Daten extrahieren und transformieren

Das Lesen einer Datei ist nur der erste Schritt. ChatGPT kann auch strukturierte Daten aus unstrukturierten Dokumenten extrahieren, diese neu formatieren, mehrere Quellen miteinander abgleichen und die Ergebnisse in Ihrem gewünschten Format exportieren. Diese Transformationsfähigkeit macht es zu einem echten Datenverarbeitungswerkzeug und nicht nur zu einem Dokumentenleser.

Strukturierte Daten aus unstrukturierten Quellen extrahieren

Strukturierte Extraktion bedeutet, Informationen, die über ein Dokument verstreut sind, zu entnehmen und in ein nutzbares Format zu überführen. Bei einem Stapel von PDF-Rechnungen lautet die Aufforderung in einem einzigen Satz: „Extrahieren Sie aus jeder Rechnung Folgendes: Rechnungsnummer, Datum, Lieferant, Betrag ohne Steuer, Mehrwertsteuer und Betrag einschließlich Steuer. Stellen Sie alles in einer Tabelle dar.” Dasselbe Prinzip gilt für einen Jahresbericht, in dem Zahlen in Absätzen versteckt sind: „Extrahieren Sie alle in diesem Bericht genannten Finanzkennzahlen: Umsatz, Nettogewinn, Marge, Mitarbeiterzahl. Organisieren Sie diese nach Jahren in einer Vergleichstabelle.” Und für ein rein textbasiertes Dokument: „Dieses Dokument erwähnt 15 Kontakte. Extrahieren Sie die Namen, Unternehmen und Jobtitel jeder Person in eine strukturierte Tabelle.” Der gemeinsame Nenner dieser drei Anfragen ist die explizite Liste der erwarteten Felder. Diese Liste verwandelt einen Textstrom in nutzbare Tabellendaten und stellt eine der wertvollsten Fähigkeiten von ChatGPT dar.

Formate ändern

Sobald Sie die Daten haben, ist das Ändern ihres Formats ebenso einfach. Machen Sie eine rohe CSV-Datei lesbar: „Erstellen Sie eine lesbare Tabelle mit klaren Überschriften. Übersetzen Sie die Spaltennamen vom Englischen ins Französische.” Verwandeln Sie eine Tabelle in eine Visualisierung: „Erstellen Sie basierend auf diesen Daten ein Balkendiagramm, das die Umsatzverteilung nach Region zeigt.” Wandeln Sie Zahlen in eine Präsentationsunterlage um: „Transformieren Sie diese Quartalsdaten in 3 Zusammenfassungsfolien: Überblick, Top-Performer und Warnhinweise.” Oder wechseln Sie zwischen technischen Strukturen: „Diese JSON-Datei enthält Produktdaten. Konvertieren Sie sie in eine CSV-Tabelle mit den Spalten: name, price, category, stock.”

Zwei Quellen miteinander abgleichen

Laden Sie zwei Dateien in dieselbe Konversation hoch, und der Abgleich wird zu einem einzigen Satz. Stellen Sie sich eine Kundenliste mit Kaufhistorie in einer Excel-Datei und eine Zufriedenheitsumfrage in einer CSV-Datei vor: „Gleichen Sie diese beiden Dateien nach Kundennamen ab. Zeigen Sie für jeden Kunden den Gesamtkaufbetrag und den Zufriedenheitswert an. Sortieren Sie nach Zufriedenheitswert in absteigender Reihenfolge. Identifizieren Sie Kunden mit hohem Potenzial (hohe Käufe + hohe Zufriedenheit) und Kunden mit Risiko (hohe Käufe + niedrige Zufriedenheit).”

Normalerweise würde dieser Vorgang komplexe Excel-Formeln oder ein Python-Skript erfordern; hier geschieht er über eine konversationale Anfrage. Dies ist umso mehr ein Grund, das Ergebnis zu überprüfen: Der Abgleich basiert auf Namen, und Homonyme oder Tippfehler können die Zuordnungen unbemerkt verfälschen. Prüfen Sie manuell einige Zeilen, bevor Sie Geschäftsentscheidungen auf der Grundlage der Ausgabe treffen.

Bereinigen und Normalisieren

Daten aus der Praxis liegen selten bereinigt vor, und hier spielt ChatGPT seine Stärken aus. Bei heterogenen Formaten: „In dieser Spalte für Telefonnummern verwenden einige Einträge das Format 06.12.34.56.78, andere +33612345678 und wieder andere 06 12 34 56 78. Normalisieren Sie alle auf das internationale Format +33 6 12 34 56 78.” Bei fragwürdigen Datumsangaben: „Analysieren Sie diese Datumsspalte. Identifizieren Sie ungültige Daten, inkonsistente Formate und Ausreißer.” Bei unscharfen Duplikaten, die keine Formel erfassen kann: „Diese Datei enthält wahrscheinliche Duplikate (gleiche Namen mit leichten Schreibvariationen). Identifizieren Sie diese und schlagen Sie eine konsolidierte Version vor.” Und für die Massenkategorisierung: „Hier sind 200 Ausgabenbeschreibungen. Kategorisieren Sie jede in eine dieser Kategorien: Transport, Mahlzeiten, Unterkunft, Verbrauchsmaterial, Dienstleistungen, Sonstiges.”

Wie beim Abgleich bleibt auch in diesem letzten Fall die Überprüfung einer Stichprobe die Regel: Die automatisierte Kategorisierung liegt selten völlig falsch, macht aber Fehler. Bei großen Dateien führen Sie die vollständige Verarbeitung nicht sofort durch. Fordern Sie zunächst eine Analyse an einer Stichprobe an, validieren Sie die Methode und fahren Sie erst dann mit der gesamten Datei fort.

Das Ergebnis abrufen

Ohne spezifische Ausgabeinstruktionen zeigt ChatGPT Ergebnisse als Text im Chat an und überlässt es Ihnen, diese zu kopieren und einzufügen. Fordern Sie explizit eine Datei an: „Generieren Sie eine herunterladbare CSV-Datei mit diesen Ergebnissen”, „Erstellen Sie eine Excel-Datei mit zwei Registern: Rohdaten und Zusammenfassung” oder „Formatieren Sie diese Daten als JSON zur Integration in unsere API.” Das System erstellt die Datei, und ein Download-Link erscheint in der Konversation.

Wiederkehrende Workflows industrialisieren

Wenn Sie jeden Monat denselben Dateityp erhalten, schreiben Sie den Prompt einmal und verwenden ihn wieder: „Ich werde Ihnen jeden Monat einen PDF-Kontoauszug senden. Für jeden Auszug möchte ich, dass Sie: (1) alle Transaktionen extrahieren, (2) diese in 6 Kategorien einteilen (Wohnen, Lebensmittel, Transport, Freizeit, Gesundheit, Sonstiges), (3) die Summe pro Kategorie berechnen, (4) diese mit dem Vormonat vergleichen, falls verfügbar, (5) das Ergebnis als CSV exportieren.” In den Anweisungen eines dedizierten Projekts platziert, sorgt dieser Prompt für eine konsistente Verarbeitung von Monat zu Monat und ermöglicht aussagekräftige Vergleiche. Ein Kontoauszug enthält jedoch sensible Daten: Bewerten Sie, was Ihr Tarif und Ihre Verpflichtungen erlauben, bevor Sie ihn hochladen.

Sie sind dran

Bereinigen Sie eine echte Datei. Nehmen Sie eine Datei aus Ihrem Arbeitsalltag – einen CRM-Export, eine Zeiterfassung, eine Kontaktliste oder einen Finanzbericht – und fragen Sie: „Analysieren Sie diese Datei. Identifizieren Sie Probleme mit der Datenqualität (Duplikate, fehlende Werte, inkonsistente Formate). Schlagen Sie einen Bereinigungsplan vor. Wenden Sie dann die Bereinigung an und generieren Sie eine korrigierte, herunterladbare Datei.” Wählen Sie diese Datei mit Bedacht: Gesundheitsdaten, Sozialversicherungsnummern und Bankinformationen erfordern vor dem Hochladen eine Risikobewertung.

Offizielle Quellen: Data analysis with ChatGPT · Uploading files and audio to ChatGPT · Projects in ChatGPT (OpenAI Help Center)

Kernaussagen

• ChatGPT kann strukturierte Daten aus unstrukturierten Dokumenten in einer einzigen Anfrage extrahieren
• Der Abgleich von Dateien und die Datennormalisierung erfolgen konversationell
• Fordern Sie explizit einen Export (CSV, Excel, JSON) an, um verarbeitete Daten abzurufen
• Erstellen Sie wiederverwendbare Prompts für monatliche oder wiederkehrende Aufgaben
• Überprüfen Sie Ergebnisse stets, insbesondere beim Abgleich und bei der automatisierten Kategorisierung