Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Automatische Analyse mehrerer Datenquellen

Lektion 5 von 12 Aktualisiert am 5. November 2026 Mittelstufe
Auf dieser Seite
  1. Rohdaten in verwertbare Erkenntnisse verwandeln
  2. Das Problem verstreuter Daten
  3. Drei Möglichkeiten, Ihre Quellen bereitzustellen
  4. Führen Sie die Analyse in vier Schritten durch
  5. Die Kreuzreferenzierung, die Sie nicht angefordert hätten
  6. Ihre Reihe
  7. Wichtige Erkenntnisse

Rohdaten in verwertbare Erkenntnisse verwandeln

Eine der größten Stärken eines Modells mit einem hohen Schlussfolgerungsniveau ist die Fähigkeit, Daten aus verschiedenen Quellen aufzunehmen, diese zu vergleichen und daraus kohärente Schlüsse zu ziehen. In dieser Lektion erfahren Sie, wie Sie diese Leistungsfähigkeit nutzen können, um Analysen zu automatisieren – von der Bereitstellung der Daten bis zur Interpretation der Modellausgabe.

Das Problem verstreuter Daten

In der Wirtschaft liegen Daten niemals an einem einzigen Ort. Umsatzzahlen befinden sich in einer Excel-Tabelle, Marktforschung in einem PDF, Kundenfeedback in einer E-Mail-Thread und Web-Metriken in einem CSV-Export. Die manuelle Abstimmung all dieser Datenquellen dauert Stunden, und Sie müssen die Arbeit in jedem Zeitraum wiederholen.

Ein Modell mit hohem Schlussfolgerungsniveau verarbeitet diese heterogenen Quellen in einer einzigen Konversation und erstellt eine integrierte Synthese. In ChatGPT hängen Sie Tabellenkalkulationen, PDFs, Dokumente und Bilder an; Berechnungen laufen über Data Analysis, die Python-Code ausführt. Ein fotografiertes Dashboard kann als Quelle dienen, mit einer Einschränkung: OpenAI warnt davor, dass exakte Werte aus einer Tabelle in einem Bild nicht zuverlässig extrahiert werden, sodass es besser ist, die Originaldatei bereitzustellen, wenn Zahlen eine Rolle spielen.

Drei Möglichkeiten, Ihre Quellen bereitzustellen

Die erste und direkteste Methode ist das Hochladen von Dateien. ChatGPT akzeptiert mehrere Dateien in einer einzigen Konversation – Excel-Workbooks und CSVs, PDF-Dokumente, Bilder von Diagrammen oder Screenshots sowie Textdateien – und das Modell analysiert sie gleichzeitig. Sie legen sie gemeinsam ab und formulieren Ihre Anfrage zur Kreuzreferenzierung in einem Satz.

“Hier ist meine Q1-Verkaufsdatei (Excel), der Branchenbericht (PDF) und die Google Analytics-Metriken (CSV). Kreuzreferenzieren Sie diese drei Quellen und identifizieren Sie die Top-5-Trends mit den unterstützenden Daten.”

Die zweite Methode, das strukturierte Kopieren und Einfügen, eignet sich für leichtere Datensätze, die Sie direkt in den Prompt einfügen. Der Schlüssel besteht darin, jeden Block explizit zu benennen; andernfalls muss das Modell erraten, wozu etwas gehört.

“Quelle 1 – Verkäufe nach Region: [Tabelle] Quelle 2 – Kundenzufriedenheit nach Region: [Tabelle] Quelle 3 – Marketingbudget nach Region: [Tabelle] Analysieren Sie die Korrelation zwischen Marketingbudget, Verkäufen und Zufriedenheit nach Region.”

Die dritte Methode wird notwendig, wenn Dokumente zu groß sind, um sie so zu übermitteln: Sie fassen sie selbst zusammen und übermitteln nur die Schlüsseldaten. Sie verlieren an Detail, behalten aber das bei, was die Analyse antreibt, wie im folgenden Beispiel, wo die Kluft zwischen Marktwachstum und internem Wachstum das eigentliche Problem darstellt.

“Ich habe drei Quellen. Der Branchenbericht zeigt ein Marktwachstum von 12 % im Jahr 2025. Unsere internen Verkäufe zeigen +8 %. Kundenfeedback erwähnt Lieferzeiten, die zu lang sind (NPS fiel von 42 auf 35). Analysieren Sie die Kluft zwischen Marktwachstum und unserem Wachstum unter Einbeziehung des Kundenfeedbacks.”

Wenn Sie die Analyse über die API automatisieren, ermöglicht die Responses API das Anbinden von Tools (Codeausführung, Suche, Dateizugriff) an ein Modell mit hohem Aufwand. Mit programmiergesteuertem Tool-Aufruf schreibt das Modell und führt JavaScript in einer isolierten V8-Umgebung aus, um diese Tools aufzurufen, gegebenenfalls parallel. Es filtert, gruppiert oder aggregiert dann Zwischenergebnisse, bevor es ein kompakteres Ergebnis an das Modell zurückgibt. OpenAI empfiehlt diesen Ansatz, wenn mehrere Ergebnisse über Code sortiert oder aggregiert werden können, und rät zum direkten Aufruf, wenn jedes Ergebnis eine frische Modellentscheidung erfordert.

Mehrere Quellen kreuzreferenzieren Vier Schritte: Definieren Sie, wonach Sie suchen; stellen Sie Originaldateien mit ausgerichteten Perioden und Einheiten bereit; fordern Sie eine Synthese von Erkenntnissen, Ursachen und Maßnahmen an; tauchen Sie in einen Punkt ein, dann in den nächsten. MULTI-SOURCE ANALYSIS Mehrere Quellen kreuzreferenzieren 1 Rahmung Wonach Sie suchen 2 Bereitstellen Originaldateien, ausgerichtete 3 Synthesieren Erkenntnisse, Ursachen, Maßnahmen 4 Tiefer einsteigen Einen Punkt, dann den nächsten Berechnungen laufen über Data Analysis; eine Tabelle in einem Bild ist bis auf die genaue Ziffer nicht zuverlässig.
Basierend auf dem Artikel "Data analysis with ChatGPT" aus dem OpenAI Help Center (November 2026).

Führen Sie die Analyse in vier Schritten durch

Alles beginnt mit der Rahmung, und dieser Schritt findet vor dem Hochladen von Dateien statt. Sagen Sie dem Modell, wonach Sie suchen – “Ich werde 3 Dateien bereitstellen. Ich möchte eine vergleichende Analyse, die Leistungslücken zwischen unseren Regionen identifiziert, Korrelationen mit dem Marketingbudget und handlungsorientierte Empfehlungen.” – und es wird wissen, was es aus jeder Quelle zu behalten hat, anstatt alles flach zusammenzufassen.

Als Nächstes stellen Sie die Daten auf einem hohen Schlussfolgerungsniveau bereit (High in Chat, high in der API), um eine rigorose Kreuzreferenzierung sicherzustellen. Dann bitten Sie um eine strukturierte Synthese statt um einen Text im Stil eines Gedankenstroms: “Erstellen Sie einen Bericht in 3 Teilen: (1) Tatsächliche Erkenntnisse mit Zahlen, (2) Ursachenanalyse, (3) Priorisierte Empfehlungen. Verwenden Sie Tabellen, wo relevant.” Schließlich iterieren Sie. Das Modell behält den Kontext der gesamten Konversation bei, sodass Sie in einen bestimmten Punkt eintauchen können – “Zoomen Sie auf die Region Île-de-France. Warum fällt der NPS, während die Verkäufe steigen?” – ohne alles neu zu laden. Die erste Analyse ist selten die beste; nützliche Erkenntnisse entstehen im Hin- und Her.

Die Kreuzreferenzierung, die Sie nicht angefordert hätten

Die wahre Stärke des hohen Schlussfolgerungsniveaus zeigt sich, wenn Sie das Modell einladen, Dimensionen zu kombinieren, die Sie vielleicht nicht bedacht haben, zum Beispiel: “Gibt es eine Korrelation zwischen Tagen mit hohem Webverkehr und Tagen mit erhöhten Beschwerden? Falls ja, formulieren Sie eine erklärende Hypothese.” Das Modell richtet dann die Zeitreihen aus, berechnet Korrelationen, formuliert kausale Hypothesen und unterscheidet vor allem explizit zwischen Korrelation und Kausalität, anstatt vorschnell zu schlussfolgern. Dieser Schutz bleibt jedoch teilweise: Die Feststellung von Kausalität liegt in Ihrer Fachexpertise, nicht in der des Modells.

Ihre Reihe

Drei Quellen, eine Kreuzreferenzierung. Bereiten Sie drei Quellen aus Ihrer eigenen Arbeit vor, auch einfache. Hängen Sie eine Excel-Datei mit Verkäufen oder Metriken an, fügen Sie eine zweite Datei hinzu, die eine andere Dimension abdeckt – Budget, Zufriedenheit, Personalstärke – und fordern Sie eine Kreuzreferenzierung auf hohem Schlussfolgerungsniveau an, wobei Berechnungen von Data Analysis durchgeführt werden. Wenn Sie nichts zur Hand haben, bitten Sie das Modell zunächst, einen realistischen fiktiven Datensatz für Ihre Branche zu generieren, und analysieren Sie ihn, als wäre er echt.

Zwei Fallstricke ruinieren die meisten ersten Versuche. Der erste ist das Ablegen von zehn Dateien ohne Richtung: Ohne Rahmung erstellt das Modell eine generische Zusammenfassung. Der zweite ist heimtückischer: inkonsistente Daten. Prüfen Sie, ob sich Perioden, Einheiten und Kategorien über Ihre Quellen hinweg vor dem Start ausrichten; andernfalls erhalten Sie eine perfekt begründete Analyse basierend auf Zahlen, die nicht verglichen werden können.

Offizielle Quellen: Data analysis with ChatGPT (OpenAI Help Center: Dateien, Python, Tabellen in Bildern) · Programmatic Tool Calling (OpenAI API: Programme, die Tools orchestrieren, wann sie verwendet werden) · Reasoning models (Aufwandsebenen)

Wichtige Erkenntnisse

  • Ein hohes Schlussfolgerungsniveau kreuzreferenziert Tabellenkalkulationen, PDFs, CSVs und Bilder; Berechnungen laufen über Data Analysis
  • Richten Sie Ihre Analyse vor der Bereitstellung von Daten ein und aktivieren Sie das hohe Schlussfolgerungsniveau für die Kreuzreferenzierung
  • Über die Responses API ermöglicht programmgesteuerter Tool-Aufruf einem isolierten JavaScript-Programm die Orchestrierung von Tools und das Filtern von Zwischenergebnissen
  • Fordern Sie strukturierte Synthesen (Erkenntnisse, Analyse, Empfehlungen) an und iterieren Sie an interessanten Punkten
  • Unterscheiden Sie in den Ergebnissen stets zwischen Korrelation und Kausalität