Claude für Datenanalyse: Was delegieren, was behalten

Wird Claude eine CSV-Datei übergeben und um eine „Analyse“ gebeten, erhält man schnell eine Antwort: einige Durchschnittswerte, ein Diagramm, ein Absatz mit Beobachtungen. Ob davon etwas sicher einem Stakeholder präsentiert werden kann, ist eine andere Frage. Das Standardverhalten ist selbstbewusst, unabhängig davon, ob die zugrunde liegende Arithmetik korrekt ist, und eine Tabelle mit 40.000 Zeilen verbirgt ihre Fehler gut.

Wir betreiben SkillProof, einen Katalog, in dem jede Skill auf einer sauberen Maschine installiert und anhand realer Aufgaben getestet wird, bevor wir ein Urteil veröffentlichen. Dieser Leitfaden behandelt die Datenkategorie: was Analysten tatsächlich an Claude übergeben, sobald die richtige Skill installiert ist, was manuell bleibt, egal wie gut die Tools werden, und ein vollständiges Praxisbeispiel von einem unsauberen Export bis zu einem umsetzbaren Bericht.

Was Analysten tatsächlich delegieren

Drei Aufgaben machen den Großteil des Werts aus, und keine davon ist „mach die Analyse für mich“.

Bereinigung. Echte Exporte enthalten gemischte Datumsformate, doppelte Kunden-IDs aus einem CRM-Merge und Einheiten, die zwischen Zeilen wechseln, weil jemand die Quelltabelle manuell bearbeitet hat. Dies ist mechanisch, mühsam und genau die Art von Arbeit, bei der ein müder Analyst neue Fehler einführt, während er alte behebt. Es ist auch der größte Zeitfresser, bevor eine eigentliche Analyse beginnt.

Abfrageerstellung. Die Übersetzung von „welche Kunden nach ihrer zweiten, aber vor ihrer dritten Verlängerung abgewandert sind“ in eine korrekte Window-Function-Abfrage gegen ein Schema, das man nur halb kennt. Claude ist gut in SQL. Es ist weniger gut darin, die Eigenheiten Ihres Schemas zu kennen, es sei denn, man teilt es ihm mit. Dies ist die eigentliche Skill in dieser Kategorie: das Modell dazu zu bringen, nach Fremdschlüsseln und Null-Konventionen zu fragen, anstatt zu raten.

Zahlen in einen Bericht umwandeln. Ein Dashboard zeigt an, dass sich eine Zahl verändert hat. Es sagt nicht, warum, oder ob es jemanden interessieren sollte. Das Schreiben von „Anmeldungen sind diese Woche um 12 % gesunken, konzentriert im mobilen Funnel, zeitgleich mit dem App Store-Update am Dienstag“ aus einem Metrikexport ist Schreiben, nicht Mathematik, und Schreiben ist das, wofür Sprachmodelle entwickelt wurden.

Was nicht an Claude delegiert wird, selbst mit einer gut installierten Skill: die Entscheidung, welche Metrik wichtig ist, die Beurteilung, ob ein Ergebnis praktisch signifikant oder lediglich statistisch signifikant ist, und jede Schlussfolgerung, die auf Annahmen über die Datenerhebung beruht. Eine Skill kann einen p-Wert korrekt berechnen. Sie kann Ihnen jedoch nicht sagen, ob Ihre Stichprobe tatsächlich zufällig war, denn das ist eine Tatsache über Ihren Prozess, nicht über Ihren Datensatz.

Der getestete Daten-Stack

Jede der folgenden Skills wurde sauber installiert und mit einer echten Datei getestet, nicht mit einer Demo-CSV, die dazu dient, die Skill gut aussehen zu lassen. Die Bewertungen reichen von 1 bis 10, gewichtet nach Installations-, Trigger-, Ausgabe- und Dokumentationskriterien. Die vollständige Methode finden Sie auf unserer Methodenseite. Wenn Sie noch keine Skill installiert haben, behandelt unser Installationsleitfaden die Zwei-Befehl-Einrichtung für jede Oberfläche.

Data Cleaning (8.8/10, pass) ist die Skill, die zuerst installiert werden sollte, wenn Ihre Daten nicht aus einer sauberen internen Datenbank stammen. Unser Test konfrontierte sie mit einem 60.000 Zeilen umfassenden Export mit gemischten Datumsformaten, doppelten Schlüsseln und Einheiteninkonsistenzen zwischen Spalten, die eigentlich übereinstimmen sollten. Sie behob alle drei Kategorien und, was noch wichtiger ist, erstellte ein Änderungsprotokoll, das jede vorgenommene Transformation auflistet. Dieses Protokoll ist der Unterschied zwischen dem Vertrauen in eine bereinigte Datei und der Hoffnung, dass sie in Ordnung ist. Ohne es bedeutet „Claude hat Ihre Daten bereinigt“ „ein undurchsichtiger Prozess hat Ihre Zahlen verändert“, was in einem Meeting nicht verteidigt werden kann, wenn jemand fragt, warum sich eine Gesamtsumme verschoben hat.

SQL Query Writer (9.2/10, pass) ist die höchste Bewertung in dieser Kategorie. Wir haben sie an einem 12-Tabellen-Schema mit der Art von Abfrage getestet, die Analysten stöhnen lässt: Kohorten-Buckets mit Window Functions und korrekter Zeitzonenbehandlung. Wir haben die Ausgabe Zeile für Zeile mit einem handgeschriebenen Äquivalent verglichen, und sie stimmte überein. Der Trigger-Score ist eine perfekte 5, was bedeutet, dass sie zuverlässig auf natürliche Anfragen wie "show me weekly cohort retention" reagiert, ohne dass die Skill benannt oder an eine Window Function erinnert werden muss.

Statistical Analysis (8.8/10, pass) führte in unserem Test Signifikanztests und eine Regression gegen einen Marketing-Datensatz durch. Das bemerkenswerte Ergebnis: Als wir sie baten, eine kausale Schlussfolgerung zu ziehen, die die Daten nicht stützen konnten, lehnte sie ab und erklärte, warum, anstatt trotzdem einen selbstbewusst klingenden Absatz zu produzieren. Diese Ablehnung ist der eigentliche Sinn dieser Skill. Ein Tool, das immer eine Antwort gibt, ist schlechter als eines, das manchmal sagt, die Frage sei mit den vorhandenen Daten unbeantwortbar, weil die erste Art dazu führt, dass man aufhört zu prüfen.

Dashboard Builder (8.0/10, pass) verwandelt eine CSV-Datei in ein eigenständiges interaktives Dashboard. Unser Test verwendete eine Umsatz-CSV und erhielt korrekte Diagrammtypen ohne unnötige Elemente, die auf einen Blick lesbar waren. Es erzielte hauptsächlich aufgrund der Dokumentation eine niedrigere Bewertung als die anderen, eine 3 von 5, da die README unterschätzt, was vor dem ersten Lauf benötigt wird: eine saubere Kopfzeile und eine Entscheidung, welche Spalte die Zeitachse ist.

Metrics Review (7.2/10, works with setup) ist die Grundlage für den oben genannten Anwendungsfall des wöchentlichen Berichts, und der von ihr erstellte Bericht, mit hervorgehobenen Anomalien, war im Test wirklich nützlich. Der Haken: Es benötigt zuerst Ihren Metrikexport oder eine angeschlossene Analytics-MCP-Verbindung, und dieser Einrichtungsschritt ist nicht optional. Planen Sie zwanzig Minuten vor dem ersten echten Lauf ein und erwarten Sie, einige Fragen dazu zu beantworten, welche Metriken für Ihr Team tatsächlich relevant sind.

Chart Critic befindet sich noch in unserer Testwarteschlange. Wir testen es mit einer Reihe bewusst irreführender Diagramme, um zu sehen, was es tatsächlich erkennt, bevor wir ein Urteil veröffentlichen. Es ist eine Beobachtung wert, wenn Diagramm-Ehrlichkeit ein wiederkehrendes Problem in Ihrem Team ist, aber noch nichts, wofür wir bürgen können.

Ein Praxis-Workflow: Export zum Bericht

So sieht der Stack ineinandergreifend aus, am Beispiel einer wöchentlichen Umsatzprüfung.

1. Unsauberer Export. Die Finanzabteilung liefert eine CSV-Datei, die nach einer Akquisition aus drei Abrechnungssystemen gezogen wurde. Datumsangaben liegen in zwei Formaten vor, je nachdem, welches System die Zeile exportiert hat, ein System verwendet Cents und das andere Dollar, und etwa 200 Kunden-IDs erscheinen aufgrund einer fehlerhaften Migration zweimal.

2. Bereinigter Datensatz. Data Cleaning normalisiert die Datumsformate, markiert die Einheiteninkonsistenz und fragt, welche Währungskonvention standardisiert werden soll, anstatt zu raten, und dedupliziert die Kunden-IDs unter Verwendung der eigenen Schlüsselzuordnung der Migration. Man erhält eine saubere Datei und ein Änderungsprotokoll. Lesen Sie das Protokoll, bevor Sie fortfahren. Dies ist der Kontrollpunkt, an dem eine falsche Annahme abgefangen wird, bevor sie sich auf jede nachfolgende Zahl auswirkt.

3. SQL. Mit den geladenen, bereinigten Daten erstellt SQL Query Writer die eigentliche Aggregation: Umsatz nach Kohorte, nach Plan-Tier, Woche für Woche, mit korrekter Handhabung von Upgrades unter dem Monat. Hier wird die Frage „welche Kunden tatsächlich verlängert haben“ präzise statt annähernd beantwortet.

4. Wöchentlicher Bericht. Metrics Review nimmt die Abfrageausgabe und die Zahlen der Vorwoche und schreibt die Zusammenfassung: was sich wie stark verändert hat und was damit zusammenfiel. „Der Umsatz im Enterprise-Tier blieb stabil, aber die Anzahl der Lizenzen sank um 8 %, konsistent mit der Preisänderung, die am 3. in Kraft trat.“

Vier Schritte, vier verschiedene Arten von Arbeit, und jeder profitiert von einer speziell dafür entwickelten Skill, anstatt dass eine Skill versucht, alle vier schlecht zu erledigen. Dies ist der gleiche Grund, warum wir keine einzelne „Datenanalyse“-Skill empfehlen: Bereinigung, Abfrage, Statistik und Berichtserstellung sind unterschiedliche Disziplinen, die zufällig eine Tabelle teilen.

Das Vertrauensproblem

Die unbequeme Tatsache über Sprachmodelle und Zahlen: Ein Modell kann eine plausible, gut formatierte, aber völlig falsche Zahl produzieren, und nichts an seinem Ton wird verraten, welche Art von Antwort man erhalten hat. Dies ist kein kleiner Fehler, der behoben werden kann. Es ist eine strukturelle Eigenschaft, wie diese Modelle Text generieren, und es ist der Grund, warum „Claude sagte, die Zahl ist X“ niemals die letzte Verifizierungsinstanz für etwas sein sollte, das in ein Board-Deck gelangt.

Was dies tatsächlich mildert, nach unseren Testergebnissen, ist kein intelligenteres Modell. Es ist ein Audit-Trail. Data Cleaning erhielt seine 8.8 teilweise, weil sein Änderungsprotokoll es ermöglicht, jede Transformation mit der Quelldatei abzugleichen. Statistical Analysis verdiente sich sein Vertrauen auf die gleiche Weise: nicht, weil es immer richtig liegt, sondern weil es, wenn es nicht sicher ist, dies auch sagt, anstatt die Lücke mit einer plausibel klingenden Zahl zu füllen.

Die Regel, die wir vorschlagen und selbst befolgen: Versenden Sie niemals eine ungeprüfte Zahl. Wenn eine Zahl in einen Bericht, ein Deck oder eine E-Mail an jemanden gelangt, der darauf basierend eine Entscheidung treffen wird, verfolgen Sie sie bis zur Abfrage oder dem Bereinigungsschritt zurück, der sie produziert hat. Das ist eine Fünf-Minuten-Prüfung anhand einer Tabelle, die man selbst öffnen kann. Es ist viel billiger als das Meeting, in dem jemand fragt, woher die Zahl stammt, und die ehrliche Antwort lautet: „Claude hat es gesagt.“

Wo sich Excel und Dokumente überschneiden

Ein Großteil der realen Analyse endet nicht in einem Dashboard. Sie endet in einer Tabelle, die jemand anderes öffnet, bearbeitet und weiterleitet. Hier kommt die xlsx skill ins Spiel, die in unseren Tests mit 9.2/10 bewertet wurde, basierend auf einem 40.000 Zeilen umfassenden Export mit fehlerhaften Kopfzeilen, Formelspalten und einem Pivot-Übersichtsblatt.

Das Detail, das hier wirklich zählt: Es schreibt funktionierende Formeln, keine festen Werte. Eine eingefügte Zahl ist tot, sobald sich die Quelldaten ändern. Eine Live-SUMIFS-Funktion oder eine Pivot-Tabelle aktualisiert sich, wenn sich die zugrunde liegenden Zeilen ändern, was der Hauptgrund ist, warum Tabellenkalkulationen überleben, während Markdown-Berichte dies nicht tun. Wenn Claude eine Spalte mit Zahlen zurückgibt, wo eine Formel sein sollte, hat man einen Schnappschuss gewonnen und eine Tabelle verloren.

Den vollständigen Satz an Dokumenten-Skills, einschließlich der Frage, wo PDF und Word in den tatsächlichen Workflow eines Analysten passen, behandeln wir in unserem Dokumentenleitfaden.

Was wir nicht automatisieren würden

Hier ist unsere Haltung: Lassen Sie Claude keine statistischen Inferenzen durchführen, die Sie nicht selbst überprüfen könnten. Nicht, weil das Modell schlecht in Mathematik ist – unsere Tests deuten darauf hin, dass es das meistens nicht ist –, sondern weil in dem Moment, in dem Sie nicht beurteilen können, ob eine Annahme zutraf (Unabhängigkeit, Stichprobengröße, Selektionsbias bei der Datenerhebung), die Fähigkeit verloren geht, Fehler zu erkennen. Eine Regression mit einer verletzten Annahme gibt immer noch einen Koeffizienten aus. Er bedeutet nur nicht das, was Sie denken, und wenn Sie die Methode von Anfang an nicht verstanden haben, werden Sie nicht bemerken, dass die Ausgabe Sie anlügt.

Dies ist kein Aufruf, Statistik zu vermeiden. Es ist ein Aufruf, die Grenze dort zu belassen, wo sie hingehört: Nutzen Sie die Skill, um die Arithmetik schneller durchzuführen, nicht um das Verständnis dessen zu ersetzen, was die Arithmetik behauptet. Wenn ein Ergebnis eine reale Entscheidung ändern würde, verstehen Sie entweder die Methode gut genug, um sie zu überprüfen, oder Sie finden jemanden, der dies tut, bevor es veröffentlicht wird.

FAQ

Kann Claude tatsächlich einen echten Datensatz analysieren, nicht nur eine Demo-CSV?

Ja, mit einer Einschränkung. Unsere Tests vermieden bewusst saubere Demo-Dateien: Der Data Cleaning-Test verwendete einen echten 60.000 Zeilen umfassenden Export mit der Art von Unordnung, die reale Systeme produzieren, und er hielt stand. Ein allgemeines Claude ohne installierte Skill erledigt dieselbe Aufgabe in einer groberen, weniger nachvollziehbaren Version. Der Wert der Skill liegt hauptsächlich im Audit-Trail, nicht in der reinen Fähigkeit, die dem Basismodell fehlt.

Ersetzt Claude einen Datenanalysten?

Nein, und die Teile, die es nicht berührt, sind der eigentliche Kern der Arbeit: zu entscheiden, welche Frage es wert ist, gestellt zu werden, zu beurteilen, ob ein Ergebnis für das Geschäft relevant ist, und eine fehlerhafte Annahme abzufangen, bevor sie zu einer falschen Schlussfolgerung wird. Es ersetzt den mechanischen Mittelteil: Bereinigung, Abfrage, erster Entwurf eines Berichts. Das ist echte Zeitersparnis, nicht die gesamte Arbeit.

Wie überprüfe ich Claudes Datenbereinigung, bevor ich ihr vertraue?

Lesen Sie das Änderungsprotokoll. Eine nützliche Bereinigungs-Skill erstellt eines: jedes neu formatierte Datum, jede zusammengeführte Duplikation, jede angewandte Einheitenumrechnung, aufgelistet gegen die Originalzeilen. Wenn eine Skill Ihre Daten stillschweigend ohne Protokoll bereinigt, behandeln Sie die Ausgabe als ungeprüft, egal wie gut sie aussieht.

Welche Skill sollte ich zuerst installieren, wenn ich nur eine wähle?

Data Cleaning. Fast jede nachfolgende Aufgabe – SQL, Statistik, Dashboards – hängt von der Vertrauenswürdigkeit der Eingabe ab, und die Bereinigung ist der Schritt, den die meisten Menschen unter Termindruck überspringen oder nachlässig ausführen. Unsere Seite beste Daten-Skills listet den gesamten Stack auf, wenn Sie über diese hinaus eine engere Auswahl wünschen.

Kann Claude Formeln in Excel schreiben, oder fügt es nur Zahlen ein?

Mit der installierten xlsx skill schreibt es Live-Formeln: SUMIFS, Pivot-Tabellen, Suchen, die sich neu berechnen, wenn sich die Quellzeilen ändern. Ohne die Skill oder bei einer generischen Anfrage erhält man eher statische Werte, die am Exporttag korrekt aussehen und veralten, sobald die Daten aktualisiert werden.