Bei Datenanalysen kann KI Formeln, Code und Erklärungen erzeugen. Verlässlich wird der Prozess erst, wenn Datenqualität, Berechnungsschritte und Ergebnisse nachvollziehbar kontrolliert werden.
Geeignet für
- Datenbereinigung und Plausibilitätsprüfungen
- Formeln und Auswertungen
- Diagramme und Zusammenfassungen
- Erklärung statistischer Kennzahlen
- Erzeugung reproduzierbaren Analyse-Codes
Voraussetzungen
Eine verständliche Beschreibung der Spalten, Einheiten, fehlenden Werte und Analysefrage. Sensible Daten müssen anonymisiert oder in einer geeigneten Umgebung verarbeitet werden.
Vorgehensweise
- Datenstruktur und Ziel der Analyse beschreiben.
- Fehlende Werte, Datentypen und Ausreißer prüfen.
- Berechnungsschritte vor der Ausführung erläutern lassen.
- Analyse mit Formeln oder Code reproduzierbar durchführen.
- Ergebnisse gegen Kontrollrechnungen prüfen.
- Annahmen, Unsicherheiten und ausgeschlossene Daten dokumentieren.
Beispiel
„Prüfe diese Tabelle auf fehlende Werte und unplausible Einheiten. Berechne anschließend Median und Quartile je Kategorie und gib reproduzierbaren Python-Code aus.“
Qualitätskontrolle
- Stimmen Spalten, Einheiten und Filter?
- Sind Kennzahlen passend zur Fragestellung?
- Lässt sich das Ergebnis reproduzieren?
- Werden Korrelation und Kausalität unterschieden?
Grenzen und Risiken
- Fehlerhafte Datentypen können unbemerkt falsche Resultate erzeugen.
- Automatisch erzeugte Diagramme können irreführende Skalen verwenden.
- Personenbezogene und geschäftskritische Daten benötigen besondere Schutzmaßnahmen.
Passende Tools und Modelle
Geeignet sind Systeme mit einer kontrollierten Rechenumgebung, Tabellenzugriff und sichtbarem Code. Reine Textantworten ohne ausführbare Berechnung sind für präzise Analysen ungeeignet.