Den vollständigen Index der Dokumentation findest du in llms.txt. Die Markdown-Version einer Dokumentationsseite erhältst du, indem du .md an die URL der Seite anhängst.
Hauptnavigation
Design
Codex

Anwendungsfall für Codex

Datensätze analysieren und Berichte bereitstellen

Analysiere ungeordnete Daten und mache die Ergebnisse mit Visualisierungen verständlich.

Schwierigkeitsgrad Intermediate
Zeithorizont 1h

Mit ChatGPT Work kannst du Daten bereinigen, Quellen verknüpfen, einer Frage nachgehen und das Ergebnis modellieren. Fasse die Ergebnisse in einem verständlichen Bericht zusammen, veranschauliche sie mit Diagrammen und erläutere die Grenzen ihrer Aussagekraft.

Besonders geeignet für

  • Datenanalysen, bei denen du mit ungeordneten Dateien beginnst und die Ergebnisse in einem Diagramm, einem Memo, einem Dashboard oder einem Bericht festhältst.
  • Fragestellungen, die bereinigte Daten, zuverlässige Joins, interpretierbare Modelle oder reproduzierbare Analysen erfordern.
  • Teams, die ihre Ergebnisse so aufbereiten müssen, dass andere sie überprüfen und weiterverwenden können.

Inhalt

    ← Alle Anwendungsfälle

    Datensätze analysieren und Berichte bereitstellen

    Analysiere ungeordnete Daten und mache die Ergebnisse mit Visualisierungen verständlich.

    Mit ChatGPT Work kannst du Daten bereinigen, Quellen verknüpfen, einer Frage nachgehen und das Ergebnis modellieren. Fasse die Ergebnisse in einem verständlichen Bericht zusammen, veranschauliche sie mit Diagrammen und erläutere die Grenzen ihrer Aussagekraft.

    Intermediate
    1h

    Mit ChatGPT Work kannst du Daten bereinigen, Quellen verknüpfen, einer Frage nachgehen und das Ergebnis modellieren. Fasse die Ergebnisse in einem verständlichen Bericht zusammen, veranschauliche sie mit Diagrammen und erläutere die Grenzen ihrer Aussagekraft.

    Intermediate
    1h

    Weiterführende Links

    Besonders geeignet für

    • Datenanalysen, bei denen du mit ungeordneten Dateien beginnst und die Ergebnisse in einem Diagramm, einem Memo, einem Dashboard oder einem Bericht festhältst.
    • Fragestellungen, die bereinigte Daten, zuverlässige Joins, interpretierbare Modelle oder reproduzierbare Analysen erfordern.
    • Teams, die ihre Ergebnisse so aufbereiten müssen, dass andere sie überprüfen und weiterverwenden können.

    Skills und Plug-ins

    • Spreadsheets
      Untersuche CSV-, TSV- und Excel-Dateien, prüfe Formeln und Joins und erstelle Tabellen oder Diagramme, die andere überprüfen können.
    • Lies die freigegebenen Tabellen aus Google Sheets und die freigegebenen Quelldateien, die du in Drive angibst.
    • Data Analytics
      Trage Hintergrundinformationen zu den Quellen zusammen, analysiere und validiere die Daten und erstelle wiederverwendbare Berichte, Dashboards, Diagramme oder Notebooks.
    Skill Nutzen
    Spreadsheets Untersuche CSV-, TSV- und Excel-Dateien, prüfe Formeln und Joins und erstelle Tabellen oder Diagramme, die andere überprüfen können.
    Google Drive Lies die freigegebenen Tabellen aus Google Sheets und die freigegebenen Quelldateien, die du in Drive angibst.
    Data Analytics Trage Hintergrundinformationen zu den Quellen zusammen, analysiere und validiere die Daten und erstelle wiederverwendbare Berichte, Dashboards, Diagramme oder Notebooks.

    Prompt für den Einstieg

    Use @Data Analytics to inspect the attached property-sales and highway-distance datasets and determine whether homes near the highway have lower property values. Explain what each source contains, identify the relevant columns and likely join keys, and check for missing values, duplicates, unmatched records, and incomplete data. Clean and join the inputs without overwriting the source files or inventing values. Explore the question with clear supporting charts, start with an interpretable model when modeling is useful, and explain the result, assumptions, and uncertainty in plain language. Return a concise report, notebook, or spreadsheet with the answer first, name the files you create, and flag any data issue that could change the conclusion.
    Use @Data Analytics to inspect the attached property-sales and highway-distance datasets and determine whether homes near the highway have lower property values. Explain what each source contains, identify the relevant columns and likely join keys, and check for missing values, duplicates, unmatched records, and incomplete data. Clean and join the inputs without overwriting the source files or inventing values. Explore the question with clear supporting charts, start with an interpretable model when modeling is useful, and explain the result, assumptions, and uncertainty in plain language. Return a concise report, notebook, or spreadsheet with the answer first, name the files you create, and flag any data issue that could change the conclusion.

    Einführung

    Datenanalysen liefern eine Grundlage für Entscheidungen. Eine Analyse ist kein Selbstzweck. Am Ende soll etwas stehen, mit dem andere arbeiten können, etwa ein Diagramm für die Geschäftsleitung, die Auswertung eines Experiments für ein Produktteam, eine Modellbewertung für Forschende oder ein Dashboard für Entscheidungen im Tagesgeschäft.

    Das Buch R for Data Science hat einen Ansatz bekannt gemacht, bei dem du schrittweise vorgehst. Zuerst importierst du die Daten und bringst sie in eine einheitliche Struktur. Dann wechselst du zwischen Datentransformation, Visualisierung und Modellierung, bis du die Zusammenhänge gut genug verstehst, um die Ergebnisse zu vermitteln.

    ChatGPT Work unterstützt dich bei diesem Ablauf. Du kannst damit Daten bereinigen, Hypothesen untersuchen, Analysen durchführen und reproduzierbare Ergebnisse erstellen. Das Ziel geht über ein Notebook für den einmaligen Gebrauch hinaus. Andere sollen deine Analyse prüfen, ihr vertrauen und sie erneut ausführen können.

    Anwendungsfall festlegen

    Wähle eine konkrete Frage, die du mit deinen Daten beantworten möchtest. Je genauer du die Frage formulierst, desto leichter kannst du festlegen, welche Daten und Prüfungen du brauchst und in welcher Form das Ergebnis vorliegen soll.

    Durchgängiges Beispiel: Immobilienwerte in Autobahnnähe

    Als Beispiel untersuchen wir folgende Frage:

    Um wie viel niedriger werden Häuser in Autobahnnähe bewertet als weiter entfernte Häuser?

    Angenommen, ein Datensatz enthält Immobilienwerte oder Verkaufspreise. Ein zweiter enthält Angaben zur Lage, zum Flurstück oder zur Entfernung von der Autobahn. Neben der Modellierung gehört es zu deinen Aufgaben, die Verlässlichkeit der Ausgangsdaten sicherzustellen, die Verknüpfungen zu dokumentieren und zu prüfen, wie belastbar das Ergebnis ist. Am Ende soll ein Ergebnis stehen, das andere nutzen können.

    Du kannst CSV-Dateien oder Excel-Arbeitsmappen anhängen, mit @google-drive eine freigegebene Google-Tabelle angeben oder die Desktop-App verwenden, wenn die Daten auf deinem Computer liegen.

    ChatGPT Work

    Beispielergebnis

    In einer fiktiven Stichprobe findet ChatGPT für elf Immobilienverkäufe einen passenden Eintrag in der Datei mit den Entfernungen zur Autobahn. Einen Verkauf ohne passende Entfernungsangabe markiert ChatGPT. Häuser, die höchstens eine Meile (rund 1,6 km) von der Autobahn entfernt liegen, erzielen einen durchschnittlichen Verkaufspreis von 500.000 USD. Bei Häusern in zwei bis fünf Meilen Entfernung (rund 3,2 bis 8 km) sind es 600.000 USD.

    Auch nach Ausschluss der teuersten Immobilie in der weiter entfernten Gruppe beträgt der Unterschied noch 94.000 USD. Bericht und Diagramm weisen darauf hin, dass die Stichprobe klein ist und der Verkauf ohne Entfernungsangabe aus der Analyse ausgeschlossen wurde. Der Vergleich belegt keinen ursächlichen Zusammenhang und berücksichtigt weder Wohnviertel noch Verkaufszeitpunkt, Verkehr oder Lärm.

    Daten importieren

    Hänge zuerst die Dateien an und bitte ChatGPT, sie zu prüfen. So klärst du einige grundlegende Fragen:

    • In welchen Formaten liegen die Dateien vor?
    • Was bildet der jeweilige Datensatz vermutlich ab?
    • Welche Spalten könnten Zielvariablen, Kennungen, Datumsangaben, Ortsangaben oder Messgrößen enthalten?
    • Wo sind Qualitätsprobleme erkennbar?

    Bitte zunächst um eine Bestandsaufnahme und eine Erklärung der Daten. Schlussfolgerungen kommen später.

    Ausgangsdaten aufbereiten und zusammenführen

    Hier beginnt oft die eigentliche Arbeit. Du hast zwei oder mehr Datensätze, der Primärschlüssel ist unklar, und beim unbedachten Zusammenführen können Daten verloren gehen oder Duplikate entstehen.

    Bitte ChatGPT, vor dem Zusammenführen zu prüfen, wie sich die Datensätze verknüpfen lassen:

    • Prüfe, ob die möglichen Schlüssel jeden Eintrag eindeutig identifizieren.
    • Ermittle den Anteil fehlender Werte und das Ausmaß der Formatunterschiede.
    • Vereinheitliche offensichtliche Formatabweichungen, etwa bei der Groß- und Kleinschreibung, bei Leerzeichen oder bei Adressen.
    • Verknüpfe die Daten probeweise und gib an, für welchen Anteil der Einträge du jeweils eine Übereinstimmung findest.
    • Empfiehl die sicherste Vorgehensweise, bevor du die Datei mit den zusammengeführten Daten erstellst.

    Manchmal musst du den passenden Schlüssel erst ableiten, etwa indem du Adressen vereinheitlichst oder eine Flurstückskennung aus mehreren Spalten bildest. Auch eine Verknüpfung anhand der Lage kommt infrage. Lass dir von ChatGPT die Vor- und Nachteile sowie mögliche Ausnahmefälle erklären, bevor du der Zusammenführung zustimmst.

    Daten mit Diagrammen untersuchen

    Nutze Diagramme, um die Daten zu verstehen, bevor du ein Modell auswählst. Vergleiche im Autobahnbeispiel Häuser in Autobahnnähe mit weiter entfernten Häusern. Untersuche Ausreißer und prüfe, ob fehlende Werte einem Muster folgen. Schau dir an, ob der beobachtete Unterschied mit der Zusammensetzung der Wohnviertel, der Größe der Häuser oder einem anderen Faktor zusammenhängt.

    Richte jedes Diagramm an der Ausgangsfrage aus. Speichere aussagekräftige Vergleiche, damit andere die Analyse nachvollziehen können.

    Die Frage mit einem Modell untersuchen

    Nicht jede Analyse braucht ein komplexes Modell. Beginne mit einem einfachen, gut interpretierbaren Basismodell.

    Für die Frage zur Autobahnnähe eignet sich zunächst eine Regression oder ein anderes nachvollziehbares Modell. Damit schätzt du den Zusammenhang zwischen der Nähe zur Autobahn und dem Immobilienwert und berücksichtigst zugleich relevante Faktoren wie Größe, Alter und Lage.

    Bitte ChatGPT, folgende Punkte ausdrücklich zu erläutern:

    • Was ist die Zielvariable und wie sind die Merkmale definiert?
    • Welche Kontrollvariablen gehören ins Modell und warum?
    • Wo besteht das Risiko, dass Informationen in das Modell einfließen, die bei einer Vorhersage nicht verfügbar wären? Welche Daten wurden ausgeschlossen?
    • Wie hat ChatGPT die Datenaufteilung, das Bewertungsverfahren oder das Verfahren zur Schätzung der Unsicherheit ausgewählt?
    • Was bedeutet das Ergebnis in einfachen Worten?

    Auch ein erstes Modell mit geringer Aussagekraft hilft dir weiter. Es gibt dir Hinweise darauf, ob das Problem am Modell, an den Merkmalen, an der Qualität der Datenverknüpfung oder an der Fragestellung selbst liegt.

    Das Ergebnis vermitteln

    Eine Analyse wird dann nützlich, wenn andere mit ihr arbeiten können. Bitte ChatGPT, das Ergebnis in der Form aufzubereiten, die deine Zielgruppe braucht:

    • Eine kurze Zusammenfassung in Markdown für das technische Team.
    • Eine Tabelle oder CSV-Datei für nachgelagerte Arbeitsabläufe.
    • Ein formatiertes Dokument oder eine PDF-Datei für Entscheidungstragende.
    • Ein Notebook, ein Dashboard oder einen statischen Bericht, damit sich die Analyse wiederverwenden lässt.

    Bitte ChatGPT, auf Einschränkungen hinzuweisen. Wenn die Datenverknüpfung Schwächen hat, die Stichprobe verzerrt ist oder die Modellannahmen nur bedingt tragfähig sind, sollte das im Ergebnis klar benannt sein.

    Optional: Eine Python-Umgebung einrichten

    Wenn du für das Projekt wiederverwendbare Skripte oder ein Notebook brauchst, bitte ChatGPT, die vorhandene Python-Umgebung zu nutzen oder eine kleine, reproduzierbare Umgebung einzurichten. Lass die Quelldateien unverändert und speichere die Analyse, die Diagramme und den Abschlussbericht separat. Um angehängte Dateien in ChatGPT Work zu analysieren, musst du Python nicht vorher einrichten.

    Prompt-Vorschläge

    Datensätze laden und erklären lassen

    Prüfe die angehängten Datendateien und erkläre, was jede davon enthält. Nenne mögliche Zielspalten, Datumsangaben, Flurstücks- oder Standortkennungen und die Dateiformate. Zeige, welche Angaben fehlen und welche Qualitätsprobleme auffallen. Ziehe noch keine Schlüsse.

    Verknüpfung vor dem Zusammenführen prüfen

    Prüfe, wie sich diese Datensätze verknüpfen lassen. Untersuche die möglichen Schlüssel, zeige doppelte Einträge und Einträge ohne Übereinstimmung, vereinheitliche offensichtliche Formatabweichungen und erkläre, welche Verknüpfung am sichersten ist. Erfinde keine fehlenden Werte und überschreibe die Quelldateien nicht.

    Ein erstes interpretierbares Modell erstellen

    Untersuche mit einem Modell, ob die Nähe zur Autobahn mit niedrigeren Immobilienwerten zusammenhängt. Beginne mit einem gut interpretierbaren Basismodell. Berücksichtige Größe und Alter der Häuser sowie das Wohnviertel, soweit die Daten das zulassen. Erkläre den geschätzten Effekt, die Unsicherheit und die Grenzen der Analyse in einfachen Worten.

    Ergebnisse für die Beteiligten aufbereiten

    Erstelle aus dieser Analyse einen kurzen Bericht für die Beteiligten. Stelle die Antwort an den Anfang und füge die aussagekräftigsten Diagramme als Belege hinzu. Erkläre, wie du die Daten und ihre Verknüpfung geprüft hast, und weise deutlich auf Einschränkungen oder Unsicherheiten hin. Lass die Ausgangsdaten unverändert und gib die Namen der Dateien an, die du erstellst.

    Tech-Stack

    Was du brauchst

    Werkzeuge für die Datenanalyse

    Standardoptionen

    pandas mit matplotlib oder seaborn

    Warum du es brauchst

    Damit kannst du Daten importieren, Datenprofile erstellen, Datensätze verknüpfen und bereinigen sowie erste Diagramme erstellen.

    Was du brauchst

    Modellierung

    Standardoptionen

    statsmodels oder scikit-learn

    Warum du es brauchst

    Beginne mit interpretierbaren Basismodellen, bevor du komplexere Prognosemodelle einsetzt.

    Was du brauchst Standardoptionen Warum du es brauchst
    Werkzeuge für die Datenanalyse pandas mit matplotlib oder seaborn Damit kannst du Daten importieren, Datenprofile erstellen, Datensätze verknüpfen und bereinigen sowie erste Diagramme erstellen.
    Modellierung statsmodels oder scikit-learn Beginne mit interpretierbaren Basismodellen, bevor du komplexere Prognosemodelle einsetzt.

    Verwandte Anwendungsfälle