischen 2020-01-01 und heute liegen] 3. [z. B. revenue muss >= 0 sein] 4. [z. B. status muss einer der folgenden Werte sein: active, inactive, pending] Das Skript sollte eine strukturierte Zusammenfassung aller Verstöße ausgeben und nicht beim ersten Fehler abbrechen. Verwende pandas oder Great Expectations.

Verfasse eine Management-Zusammenfassung (Executive Summary) basierend auf folgenden Daten: Kontext: [z. B. Q1 2026 Performance-Review für ein SaaS-Produkt] Wichtigste Kennzahlen: - [Metrik 1]: [Wert und Veränderung zur Vorperiode] - [Metrik 2]: [Wert und Veränderung] - [Metrik 3]: [Wert und Veränderung] Besondere Ereignisse: [z. B. Feature X im Februar gelauncht, Großkunden im März verloren] Schreibe eine Zusammenfassung von 150–200 Wörtern. Beginne mit der wichtigsten Erkenntnis, benenne Schwachstellen offen und schließe mit den 2–3 zentralen Prioritäten für das nächste Quartal ab.

Schreibe einen kompakten wöchentlichen Kennzahlenbericht für folgende Zahlen: Team / Produkt: [z. B. Growth-Team, Mobile App] Kalenderwoche: [z. B. Woche vom 17. März 2026] Kennzahlen dieser Woche: - [Metrik]: [aktueller Wert] vs. [Wert Vorwoche] - [Metrik]: [aktueller Wert] vs. [Wert Vorwoche] Highlights: [Erfolge oder nennenswerte Ereignisse] Bedenken / Warnsignale: [Rückgänge oder Probleme] Formatiere es als kurzes Slack- oder E-Mail-Update: 3–5 Stichpunkte, verständliche Sprache ohne unnötigen Jargon. Hebe Punkte hervor, die sofortige Aufmerksamkeit erfordern.

Verfasse eine verständliche Zusammenfassung meiner A/B-Testergebnisse für ein nicht-technisches Publikum. Test-Name: [z. B. Neuer Checkout-Flow] Hypothese: [z. B. Ein 2-stufiger Checkout steigert die Conversion-Rate] Kontrollgruppe vs. Variante: [Änderung beschreiben] Ergebnisse: - Primäre Metrik: [z. B. Conversion-Rate] – Kontrolle: [X %], Variante: [Y %], relativer Zuwachs (Lift): [Z %] - Statistische Signifikanz: [z. B. p=0,03, 95 % Konfidenzintervall: +1,2 % bis +4,8 %] - Sekundärmetriken: [Kontrollmetriken / Guardrail Metrics und deren Werte] Testdauer: [z. B. 14 Tage, 25.000 Nutzer pro Gruppe] Erkläre die Bedeutung der Ergebnisse, gib eine Empfehlung ab (Rollout ja/nein) und weise auf eventuelle Einschränkungen hin.

Erstelle ein Data Dictionary für folgende Tabelle oder folgenden Datensatz: Tabellenname: [z. B. orders] Spalten: - [spaltenname]: [Datentyp, z. B. INT] – [kurze Inhaltsbeschreibung] - [spaltenname]: [Datentyp] – [Beschreibung] - [weitere nach Bedarf] Zielgruppe: [z. B. neue Datenanalysten im Team] Gib für jede Spalte an: Name, Datentyp, Beschreibung, Beispielwerte, Nullable (ja/nein) und bekannte Besonderheiten/Stolperfallen. Formatiere die Ausgabe als übersichtliche Markdown-Tabelle.