Mehrere Datenquellen kombinieren
Auf dieser Seite
Daten querverbinden für tiefere Analysen
Die aussagekräftigsten Erkenntnisse ergeben sich aus der Querverbindung mehrerer Quellen. Umsatz und CRM, Budget versus Ist-Werte, Web-Analytik und Konversionen: Jede Datei isoliert betrachtet erzählt nur die halbe Geschichte. Erst durch die Kombination offenbaren sich Muster, die in einer einzelnen Quelle unsichtbar bleiben – zum Beispiel die Entdeckung, dass Ihre Kunden mit dem höchsten Volumen tatsächlich die geringsten Margen erwirtschaften.
Mehrere Dateien importieren
ChatGPT akzeptiert mehrere Dateien in einer einzigen Konversation. Die beste Praxis besteht darin, diese zu Beginn der Sitzung hochzuladen und explizit zu beschreiben, was jede Datei enthält. Dies spart Ihnen spätere Klärungsfragen und verhindert vor allem, dass ChatGPT die Rolle einer Datei missversteht.
Hier sind 3 Dateien:
1. sales_q1_2026.xlsx — Umsatztransaktionen
2. clients_crm.csv — Kundendatenbank mit Sektor und Größe
3. targets_2026.csv — Ziele nach Region und Monat
Ich werde Sie bitten, sie für eine vollständige Analyse zu querverbinden.
Laden Sie die Dateien einzeln oder alle auf einmal hoch; ChatGPT kann sie alle innerhalb seiner Python-Umgebung lesen. Die Anzahl der pro Konversation erlaubten Dateien variiert je nach Dateityp, Modell, Abonnementplan und Ihrem Importkontingent. Sie können auch Dateien von Google Drive, OneDrive oder SharePoint anhängen, sofern die entsprechenden Plugins für Ihr Konto verfügbar sind. Wie in Lektion 1: Behalten Sie nur die aus dem CRM benötigten Spalten für den Join bei.
Tabellen verbinden (Joins)
Ein Join kombiniert zwei Tabellen basierend auf einer gemeinsamen Spalte: Dies ist das Kernstück jeder Querverbindung. Fordern Sie ihn explizit an, indem Sie den Schlüssel benennen, und verlangen Sie die sofortige Meldung von „verwaisten” Zeilen – also solchen, bei denen der Schlüssel keinen Treffer findet.
Verbinden Sie die Umsatzdatei mit der Kundendatei
unter Verwendung der Spalte "id_client" als Verbindungsschlüssel.
Zeigen Sie eine Vorschau des Ergebnisses an und markieren Sie
Umsätze ohne einen passenden Kunden.
Das Ergebnis hängt vom gewählten Join-Typ ab, und diese Wahl ist niemals neutral: Je nach Fall verlieren Sie entweder Umsatzdaten oder behalten unvollständige Zeilen.
| Join-Typ | Verhalten | Wann anwenden |
|---|---|---|
| Inner Join | Behält nur Übereinstimmungen | Strenge Analyse, keine unvollständigen Daten |
| Left Join | Behält alle Zeilen der primären Tabelle | Umsatzdaten mit Kundeninformationen anreichern (auch wenn Kunde unbekannt ist) |
| Outer Join | Behält alle Zeilen beider Tabellen | Diskrepanzen zwischen zwei Quellen identifizieren |
Sie müssen dieses Fachchinesisch nicht kennen, um es zu nutzen. Beschreiben Sie einfach das gewünschte Ergebnis und legen Sie fest, wie mit nicht übereinstimmenden Fällen umzugehen ist.
Ich möchte meine Umsatzdaten mit Kundeninformationen anreichern.
Behalten Sie alle Umsätze, auch solche, bei denen der Kunde
nicht im CRM ist (markieren Sie diese als "Unbekannt").
ChatGPT übersetzt diese Anfrage in einen Join – in diesem Fall einen Left Join, da keine Umsätze aus dem Gesamtbild verschwinden dürfen; prüfen Sie dies im Code. Die Formulierung ist entscheidend: Hätten Sie einfach „die beiden Dateien querverbinden” geschrieben, ohne weitere Präzision, hätte ein Inner Join möglicherweise alle Umsätze entfernt, deren Kunden nicht im CRM verzeichnet sind.
Budget versus Ist-Werte vergleichen
Die häufigste Querverbindung im Performance-Management stellt zwei Dateien gegenüber, die von verschiedenen Teams erstellt wurden: Ziele, die zu Jahresbeginn festgelegt wurden, einerseits, und aggregierte Umsätze andererseits. Der Twist hier liegt im Verbindungsschlüssel, der zusammengesetzt ist – Region und Monat –, da keine der beiden Spalten allein ausreicht, um eine Zeile zu identifizieren.
Verbinden Sie die Datei mit den Zielen (Spalten: region, month, target_revenue)
mit der Datei mit den aggregierten Umsätzen (region, month, actual_revenue).
Berechnen Sie die Varianz in Euro und prozentual für jede Kombination.
Markieren Sie alle Fälle, in denen das Ziel nicht erreicht wurde.
Mit externen Daten anreichern
Eine Referenzdatei ermöglicht es Ihnen, eine Dimension hinzuzufügen, die in Ihren Umsatzdaten nirgendwo existiert. Der klassische Fall ist die Postleitzahl: Sie ist in jeder Bestellung vorhanden und schließt die geografische Analyse erst nach der Paarung mit einer Lookup-Tabelle ein. Die Python-Umgebung von ChatGPT greift nicht auf das Web zu: Laden Sie diese Tabelle von einer offiziellen Quelle herunter und hängen Sie sie an.
Hier ist eine Referenzdatei mit Postleitzahlen
und französischen Verwaltungsregionen.
Fügen Sie eine Spalte "region" zu meinen Umsatzdaten hinzu
unter Verwendung der Postleitzahl als Schlüssel.
Dieser Mechanismus überbrückt zwei normalerweise isolierte Welten: digitales Marketing und E-Commerce. Die Korrelation von Traffic mit Umsatz enthüllt Seiten, die Besucher anziehen, aber keine Konversionen erzielen – jene, deren Publikum die Marketingberichte schmeichelt, ohne jemals den Auftragsbestand zu füllen.
Datei 1: Web-Traffic nach Produktseite (page_url, visits, bounce_rate)
Datei 2: Umsatz nach Produkt (product, revenue, quantity)
Verbinden Sie die beiden Dateien nach dem Produktnamen.
Berechnen Sie die Konversionsrate (Umsatz / Besuche) pro Produkt.
Welches Produkt hat das beste Verhältnis von Besuchen zu Umsatz?
Inkonsistenzen zwischen Quellen handhaben
Datenquellen teilen sich selten dasselbe Format, und genau hier scheitern Joins – oft stumm. Drei Probleme treten ständig auf. Das erste betrifft Spaltennamen, die dieselben Informationen unterschiedlich benennen, weil zwei Teams sie separat benannt haben.
In der Umsatzdatei ist die Spalte als "client_id" benannt.
Im CRM heißt sie "customer_identifier".
Führen Sie den Join aus, indem Sie diese beiden Spalten abbilden.
Das zweite betrifft Daten, bei denen sich Granularität und Format von System zu System unterscheiden. Harmonisierung muss vor dem Zusammenführen erfolgen, niemals danach: Sobald Zeilen falsch zugeordnet sind, lässt sich der Fehler nicht mehr zurückverfolgen.
Umsätze verwenden das Format TT/MM/JJJJ.
Ziele verwenden das Format JJJJ-MM.
Harmonisieren Sie beide auf den Monat (JJJJ-MM) vor der Querverbindung.
Das dritte betrifft kategorische Werte, bei denen ein einfacher Unterschied in Groß-/Kleinschreibung oder Akzentuierung die Übereinstimmung zum Scheitern bringt, obwohl ein menschlicher Leser keine Mehrdeutigkeit sehen würde.
In den Umsatzdaten sind Regionen in Großbuchstaben (ILE-DE-FRANCE).
Im CRM sind sie in gemischter Schreibweise mit Akzenten (Île-de-France).
Normalisieren Sie beide vor dem Join.
Keine dieser Vorsichtsmaßnahmen ersetzt den Bedarf an einer finalen Kontrolle. Ein gescheiterter Join erzeugt keine Fehlermeldung: Er erzeugt eine kleinere Tabelle, die perfekt präsentabel ist, und niemand bemerkt es, bis zur Besprechung. Fordern Sie daher systematisch eine Zusammenfassung an.
Nach dem Join: Wie viele Zeilen wurden verloren?
Wie viele Zeilen fanden keinen Treffer?
Zeigen Sie 5 Beispiele für Nicht-Treffer.
Multidimensionale Querveranalyse
Sobald Quellen verbunden sind, können Sie Dimensionen querverbinden, die zuvor getrennt waren. Dies ist der eigentliche Nutzen all dieser technischen Vorbereitungen und der Moment, in dem er sichtbar wird.
Nun, da ich Umsatzdaten mit CRM-Informationen angereichert habe:
1. Umsatz nach Kunden-Sektor UND nach Produktkategorie
2. Durchschnittlicher Bestellwert nach Unternehmensgröße (Mikro, Klein, Mittel, Groß)
3. Top 10 profitabelsten Kombinationen (Sektor × Produkt)
Diese Analysen wären mit einer einzigen Datei unmöglich: Die Umsatzdatei ignoriert die Unternehmensgröße des Kunden, und das CRM ignoriert, was diese kaufen. Erst die Querverbindung ermöglicht es Ihnen endlich, die Frage zu stellen, die das kaufmännische Management interessiert: Welche Art von Kunde kauft welche Art von Produkt.
Jetzt an der Reihe
Ihr erster Join.
- Wählen Sie zwei Dateien, die einen gemeinsamen Schlüssel teilen: Umsatz und CRM, Budget und Ist-Werte
- Präsentieren Sie sie ChatGPT und beschreiben Sie die Rolle jeder Datei
- Harmonisieren Sie Spaltennamen, Daten und Werte vor dem Join
- Beschreiben Sie, wie mit nicht übereinstimmenden Zeilen umzugehen ist, und führen Sie den Join aus
- Fordern Sie eine Zusammenfassung der verlorenen Zeilen an und untersuchen Sie fünf Beispiele
Offizielle Quellen: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)
Kernaussagen
- Importieren Sie mehrere Dateien in dieselbe Konversation, um sie zu querverbinden
- Beschreiben Sie die Join-Logik in natürlicher Sprache und überprüfen Sie dann den Join-Typ im Code
- Harmonisieren Sie Formate (Daten, Namen, Groß-/Kleinschreibung) vor dem Zusammenführen
- Prüfen Sie immer die Zeilenanzahl vor und nach dem Join
- Die Querverbindung mehrerer Quellen enthüllt Erkenntnisse, die in isolierten Quellen unsichtbar bleiben