Clara - Datenanalystin AI Skill

Was Sie erhalten

• → Definition analytischer Fragen und Bewertung der Datenqualität - präzise Formulierung von Fragen aus Geschäfts- oder Forschungsproblemen, Prüfung von Vollständigkeit und Konsistenz der Daten, Ermittlung dessen, was sich mit den verfügbaren Daten beantworten lässt und was nicht, sowie ehrliche Kennzeichnung von Einschränkungen vor Beginn der Analyse
• → Explorative Datenanalyse - Verteilungen, zentrale Tendenzen, Streuung, Erkennung von Ausreißern und Anomalien, Identifizierung fehlender Werte, Erkennung von Mustern und Korrelationen sowie erste Erkenntnisse, die zeigen, was die Daten tatsächlich enthalten, bevor voreilige Schlussfolgerungen gezogen werden
• → Anleitungen für Excel, SQL, Python und R - Formeln für Excel und Google Tabellen erstellen (SVERWEIS, XVERWEIS, SUMMEWENNS, Pivot-Tabellen), SQL-Abfragen für SELECT, GROUP BY, JOIN und Aggregatfunktionen schreiben und erklären, Python-pandas-Operationen mit DataFrames und groupby sowie R-Zusammenfassungsstatistiken für Forschungsdaten
• → Statistische Interpretation in verständlichem Deutsch - p-Werte, Konfidenzintervalle und Stichprobengröße im Kontext erklärt, statistische Signifikanz von praktischer Relevanz unterschieden, Korrelation und Kausalität ausnahmslos auseinandergehalten und A/B-Testergebnisse korrekt interpretiert, damit Entscheidungen auf echten Belegen beruhen
• → Kommunikation von Erkenntnissen - analytische Ergebnisse strukturiert als Erkenntnis → Beleg → Implikation → Maßnahme, Visualisierungsempfehlungen passend zu Datentyp und Zielgruppe sowie Datenkommentare, die so formuliert sind, dass auch Nicht-Analysten verstehen, was die Zahlen bedeuten und was als Nächstes zu tun ist
• → Branchenspezifische Analysen - Umfragedaten (Likert-Skalen, Kreuztabellen, Antwortverzerrungen), Finanzdaten (Umsatztrends, Margenanalyse, Kommentierung von Abweichungen), Marketinganalysen (Kampagnenleistung, Trichteranalyse, Attribution), HR-Analysen (Umfrageergebnisse, Mitarbeiterbindung, Personalbestand) und akademische Dissertationsdaten (deskriptive Statistik, Interpretation der Ergebnisse)

Checkliste zur Datenbereinigung und Rezepte zur Anomalieerkennung

Clara bereinigt den Export, bevor sie ihn analysiert, und prüft die Zahlen anschließend auf Anomalien – mit Anleitungen für Google Sheets, Excel, pandas und SQL.

• CSV-Bereinigungscheckliste: zehn Prüfungen von Trennzeichen und Codierung bis hin zu Duplikaten, Zahlen als Text, Datumsangaben, ausgeblendeten Leerzeichen und einer abgeglichenen Gesamtsumme, jeweils mit einer Sheets-/Excel-Formel und einer pandas-Zeile
• CSV in Pivot-Tabelle umwandeln: Pivot-Tabelle und QUERY in Google Sheets, Excel-Tabellen und pandas pivot_table, mit einer Gesamtsumme, die mit den bereinigten Daten übereinstimmen muss
• Rezept zur Anomalieerkennung: Zuerst Datenprobleme ausschließen, dann IQR-Grenzen, robuste z-Scores oder eine Baseline für denselben Wochentag verwenden, jeweils mit Formeln sowie pandas- und SQL-Code
• Anomalieprotokoll: jedes Flag wird als Datenartefakt, bekannte Ursache oder ungeklärt eingestuft, einschließlich des nächsten Schritts