Datenanalyse mit KI: Excel war gestern

Datenanalyse mit KI: Von Rohdaten zu Erkenntnissen in Sekunden

Datenanalyse war lange eine Domäne von Spezialisten mit Excel-Expertise oder Programmierkenntnissen. KI verändert das grundlegend: Stellen Sie eine Frage in natürlicher Sprache und erhalten Sie eine fundierte Analyse – samt Diagramm.

Das ist die gute Nachricht. Die weniger bequeme: Eine KI, die eine Zahl nicht kennt, liefert trotzdem eine. Dieser Artikel zeigt beides – wie Sie in Minuten zu Ergebnissen kommen und woran Sie erkennen, dass ein Ergebnis nicht stimmt.

Der Paradigmenwechsel: Natürliche Sprache statt Formeln

Vorher: Excel-Expertise erforderlich

=SUMMENPRODUKT((MONAT(A2:A1000)=3)*(JAHR(A2:A1000)=JAHR(HEUTE()))*(C2:C1000="Marketing")*D2:D1000)

Nachher: Einfach fragen

Wie hoch waren die Marketing-Ausgaben im März dieses Jahres?

KI übersetzt die Frage in eine Abfrage, rechnet und visualisiert. Der entscheidende Unterschied zur Formel: Die Formel ist falsch oder sie ist richtig. Die KI-Antwort kann plausibel aussehen und trotzdem falsch sein – deshalb gehört zu jedem Ergebnis eine Prüfung.

💡 Tipp: Sie brauchen keine Programmier- oder Excel-Kenntnisse mehr, um eine Analyse zu bekommen. Um sie zu beurteilen, brauchen Sie weiterhin Verständnis für Ihre Daten.

KI-Tools für Datenanalyse

ChatGPT mit Dateianalyse

Der Code-Interpreter von ChatGPT kann:

• CSV-, Excel- und JSON-Dateien direkt auswerten
• Python-Code für komplexe Analysen erzeugen und ausführen
• Diagramme und Visualisierungen erstellen
• Statistische Tests durchführen
• Trends und Prognosen berechnen

Der große Vorteil: Sie können den erzeugten Code ansehen. Damit ist nachprüfbar, wie eine Zahl entstanden ist.

Google Gemini in Google Sheets

• Formeln in natürlicher Sprache erzeugen
• Pivot-Tabellen automatisch anlegen
• Zusammenfassungen von Datenbereichen
• Ausreißer und Anomalien erkennen

Microsoft Copilot in Excel

• Natürliche Sprache zu Excel-Formeln
• Automatische Visualisierung
• Trendanalyse und Prognose
• Anbindung an Power BI

💡 Tipp: Arbeiten Ihre Daten ohnehin in Microsoft 365 oder Google Workspace, beginnen Sie dort. Der Umweg über einen Datei-Upload entfällt – und damit ein Datenschutzthema.

Praxis: eine Analyse von Anfang bis Ende

Ein Beispiel, wie es tatsächlich abläuft. Ausgangslage: eine Exportdatei mit Verkaufsdaten, 14 Spalten, rund 8.000 Zeilen.

1. Frage statt Auftrag. Nicht „analysiere diese Datei", sondern: „Welche drei Produkte haben im letzten Quartal gegenüber dem Vorquartal am stärksten verloren, und wie groß ist der Rückgang in Prozent?"

2. Die KO-Frage zuerst. Vor der Analyse: „Wie viele Zeilen hat die Datei, wie viele leere Werte je Spalte, welchen Zeitraum deckt sie ab?" Antwortet die KI hier mit anderen Zahlen als Ihre Datei hat, stimmt etwas mit dem Import nicht – und alles Weitere ist wertlos.

3. Rechnen lassen. Die KI gruppiert, vergleicht, sortiert und liefert die drei Produkte mit Prozentwerten.

4. Gegenrechnen. Nehmen Sie ein Produkt und prüfen Sie es von Hand: Summe Vorquartal, Summe Quartal, Differenz. Stimmt dieser eine Wert, stimmt meist die Methode. Stimmt er nicht, haben Sie den Fehler gefunden, bevor er in eine Präsentation wandert.

5. Nach der Ursache fragen. Erst jetzt lohnt die offene Frage: „Welche Erklärungen sind in den Daten erkennbar – Saison, einzelne Großkunden, Preisänderungen?"

Grenzen und Fallstricke

Hier liegt der Unterschied zwischen einer brauchbaren und einer gefährlichen Analyse.

Zahlen ohne Grundlage. Fragt man nach einem Wert, der in den Daten nicht steht, nennt eine KI unter Umständen trotzdem einen. Gegenmittel: immer mitfragen, auf welchen Spalten und Zeilen das Ergebnis beruht.

Datumsformate. 03.04. ist im deutschen Format der 3. April, im englischen der 4. März. Bei gemischten oder uneindeutigen Exporten verschieben sich ganze Quartale, ohne dass eine Fehlermeldung erscheint. Lassen Sie sich den erkannten Zeitraum immer ausgeben.

Stille Stichproben. Bei großen Dateien arbeiten manche Werkzeuge nur mit einem Auszug und sagen das nicht deutlich. Prüfen Sie die Zeilenzahl, mit der gerechnet wurde.

Dezimal- und Tausendertrennzeichen. Ein deutsches 1.234,50 kann als 1234.50 oder als 1,23450 gelesen werden. Der Unterschied ist Faktor 1.000.

Fehlende Werte. Ob leere Zellen als Null oder als „unbekannt" gelten, verändert jeden Durchschnitt. Das ist eine fachliche Entscheidung, keine technische – treffen Sie sie selbst.

Kein Kontext. Die KI weiß nicht, dass im März ein Werk stillstand oder ein Großkunde abgesprungen ist. Sie findet das Muster, nicht den Grund.

⚠️ Wichtig: Für Zahlen, die in eine Bilanz, ein Reporting oder eine Entscheidung mit Außenwirkung gehen, ist eine KI-Analyse ein Zwischenschritt, kein Ergebnis. Der nachgerechnete Wert ist das Ergebnis.

Wo sich der Einsatz lohnt

Vertrieb

• Umsatztrends nach Produkt, Region, Zeitraum
• Kundensegmentierung nach Kaufverhalten
• Pipeline-Analyse mit Wahrscheinlichkeiten
• Frühwarnung bei abwanderungsgefährdeten Kunden

Marketing

• Kampagnen kanalübergreifend vergleichen
• Wirtschaftlichkeit einzelner Maßnahmen
• Customer Journey über Kontaktpunkte hinweg
• Auswertung von Freitext-Feedback

Finanzen und Controlling

• Budgetabweichungen identifizieren
• Liquiditätsprognosen aus historischen Daten
• Kostentreiber durch Mustererkennung
• Szenarien durchrechnen

Wo es sich nicht lohnt

Bei einer einzelnen Summe über eine saubere Spalte ist die Formel schneller. Bei regelmäßigen, gleichbleibenden Auswertungen gehört die Logik in eine Pivot-Tabelle oder ein Dashboard – dort ist sie reproduzierbar. KI spielt ihre Stärke bei einmaligen, offenen Fragen aus, für die noch niemand eine Auswertung gebaut hat.

Datenschutz

• Personenbezogene Daten vor dem Upload anonymisieren oder pseudonymisieren
• Für Geschäftsdaten Unternehmensversionen nutzen, bei denen Eingaben nicht ins Training fließen
• Die DSGVO gilt auch für eine „schnelle Auswertung" zwischendurch
• Den KI-Einsatz dokumentieren – das verlangt auch der EU AI Act
• Im Zweifel: Datei nicht hochladen, sondern das Werkzeug dort nutzen, wo die Daten schon liegen

Workflow als Checkliste

1. Geschäftsfrage formulieren – was wollen Sie entscheiden?
2. Daten prüfen – Zeilenzahl, Zeitraum, Lücken
3. Analysieren lassen – mit Angabe der verwendeten Spalten
4. Einen Wert gegenrechnen – von Hand
5. Visualisieren – erst wenn die Zahlen stehen
6. Handlungsempfehlung ableiten – mit der Unsicherheit, die in den Daten steckt

Fazit

KI-gestützte Datenanalyse öffnet Business Intelligence für Menschen ohne Data-Science-Hintergrund. Der Engpass ist nicht mehr die Formel, sondern die Frage – und die Prüfung. Wer beides beherrscht, kommt in Minuten zu Antworten, für die früher Tage nötig waren. Wer nur fragt und das Ergebnis übernimmt, baut Entscheidungen auf Zahlen, die niemand nachgerechnet hat.

Praxis lernen? Im Kurs Datenanalyse mit KI für Einsteiger gehen wir den gesamten Ablauf an echten Datensätzen durch – inklusive der Prüfschritte. Wer tiefer in Tabellen einsteigen will, findet im Kurs Excel und KI für Datenanalyse den Weg über Formeln und Pivot.

---

Mehr zu Machine Learning, NLP und Embedding im KI-Glossar.