Datenanalyse mit klaren Fragen

Bis jetzt hast du experimentiert. Jetzt wird es gezielt. Du wirst AI mit präzisen Fragen füttern und lernen, worauf es ankommt: eine gute Frage ist die halbe Analyse.

Warum Intention wichtig ist

In K01 (Text) hast du einfach drauflos geschrieben. In K02 (Musik) hast du experimentiert. Das war wichtig — um zu verstehen, was AI kann. Jetzt kommt die nächste Stufe: analytische Intention.

Das bedeutet: Bevor du AI fragst, musst du selbst wissen, WAS du wissen willst. Nicht „analysier mal", sondern „wo gebe ich am meisten Geld aus — und vergleich das mit letztem Jahr". Das ist ein riesiger Unterschied.

Eine klare Frage führt zu verwertbaren Antworten. Eine vage Frage führt zu interessanten, aber nutzlosen Beobachtungen. Das ist nicht deine Schuld — es ist einfach die Realität der Datenanalyse.

Drei reale Szenarien

Lass mich dir drei Szenarien zeigen, die viele Menschen haben:

Szenario 1: Das Haushaltsbuch (persönliche Finanzen)

Du führst seit einem Jahr Buch über deine Ausgaben: Lebensmittel, Transport, Hobbys, Kleidung. Jetzt hast du 50 Einträge. Die schwache Variante der Frage wäre:

Analysier mal meine Ausgaben.

Die starke Variante wäre:

In welcher Kategorie gebe ich prozentual am meisten aus? Welche Kategorie ist diesen Monat über budget gegangen — vergleich mit den letzten 12 Monaten. Visualisiere für mich: Balkendiagramm für Kategorie-Vergleiche, Liniendiagramm für meine Trends über die Monate.

Der Unterschied: Die starke Frage sagt AI genau, was du brauchst. Du sparst damit Zeit UND bekommst Ergebnisse, die du direkt verwenden kannst.

Szenario 2: Umfrageergebnisse (Forschung, Kundenfeedback)

Du hast 200 Menschen befragt: „Was ist das wichtigste Feature in einer Fitness-App?" Du hast ihre Antworten kategorisiert (Tracking, Musik, Gemeinschaft, Gamification, etc.). Die schwache Frage:

Was sagen die Leute über die beste Fitness-App-Feature?

Die starke Frage:

Welche Features wurden am häufigsten genannt? Gibt es Unterschiede zwischen männlichen und weiblichen Befragten? Was sind die Top 3 Features — gib mir absolute Zahlen und Prozente. Zeige mir ein Balkendiagramm mit den Top 5 Features.

Wieder: Specificity macht den Unterschied zwischen Information und Rauschen.

Szenario 3: Geschäftsdaten (Verkauf, Traffic, Wachstum)

Du verkaufst online und hast Daten: Tagesverkäufe, Produktkategorie, Rabatt ja/nein. Schwache Frage:

Wann verkaufe ich am meisten?

Starke Frage:

In welcher Produktkategorie ist mein Umsatz am höchsten? An welchen Wochentagen verkaufe ich am meisten? Macht ein Rabatt von 10% einen Unterschied in den Verkaufsmengen? Gib mir ein Liniendiagramm für tägliche Trends, und sag mir, wenn es Anomalien gibt (abnormale Tage).

Das Muster: Schwach vs. Stark

Du siehst das Muster? Starke Fragen haben folgende Eigenheiten:

1. Spezifisch: Nicht „analysier", sondern „vergleich X mit Y".
2. Begrenzt: Nicht alles, sondern Top 3, oder ein Zeitraum, oder eine Frage pro Prompt.
3. Fordernd: Du fragst nach konkreten Ausgaben — nicht nur Beschreibung, sondern Zahlen und Visualisierungen.
4. Kontext: Du erklärst kurz, WARUM du das fragst (Haushaltsbuch über 12 Monate, Umfrage mit 200 Befragten). Das hilft AI, passende Methoden zu wählen.

Schwach vs. Stark: Prompt-Paare

Hier sind echte Beispiele, mit denen du direkt anfangen kannst:

Szenario 1: Haushaltsbuch-Analyse

Schwach:

Ich habe meine Ausgaben über 12 Monate aufgezeichnet. Was ist auffällig?

Stark:

Ich habe meine Ausgaben (Lebensmittel, Transport, Hobbys, Kleidung, Sonstiges) über 12 Monate aufgezeichnet. In welcher Kategorie gebe ich den höchsten Anteil aus? Zeige mir einen Vergleich von Januar bis Dezember für jede Kategorie. In welchem Monat waren meine Ausgaben am höchsten? Erstelle ein Liniendiagramm für die monatlichen Gesamtausgaben.

Szenario 2: Blog-Traffic-Analyse

Schwach:

Mein Blog-Traffic ist unregelmäßig. Was ist das Problem?

Stark:

Mein Blog hat 50 Artikel. Ich habe die Daten: Veröffentlichungsdatum, Thema (Technologie, Reisen, Rezepte), Seitenaufrufe, Kommentare. Welche Themen haben die meisten Aufrufe im Durchschnitt? Gibt es einen Unterschied im Traffic zwischen Wochentagen und Wochenende? Welche 3 Artikel waren am erfolgreichsten? Zeige mir ein Balkendiagramm (Top 10 Artikel nach Traffic) und ein Liniendiagramm (Traffic über Zeit hinweg).

Szenario 3: Produktverkauf-Analyse

Schwach:

Mein Verkauf ist unterschiedlich. Warum?

Stark:

Ich verkaufe online 3 Produkte (A, B, C). Meine Daten seit 6 Monaten: tägliche Verkäufe pro Produkt, Preis, Rabatt. Welches Produkt hat den höchsten durchschnittlichen täglichen Umsatz? In welchem Monat waren die Verkäufe am besten? Korreliert ein Rabatt von 10% mit höheren Verkaufsmengen? Erstelle zwei Grafiken: 1) Balkendiagramm für Umsatz pro Produkt, 2) Liniendiagramm für tägliche Verkäufe über 6 Monate.

Die Check-Liste: Bevor du AI fragst

Nutze diese Check-Liste, bevor du einen Prompt schreibst:

□ Habe ich eine konkrete Frage, keine offene Erkundung? □ Habe ich AI gesagt, was in meinen Daten ist (wie viele Datenpunkte, welche Kategorien)? □ Habe ich um spezifische Ausgaben gebeten (Zahlen, Top 3, Vergleich)? □ Habe ich um Visualisierungen gebeten, die Sinn machen? □ Habe ich eine Frage pro Prompt gestellt (nicht 5 Fragen auf einmal)?

Wenn du alle Kästchen abhaken kannst, bist du bereit. Sonst, überdenke die Frage.

Was die nächste Lektion nicht ist

In dieser Lektion geht es nicht darum, dass du ein Daten-Experte wirst. Es geht auch nicht darum, dass du in Excel-Genie verwandelst. Es geht um das Minimum: Verstehen, wie man AI mit Intention einsetzt.

Das ist die Brücke zwischen Experiment und Praxis. Und die Brücke ist überraschend kurz — wenn du weißt, wie du fragst.

Ein Gedanke zum Mitnehmen

Eine gute Frage ist ein Geschenk, das du der AI (und dir selbst) machst. Eine schlechte Frage ist Zeitverschwendung für beide. Deshalb: Nimm dir Zeit, die Frage zu formulieren. Schreib sie auf. Überprüf sie. Dann frag die AI.

Das klingt nach mehr Arbeit. Es ist weniger Arbeit — weil du Antworten bekommst, die du tatsächlich nutzen kannst.