Einleitung

Datenanalyse scheitert selten an fehlenden Tools. Python, R, Excel, Tableau — die Software ist da. Was fehlt, ist meistens die richtige Frage. Ein Analyst sitzt vor einem Datensatz mit 50 Spalten und 100.000 Zeilen, und der erste Instinkt ist: Mittelwerte berechnen, ein paar Diagramme bauen, fertig. Das Ergebnis: eine Zusammenfassung, die niemand überrascht.

ChatGPT-Prompts für die Datenanalyse ersetzen weder Python noch den Analysten. Aber sie helfen bei dem, was die meisten Analysen schwach macht: den richtigen Fragen. Wenn der Prompt nicht "Erstelle ein Dashboard" lautet, sondern "Welche 5 Fragen muss ein CFO zu diesem Datensatz stellen, bevor er eine Investitionsentscheidung trifft?", entsteht eine andere Analyse. Dieser Artikel liefert über 50 Prompts für den gesamten Analyseprozess. Er ist Teil der ChatGPT-Prompts-Sammlung für Investoren, Berater und Analysten.

Was Sie in diesem Guide finden

• 50+ ChatGPT-Prompts für den gesamten Datenanalyse-Workflow: Exploration, Bereinigung, Analyse, Visualisierung, Reporting

• Prompts für Code-Generierung (Python, SQL, Excel) und statistische Analysen

• Business-spezifische Prompts (Kohortenanalyse, Churn, Unit Economics, KPI-Dashboards)

• Strukturierte Bonus-Vorlagen für die komplette Analyse in einem Durchgang

Wann ChatGPT in der Datenanalyse funktioniert und wann nicht

ChatGPT ist kein Analyse-Tool. Es ist ein Strukturierungs-Tool.

Funktioniert:

• Analyse planen: Welche Fragen stellen? Welche Methode passt? Welche Visualisierung für welchen Datentyp?
• Code generieren: Python-Snippets (pandas, matplotlib, seaborn), SQL-Queries, Excel-Formeln
• Ergebnisse interpretieren: Regressions-Outputs, statistische Tests, Korrelationsmatrizen erklären lassen
• Kommunikation: Management Summaries, Storytelling-Strukturen, Präsentationslogik

Funktioniert nicht:

• Daten verarbeiten: ChatGPT hat keinen Zugriff auf Ihre Daten (es sei denn, Sie laden sie in die Code-Interpreter-Funktion)
• Zahlen generieren: Jeder Benchmark, jede "branchentypische" Kennzahl von ChatGPT kann erfunden sein. Halluzinationen entlarven ist Pflicht.
• Komplexe Berechnungen: Statistische Tests, ML-Modelle und Aggregationen gehören in spezialisierte Tools

Tipp: Wie Sie Prompts mit dem nötigen Kontext anreichern, beschreibt der Context Engineering Guide. Für Datenanalyse-Prompts bedeutet das: Datensatz-Beschreibung, Spalten, Datentypen, Analyseziel und Zielgruppe immer mitliefern.

50+ ChatGPT-Prompts für die Datenanalyse

Jeder Prompt ist sofort einsetzbar. Ersetzen Sie die Platzhalter in eckigen Klammern durch Ihre spezifischen Angaben.

Daten-Exploration & Erstanalyse

Prompts für den ersten Blick auf einen neuen Datensatz.

1. "Ich habe einen Datensatz mit [X Zeilen] und folgenden Spalten: [Spalten auflisten]. Das Analyseziel ist [Ziel]. Welche 10 explorativen Analysen sollte ich als Erstes durchführen? Priorisiere nach Erkenntnispotenzial."

2. "Erstelle einen Python-Code (pandas), der für folgenden Datensatz eine vollständige explorative Analyse durchführt: Datentypen, fehlende Werte, Verteilungen, Ausreißer, Korrelationen. Spalten: [auflisten]."

3. "Welche 5 Fragen sollte ein [CFO/CEO/Analyst/Berater] zu einem Datensatz über [Thema] als Erstes stellen? Formuliere die Fragen so, dass sie mit Daten beantwortbar sind."

4. "Erstelle eine Datenqualitäts-Checkliste für einen Datensatz aus [Branche/Quelle]. Prüfpunkte: Vollständigkeit, Konsistenz, Aktualität, Duplikate, Plausibilität. Für jeden Punkt: SQL- oder Python-Query zur Prüfung."

5. "Beschreibe die typische Datenstruktur für [Anwendungsfall: E-Commerce-Transaktionen / SaaS-Subscriptions / Finanz-Reporting / HR-Daten]. Welche Spalten sind Standard? Welche werden oft vergessen?"

6. "Mein Datensatz hat [X%] fehlende Werte in der Spalte [Y]. Welche Imputation-Methode ist für diesen Datentyp [numerisch/kategorial/zeitbasiert] am sinnvollsten? Erstelle Python-Code für die 3 besten Optionen."

Datenbereinigung & Aufbereitung

Prompts für saubere, analysefertige Daten.

7. "Erstelle ein Python-Script zur Datenbereinigung für folgenden Datensatz: [Beschreibung]. Schritte: Duplikate entfernen, fehlende Werte behandeln, Datentypen korrigieren, Ausreißer identifizieren. Kommentiere jeden Schritt."

8. "Welche Ausreißer-Erkennungsmethode eignet sich für [Datentyp/Verteilung]? Vergleiche: IQR-Methode, Z-Score, Isolation Forest. Erstelle Python-Code für jede Methode."

9. "Erstelle eine SQL-Query, die Inkonsistenzen zwischen den Tabellen [A] und [B] identifiziert. Prüfe auf: fehlende Referenzen, widersprüchliche Werte, zeitliche Inkonsistenzen."

10. "Wie standardisiere ich [Datumformate / Währungen / Adressdaten / Kategoriebezeichnungen] in einem Datensatz mit [X] verschiedenen Formaten? Erstelle eine Mapping-Logik und Python-Code."

11. "Erstelle eine ETL-Pipeline (Extract, Transform, Load) für folgenden Use Case: Datenquellen [A, B, C] zusammenführen, bereinigen und in ein analysefertiges Format bringen. Python-Code mit pandas."

12. "Welche Feature-Engineering-Schritte sind für [Anwendungsfall: Churn Prediction / Sales Forecasting / Customer Segmentation] sinnvoll? Erstelle 10 abgeleitete Features mit Begründung und Code."

Deskriptive Analyse & KPIs

Prompts für die Zusammenfassung und Kennzahlen-Berechnung.

13. "Welche KPIs sind für ein [Branche]-Unternehmen mit [Geschäftsmodell: SaaS/E-Commerce/Agentur] am wichtigsten? Erstelle ein KPI-Framework: KPI → Definition → Formel → Benchmark → Datenquelle."

14. "Erstelle eine Kohortenanalyse für [SaaS-Subscriptions / E-Commerce-Käufe / App-Nutzer]. Python-Code (pandas + matplotlib): Kohorte nach [Anmeldemonat], Metrik [Retention / Revenue / Aktivität]."

15. "Berechne die Unit Economics für ein [Geschäftsmodell]-Unternehmen: CAC, LTV, LTV/CAC-Ratio, Payback Period, Contribution Margin. Formel + Python-Code + Interpretation der Ergebnisse."

16. "Erstelle ein [ABC-Analyse / Pareto-Analyse]-Framework für [Kunden / Produkte / Lieferanten]. Python-Code: Sortiere nach [Umsatz/Marge/Volumen], berechne kumulierte Anteile, klassifiziere in A/B/C."

17. "Welche Segmentierung ist für [Kundendatensatz / Produktdatensatz / Transaktionsdatensatz] am sinnvollsten? Vergleiche: RFM-Analyse, K-Means-Clustering, regelbasierte Segmentierung. Erstelle Python-Code für die beste Option."

18. "Erstelle eine Zeitreihen-Zerlegung für [Umsatz / Traffic / Bestellungen] über [Zeitraum]. Python-Code: Trend, Saisonalität, Residuen identifizieren. Welche Muster sind erkennbar?"

Visualisierung & Dashboards

Prompts für aussagekräftige Darstellungen.

19. "Welche Visualisierung eignet sich am besten für [Datentyp × Analyseziel]? Erstelle eine Entscheidungsmatrix: Vergleich → Balkendiagramm, Zeitverlauf → Liniendiagramm, Verteilung → Histogramm, Zusammenhang → Scatter, etc."

20. "Erstelle Python-Code (matplotlib + seaborn) für ein Dashboard mit 4 Diagrammen: (1) Umsatzentwicklung über Zeit, (2) Umsatzverteilung nach [Segment], (3) Top-10 [Kunden/Produkte], (4) Korrelationsmatrix der wichtigsten KPIs."

21. "Welche 5 Visualisierungsfehler machen Analysten am häufigsten? Für jeden Fehler: Beispiel, warum es irreführend ist und wie es besser geht."

22. "Erstelle eine Waterfall-Chart (Python) für [Umsatzentwicklung / Kostenanalyse / Brückenanalyse]: Startwert → positive Beiträge → negative Beiträge → Endwert."

23. "Agiere als Data-Visualization-Experte. Ich muss [Analyseergebnis] einem [C-Level / Board / Fachteam] präsentieren. Welche Visualisierung erzählt die Geschichte am besten? Begründe die Wahl."

24. "Erstelle ein KPI-Dashboard-Konzept für ein [Branche]-Unternehmen. Elemente: 5-7 KPIs, Layout (4-Quadranten), Drill-Down-Logik, Farbkodierung (Rot/Gelb/Grün) und Aktualisierungsfrequenz."

Statistische Analyse & Hypothesentests

Prompts für fundierte statistische Auswertungen.

25. "Ich möchte testen, ob [Variable A] einen signifikanten Einfluss auf [Variable B] hat. Datensatz: [Beschreibung]. Welcher statistische Test ist richtig? (t-Test, Chi-Quadrat, ANOVA, Regression?) Erstelle Python-Code mit Interpretation."

26. "Erstelle eine Korrelationsanalyse für die Variablen [A, B, C, D, E]. Python-Code: Pearson- und Spearman-Korrelation berechnen, Heatmap visualisieren. Welche Korrelationen sind statistisch signifikant?"

27. "Interpretiere folgendes Regressionsergebnis: [Output einfügen]. Was sagen R², p-Werte und Koeffizienten? Welche Variablen sind signifikant? Welche Limitationen hat das Modell?"

28. "Erkläre den Unterschied zwischen Korrelation und Kausalität am Beispiel [Branche/Datensatz]. Welche zusätzlichen Analysen brauche ich, um von Korrelation auf Kausalität schließen zu können?"

29. "Erstelle eine A/B-Test-Analyse für [Experiment-Beschreibung]. Python-Code: Stichprobengröße berechnen, statistische Signifikanz prüfen, Effektstärke berechnen, Ergebnis interpretieren."

30. "Welche statistischen Methoden sind für [kleine Datensätze / nicht-normalverteilte Daten / kategoriale Variablen / Zeitreihendaten] geeignet? Erstelle eine Entscheidungshilfe mit Begründung."

Prädiktive Analyse & Forecasting

Prompts für Vorhersagen und Modellierung.

31. "Welches Vorhersagemodell eignet sich für [Anwendungsfall: Umsatz-Forecasting / Churn Prediction / Demand Planning]? Vergleiche: Lineare Regression, Random Forest, XGBoost, Prophet. Kriterien: Genauigkeit, Interpretierbarkeit, Datenbedarf."

32. "Erstelle einen Umsatz-Forecast für die nächsten [X Monate] basierend auf historischen Daten. Python-Code mit Prophet oder ARIMA. Input: [Datensatz-Beschreibung]. Zeige Konfidenzintervalle."

33. "Erstelle ein Churn-Prediction-Modell für [SaaS / E-Commerce / Telco]. Python-Code: Feature Engineering, Train/Test-Split, Modelltraining (Random Forest), Evaluation (Accuracy, Precision, Recall, AUC)."

34. "Wie vermeide ich Overfitting in meinem Vorhersagemodell? Erkläre 5 Methoden (Cross-Validation, Regularisierung, Feature Selection, Early Stopping, Ensemble) mit Python-Code-Beispielen."

35. "Erstelle eine Sensitivitätsanalyse: Wie verändert sich [Zielmetrik] wenn [Variable A] um ±10%, ±20%, ±30% variiert? Python-Code mit Tornado-Diagramm zur Visualisierung."

Business-spezifische Analysen

Prompts für typische Business-Fragestellungen.

36. "Erstelle eine Wettbewerbsanalyse auf Basis von Daten: Marktanteile, Pricing-Vergleich, Feature-Vergleich, Kundenbewertungen. Welche Datenquellen brauche ich? Welche Analysen liefern die besten Insights?"

37. "Analysiere die Kundenabwanderung (Churn) für ein [Branche]-Unternehmen. Erstelle einen Analyse-Plan: (1) Churn-Rate berechnen, (2) Churn-Treiber identifizieren, (3) Risiko-Segmente finden, (4) Maßnahmen ableiten."

38. "Erstelle eine Pricing-Analyse für [Produkt/Service]. Methoden: Preiselastizität, Competitor Pricing, Willingness-to-Pay-Analyse. Welche Daten brauche ich und wie werte ich sie aus?"

39. "Agiere als Financial Analyst. Erstelle eine Varianzanalyse (Plan vs. Ist) für [Umsatz / Kosten / EBITDA]. Format: Abweichung in EUR und %, Preis- vs. Mengeneffekt, Kommentar zu den Top-3-Abweichungen."

40. "Erstelle eine Marktrecherche-basierte Datenanalyse: Markgröße schätzen (Top-down und Bottom-up), TAM/SAM/SOM berechnen, Wachstumsrate ableiten. Welche Daten brauche ich?"

Ergebnisse kommunizieren & Reporting

Prompts für die Übersetzung von Daten in Entscheidungen.

41. "Erstelle eine Executive Summary für folgende Analyseergebnisse: [Ergebnisse einfügen]. Format: 3 Key Findings, 2 Handlungsempfehlungen, 1 Risiko. Max. 200 Wörter."

42. "Agiere als Data-Storytelling-Experte. Übersetze folgende Daten in eine Geschichte: [Daten/Ergebnisse einfügen]. Struktur: Ausgangslage → Erkenntnis → Implikation → Empfehlung."

43. "Formuliere 5 Handlungsempfehlungen basierend auf diesen Analyseergebnissen: [Ergebnisse]. Für jede Empfehlung: Was tun, warum, erwarteter Impact, Verantwortlichkeit."

44. "Erstelle ein Management-Reporting-Template für [wöchentliches / monatliches / quartalsweises] Reporting. Elemente: KPI-Übersicht, Trend-Analyse, Top-/Bottom-Performer, Ausblick, Action Items."

45. "Wie kommuniziere ich Unsicherheit und Limitationen in meiner Analyse ohne Glaubwürdigkeit zu verlieren? Formuliere 3 Beispielsätze für: (a) kleine Stichprobe, (b) Korrelation ohne bewiesene Kausalität, (c) Datenqualitätsprobleme."

Analyse-Automatisierung & Workflows

Prompts für wiederkehrende Analysen.

46. "Erstelle ein Python-Script, das folgende Analyse automatisch wöchentlich durchführt: [Analyse-Beschreibung]. Input: CSV von [Quelle]. Output: PDF-Report mit den wichtigsten KPIs und Visualisierungen."

47. "Welche SQL-Views und Stored Procedures brauche ich für ein automatisiertes KPI-Reporting in [Datenbank-Typ]? KPIs: [Liste]. Erstelle die SQL-Definitionen."

48. "Erstelle einen datengetriebenen Alert-Mechanismus: Welche Schwellenwerte für [KPIs] sollten automatische Benachrichtigungen auslösen? Python-Code für die Alert-Logik."

Fortgeschrittene Analysen

49. "Erstelle eine Natural Language Processing (NLP)-Analyse für [Kundenbewertungen / Support-Tickets / Umfrage-Freitexte]. Python-Code: Sentiment-Analyse, Topic Modeling, häufigste Beschwerden/Lob identifizieren."

50. "Vergleiche die Performance zweier ML-Modelle anhand typischer Metriken. Modell A: [Beschreibung], Modell B: [Beschreibung]. Python-Code: Accuracy, Precision, Recall, F1, ROC-AUC berechnen und visualisieren."

51. "Erstelle eine Anomalie-Erkennung für [Transaktionsdaten / Server-Logs / Finanzdaten]. Python-Code: Isolation Forest oder DBSCAN anwenden, Anomalien visualisieren und klassifizieren."

52. "Erkläre die Ergebnisse eines Machine-Learning-Modells mit Explainable AI (XAI). Python-Code: SHAP-Values berechnen und visualisieren. Welche Features treiben die Vorhersage?"

Bonus: Strukturierte Datenanalyse-Prompts

BONUS 1: Die Komplette Datenanalyse

Du bist ein erfahrener Data Analyst mit Expertise
in [Branche].

DATENSATZ-BESCHREIBUNG:
- Quelle: [z.B. CRM, ERP, Google Analytics, CSV]
- Zeitraum: [von - bis]
- Umfang: [X Zeilen, Y Spalten]
- Wichtigste Spalten: [Spalten mit Datentypen]
- Datenqualität: [bekannte Probleme, falls vorhanden]

ANALYSEZIEL:
[z.B. "Warum sinkt die Conversion Rate seit Q3?"
oder "Welche Kunden haben das höchste Churn-Risiko?"
oder "Wie entwickelt sich der Umsatz in den nächsten
6 Monaten?"]

ZIELGRUPPE DES REPORTS:
[z.B. CEO, CFO, Marketing-Team, Board]

AUFGABE:
1. DATEN-EXPLORATION (Schritt 1):
   - 5 explorative Analysen als Einstieg
   - Datenqualitäts-Checks
   - Erste Hypothesen

2. ANALYSE-PLAN (Schritt 2):
   - Welche Methoden/Tests passen zum Ziel?
   - Welche Visualisierungen zeigen die Story?
   - Python-/SQL-Code für die wichtigsten Analysen

3. INTERPRETATION (Schritt 3):
   - Erwartete Ergebnis-Patterns
   - Worauf bei der Interpretation achten?
   - Typische Fehler bei diesem Datentyp

4. KOMMUNIKATION (Schritt 4):
   - Executive Summary-Struktur
   - 3 Visualisierungen für die Präsentation
   - Handlungsempfehlungen-Format

Markiere alle Annahmen mit [ANNAHME].
Generiere keine Beispieldaten — arbeite mit
der Struktur, die ich beschreibe.

BONUS 2: Der Analyse-Reviewer

Du bist ein Senior Data Analyst, der Analysen
auf Qualität prüft.

ANALYSE ZUM REVIEW:
[Fügen Sie hier Ihre Analyse, Ihren Code oder
Ihre Ergebnisse ein]

AUFGABE:
Prüfe die Analyse auf 5 Dimensionen:

1. METHODIK:
   - Ist die gewählte Methode für die Fragestellung
     geeignet?
   - Gibt es bessere Alternativen?

2. DATENQUALITÄT:
   - Wurden fehlende Werte, Ausreißer und Duplikate
     berücksichtigt?
   - Gibt es Bias in den Daten?

3. STATISTISCHE KORREKTHEIT:
   - Sind die Tests korrekt angewendet?
   - Wird Korrelation mit Kausalität verwechselt?
   - Ist die Stichprobe groß genug?

4. VISUALISIERUNG:
   - Sind die Diagramme korrekt und nicht
     irreführend?
   - Passen sie zur Zielgruppe?

5. SCHLUSSFOLGERUNGEN:
   - Werden die Ergebnisse überinterpretiert?
   - Fehlen wichtige Caveats?
   - Sind die Handlungsempfehlungen durch die
     Daten gedeckt?

Sei kritisch. Eine fehlerhafte Analyse ist
schlimmer als keine Analyse.

Best Practices für Datenanalyse-Prompts

So werden die Analysen brauchbar

• Datensatz beschreiben, nicht hochladen. In den meisten Fällen reicht es, ChatGPT die Spalten, Datentypen und den Umfang zu beschreiben. Den generierten Code führen Sie dann selbst auf Ihren Daten aus. So bleiben sensible Daten geschützt.

• Code testen, nicht blind übernehmen. ChatGPT generiert syntaktisch korrekten Code, der logisch falsch sein kann. Testen Sie jeden Code-Block mit einem kleinen Testdatensatz, bevor Sie ihn auf Produktionsdaten loslassen.

• Analyse-Ziel vor Methode. Fragen Sie nicht "Mache eine Regression", sondern "Ich will verstehen, welche Faktoren die Kundenabwanderung treiben. Welche Methode passt?" Die Methode folgt aus der Frage, nicht umgekehrt.

• Ergebnisse durch Experten validieren. ChatGPT kann Zahlen erfinden, die plausibel klingen. Jede Zahl in Ihrer Analyse muss aus Ihren tatsächlichen Daten stammen und von einem Fachexperten geprüft werden.

TL;DR

• 52+ Prompts für den gesamten Datenanalyse-Workflow: Exploration, Bereinigung, deskriptive Analyse, Statistik, Forecasting, Business-Analysen und Reporting.

• 9 Sektionen: Von der Erstexploration über Code-Generierung (Python, SQL, Excel) und statistische Tests bis zur Management-Kommunikation. Plus Business-spezifische Analysen (Churn, Kohorten, Unit Economics, Pricing) und Automatisierung.

• 2 Bonus-Vorlagen: Die komplette Datenanalyse als strukturierter Prompt und der Analyse-Reviewer für die kritische Prüfung bestehender Analysen.

• Entscheidend: Datensatz beschreiben (nicht hochladen), Analyse-Ziel vor Methode definieren, Code immer testen und Ergebnisse mit echten Daten validieren.

Von der Datenanalyse zum kontinuierlichen Monitoring

Einzelanalysen beantworten Einzelfragen. Strategische Entscheidungen brauchen kontinuierliche Daten: Wettbewerbsentwicklungen, Markttrends und Branchendynamiken. Researchly liefert diese externen Datenpunkte als Ergänzung zu Ihren internen Analysen — aktuell und faktenbasiert.

14 Tage kostenlos testen →