Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Diagramme analysieren und Daten aus Tabellen extrahieren

Lektion 3 von 14 Aktualisiert am 2. November 2026 Anfänger
Auf dieser Seite
  1. Bilder in verwertbare Daten verwandeln
  2. Analyse eines Diagramms
  3. Datenextraktion aus Tabellen
  4. Basis-OCR bei Datenbildern
  5. Anwendungsfälle aus der Praxis
  6. Best Practices
  7. Kernaussagen

Aktualisiert am 2. November 2026 — Le Chat ist nun Vibe. Seit dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): ein einziger Agent für Arbeit und Code, der Ihre Gespräche, Einstellungen und Abonnements übernimmt. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus zugänglich; im Work-Modus sind Agenten nun Fähigkeiten (über @ aufrufbar), Memories dienen als Wissensbasis und Deep Research ist die Fähigkeit Deep Research. Pläne werden nun Mistral Free, Pro, Team und Enterprise genannt. Diese Lektion verwendet den Namen Vibe; beachten Sie, dass einige hier beschriebene Menüs andere Namen oder Positionen haben können.

Bilder in verwertbare Daten verwandeln

Diagramme und Tabellen sind allgegenwärtig: in Geschäftsberichten, PowerPoint-Präsentationen, Nachrichtenartikeln und Finanzstatements. Doch wenn diese Elemente in einem Bild festliegen – ein Screenshot, ein gescanntes PDF oder ein Foto eines Bildschirms – können Sie die Zahlen nicht kopieren und einfügen. Wie oft haben Sie Werte aus einer Tabelle, die als Anhang gesendet wurde, manuell neu eingegeben? Genau hier glänzt die KI-Vision von Mistral: Sie liest ein Diagramm so, wie es ein Mensch es tut, extrahiert die Daten und formatiert sie strukturell neu.

Analyse eines Diagramms

Wenn Sie ein Diagramm in Vibe hochladen, zerlegt das Modell automatisch seine Anatomie. Es identifiziert zunächst den Diagrammtyp – Histogramm, Liniendiagramm, Kreisdiagramm, Balkendiagramm oder Streudiagramm –, da jeder Typ einen anderen Leseansatz erfordert. Anschließend werden die Achsen mit ihren Beschriftungen, Einheiten und Skalen lokalisiert, gefolgt von den Legenden, die Kategorien Farben zuordnen, und schließlich den Werten selbst: Datenpunkten, Prozentwerten und Summen. Diese strukturierte Leseart ermöglicht es dem Modell, spezifische Fragen zu beantworten, statt nur eine oberflächliche Beschreibung zu generieren.

Ihre Fragen können sich daher genau auf das konzentrieren, was Ihnen wichtig ist: „Welche Kategorie hat den höchsten Wert?” für eine Rangfolge, „Wie ist der allgemeine Trend zwischen Januar und Juni?” für eine Entwicklung, „Vergleichen Sie die beiden Linien und identifizieren Sie Schnittpunkte” für eine Querschnittsanalyse oder „Extrahieren Sie alle Werte aus diesem Kreisdiagramm als Liste”, um Rohdaten abzurufen. Das Modell arbeitet besonders gut mit hochkontrastreichen Diagrammen mit lesbaren Beschriftungen: ein hochauflösendes Bild mit deutlichen Farben liefert hervorragende Ergebnisse.

Datenextraktion aus Tabellen

Tabellen innerhalb von Bildern stellen einen wichtigen Anwendungsfall dar. Ob es sich um eine Tabelle in einem PDF-Bericht, einen Screenshot einer Tabellenkalkulation oder ein Foto eines Papierdokuments handelt, das Modell liest Überschriften und Zeilen, rekonstruiert die Struktur – einschließlich Spalten, Zeilen und sogar verschmolzenen Zellen – und gibt die Daten in Ihrem bevorzugten Format aus.

Dieser letzte Punkt macht den Unterschied: Geben Sie immer Ihr gewünschtes Ausgabeformat vor. „Transkribieren Sie diese Tabelle in Markdown” liefert Ihnen eine wiederverwendbare Tabelle für Ihre Notizen; „Extrahieren Sie die Daten dieser Tabelle als CSV” erzeugt eine Datei, die sofort in eine Tabellenkalkulation importiert werden kann; „Erstellen Sie eine Liste von Produkten und deren Preisen” liefert eine lesbare Zusammenfassung. Das Modell versteht komplexe tabellarische Strukturen – mehrere Spalten, Zwischensummen und Fußnoten – und bewältigt auch Tabellen mit farbigen Zellen oder dicken Rahmen.

Basis-OCR bei Datenbildern

Neben Diagrammen und Tabellen kann das Modell jeden sichtbaren Text in einem Bild lesen. Dies wird OCR (Optical Character Recognition) genannt, und diese Fähigkeit ist in Vibe nativ integriert. Konkret können Sie den Betrag, das Datum und den Lieferanten von einer Rechnung oder Quittung extrahieren; den Namen, die E-Mail-Adresse und die Telefonnummer von einer Visitenkarte abrufen; Text von einem Straßenschild oder Schaufenster lesen; oder sogar handschriftliche Felder von einem Papierformular transkribieren.

Für fortgeschrittene OCR-Anforderungen – die Verarbeitung großer Dokumentenvolumen, strukturierte Extraktion und automatisierte Workflows – bietet Mistral eine dedizierte Lösung namens Document AI, die wir in Abschnitt 3 dieses Kurses behandeln werden. Denken Sie für den Moment daran, dass Vibe bereits alltägliche Ad-hoc-Bedürfnisse sehr gut bewältigt.

Anwendungsfälle aus der Praxis

Schauen wir uns drei typische Büroszenarien an. Erster Szenario: Sie erhalten ein Diagramm zur Quartalsleistung als Bild in einer E-Mail. Laden Sie es in Vibe hoch und fragen Sie, welches Quartal am besten abgeschnitten hat, lassen Sie es das Wachstum zwischen Q1 und Q4 berechnen oder bitten Sie um eine dreipunktige Zusammenfassung der wichtigsten Trends – genug, um sich in fünf Minuten auf ein Meeting vorzubereiten.

Zweites Szenario: Sie haben einen Screenshot eines Dashboards mit mehreren Indikatoren. Fragen Sie „Extrahieren Sie alle sichtbaren KPIs und deren aktuelle Werte”, gefolgt von „Identifizieren Sie Indikatoren in Rot”, um sofort zu erkennen, was sinkt, ohne das ursprüngliche Tool zu navigieren.

Drittes Szenario, das oft übersehen wird: Verifikation. Zweifel an einer Zahl in einer Präsentation, die Ihnen jemand geschickt hat? Laden Sie die Folie hoch und fragen Sie „Ist die Summe in der letzten Spalte korrekt?” oder „Addieren sich die Prozentwerte in diesem Kreisdiagramm zu 100%?”. Das Modell berechnet neu und markiert Inkonsistenzen – ein wertvolles Sicherheitsnetz, bevor ein Dokument verteilt wird.

Best Practices

Vier Gewohnheiten bestimmen die Ergebnisqualität. Erstens, Auflösung: je schärfer das Bild, desto besser die Lesung – vermeiden Sie unscharfe Fotos und übermäßig komprimierte Screenshots. Zweitens, Rahmung: schneiden Sie das Bild so zu, dass nur das relevante Diagramm oder die Tabelle zu sehen ist, da weniger visueller Rauschen um diese herum eine präzisere Analyse bedeutet. Drittens, Kontext: wenn das Diagramm seinen Gegenstand nicht klar angibt, geben Sie ihn selbst vor („Dieses Diagramm zeigt den monatlichen Umsatz in Euro”), um das Modell bei der korrekten Interpretation zu unterstützen. Viertens, Verifikation: bei kritischen Einsätzen sollten Sie extrahierte Zahlen immer mit der Originalquelle abgleichen, da KI ähnliche Werte falsch lesen oder ungewöhnliche Schriftarten missverstehen kann.

Kernaussagen

  • Das Modell identifiziert Diagrammtypen, Achsen, Legenden und Werte
  • Sie können die Extraktion in Markdown-, CSV- oder Listenformat anfordern
  • Basis-OCR ist integriert, um Text in jedem Bild zu lesen
  • Bildqualität und Präzision der Frage bestimmen die Ergebnisqualität