ProPrompt für Analysten

Zielgruppe: Business Analysten, Datenanalysten, BI-Spezialisten, Controller und alle, die mit Daten, Berichten und Erkenntnissen arbeiten.

Inhaltsverzeichnis

  1. Einstieg – Dein erster Analyse-Prompt
  2. Daten zusammenfassen & aufbereiten
  3. Reports & Dashboards generieren
  4. Fortgeschritten – Komplexe Analysen
  5. Agent: Automatisierte Analyse-Pipelines
  6. Cheat-Sheet für Analysten

1 Einstieg – Dein erster Analyse-Prompt

Schwierigkeit: ⭐ Leicht

Das Wichtigste zuerst: Ein guter Analyse-Prompt folgt dem RICE-Prinzip (→ siehe Grundlagen).

Beispiel – Einfache Datenzusammenfassung 

Du bist ein erfahrener Business Analyst.

Fasse die folgenden Verkaufsdaten zusammen:
- Zeitraum: Q1 2026
- Produkte: Lizenzen, Support-Verträge, Schulungen
- Regionen: DACH, Nordics, UK

Gib die Zusammenfassung als Markdown-Tabelle aus mit:
| Region | Produkt | Umsatz | Veränderung zum Vorquartal |

Warum funktioniert das? Rolle, Kontext, Aufgabe und Format sind klar definiert.

Tipps für Einsteiger

Tipp Beschreibung
🎯 Sei spezifisch „Analysiere Q1-Umsatz nach Region“ statt „Schau dir die Daten an“
📊 Format vorgeben Tabelle, Bullet Points oder JSON – immer mitgeben
🔢 Kennzahlen benennen Welche KPIs? Umsatz, Marge, Wachstum, Churn?
📅 Zeitraum definieren Immer den Analyse-Zeitraum angeben

2 Daten zusammenfassen & aufbereiten

Schwierigkeit: ⭐⭐ Mittel

Beispiel – Excel-Daten für KI aufbereiten 

Du bist ein Datenanalyst. Ich habe eine Excel-Datei mit Kundendaten.

Die Spalten sind:
| Spalte | Typ | Beschreibung |
|--------|-----|-------------|
| customer_id | INT | Eindeutige Kunden-ID |
| revenue_2025 | FLOAT | Jahresumsatz 2025 |
| segment | STRING | Enterprise / SMB / Startup |
| churn_risk | FLOAT | Abwanderungsrisiko (0-1) |

Aufgabe:
1. Erstelle eine Segmentanalyse mit Durchschnittsumsatz pro Segment
2. Identifiziere die Top-10-Kunden nach Umsatz mit hohem Churn-Risiko (> 0.7)
3. Gib alles als Markdown-Tabellen aus

Beispiel – SQL-Query aus natürlicher Sprache 

Du bist ein BI-Analyst mit SQL-Expertise.

Datenbank: PostgreSQL
Tabellen:
- orders (id, customer_id, amount, order_date, status)
- customers (id, name, segment, region)
- products (id, name, category, price)

Erstelle eine SQL-Query die zeigt:
- Monatlicher Umsatz pro Region für 2025
- Nur abgeschlossene Bestellungen (status = 'completed')
- Sortiert nach Region und Monat
- Mit Vergleich zum Vormonat (% Veränderung)

Gib die Query mit Kommentaren aus.

Daten aus Office-Dateien extrahieren

Für die Konvertierung von Excel, Word oder PowerPoint in KI-freundliche Formate → siehe Office-Dateien aufbereiten.

3 Reports & Dashboards generieren

Schwierigkeit: ⭐⭐ Mittel

Beispiel – Management-Report erstellen 

Du bist ein Senior Business Analyst und erstellst einen Management-Report.

## Kontext
- Unternehmen: SaaS-Plattform mit 2.000 Kunden
- Zeitraum: Q1 2026
- Publikum: C-Level und Board

## Daten
- MRR: 850.000 € (Vorquartal: 790.000 €)
- Churn Rate: 3,2% (Vorquartal: 4,1%)
- NPS: 72 (Vorquartal: 68)
- Neue Kunden: 145 (Vorquartal: 120)

## Aufgabe
Erstelle einen Executive Summary Report mit:
1. **Headline-KPIs** als Tabelle mit Trend-Pfeilen (↑/↓/→)
2. **Key Insights** – 3-5 Bullet Points
3. **Risiken & Chancen** – je 2-3 Punkte
4. **Empfohlene Maßnahmen** – priorisiert

## Format
- Maximal 1 Seite
- Professioneller Ton
- Deutsch

Beispiel – Visualisierungsvorlage (Mermaid-Diagramm) 

Erstelle ein Mermaid-Diagramm das den monatlichen Umsatzverlauf zeigt.

Daten:
- Jan: 280k, Feb: 285k, Mär: 285k
- Apr: 290k, Mai: 295k, Jun: 310k

Nutze ein xychart-beta Bar-Chart mit beschrifteten Achsen.

Ergebnis:

xychart-beta
    title "Monatlicher Umsatz 2026 (in Tsd. EUR)"
    x-axis ["Jan", "Feb", "Mar", "Apr", "Mai", "Jun"]
    y-axis "Umsatz (Tsd. EUR)" 250 --> 320
    bar [280, 285, 285, 290, 295, 310]

Beispiel – Prozessfluss visualisieren 

flowchart LR
    A[📥 Rohdaten] --> B[🔄 Bereinigung]
    B --> C[📊 Analyse]
    C --> D{Ergebnis OK?}
    D -- Ja --> E[📋 Report]
    D -- Nein --> B
    E --> F[📧 Versand an Stakeholder]

    style A fill:#e1f5fe
    style E fill:#c8e6c9
    style F fill:#fff9c4

4 Fortgeschritten – Komplexe Analysen

Schwierigkeit: ⭐⭐⭐ Schwer

Beispiel – Kohortenanalyse mit Python 

Du bist ein Senior Data Analyst mit Python/Pandas-Expertise.

## Ziel
Erstelle eine Kohortenanalyse für Kunden-Retention.

## Daten
CSV-Datei mit Transaktionen:
- customer_id, order_date, amount

## Anforderungen
1. Gruppiere Kunden nach Anmeldemonat (Kohorte)
2. Berechne die Retention Rate für 12 Monate
3. Erstelle eine Heatmap mit Seaborn
4. Exportiere die Ergebnisse als Markdown-Tabelle

## Constraints
- Python 3.11, Pandas 2.x, Seaborn
- Nur Kunden mit mindestens 1 Bestellung
- Kohortenformat: YYYY-MM

Beispiel – Prognosemodell beschreiben 

Du bist ein Data Scientist.

Erkläre mir Schritt für Schritt, wie ich ein einfaches Umsatz-Prognosemodell aufbaue:

1. Datenvorbereitung (welche Features?)
2. Modellwahl (warum welches Modell?)
3. Training & Validierung
4. Interpretation der Ergebnisse

Kontext:
- Monatliche Umsatzdaten der letzten 3 Jahre
- Saisonale Schwankungen vorhanden
- Python + scikit-learn

Gib den Code mit ausführlichen Kommentaren aus.

5 Agent: Automatisierte Analyse-Pipelines

Schwierigkeit: ⭐⭐⭐ Schwer

Was ist ein Analyse-Agent?

Ein Agent kann selbstständig mehrstufige Analysen durchführen:

  • Daten einlesen und bereinigen
  • Berechnungen durchführen
  • Visualisierungen erstellen
  • Reports generieren

Beispiel – Reporting-Agent (Copilot Studio) 

# Rolle
Du bist ReportBot, der automatisierte Reporting-Assistent für das Controlling-Team.

# Fähigkeiten
- Du analysierst SharePoint-Listen mit Finanzdaten
- Du erstellst monatliche KPI-Reports
- Du vergleichst Ist- vs. Plan-Werte
- Du identifizierst Abweichungen > 10%

# Verhalten
- Antworte auf Deutsch
- Nutze Tabellen und KPI-Karten
- Runde Zahlen kaufmännisch auf 2 Dezimalstellen
- Verwende €-Format für Währungen

# Datenquellen
- SharePoint-Liste: "Finance_KPIs_2026"
- SharePoint-Liste: "Budget_Plan_2026"

# Workflow
1. Benutzer fragt nach Report (z.B. "Zeige mir den Monatsreport März")
2. Lade Daten aus beiden Listen
3. Berechne: Ist vs. Plan, Abweichung %, Trend
4. Erstelle formatierten Report
5. Hebe kritische Abweichungen (> 10%) rot hervor

# Ausgabeformat
## Monatsreport [Monat] [Jahr]

| KPI | Plan | Ist | Abweichung | Trend |
|-----|------|-----|-----------|-------|
| Umsatz | X € | Y € | Z% | ↑/↓ |

### Kritische Abweichungen
- [KPI]: [Details]

### Empfehlungen
- [Maßnahme 1]
- [Maßnahme 2]

Agent-Toolchain: Automatisierter Analyse-Workflow 

flowchart TB
    A[👤 Analyst fragt:<br/>'Erstelle Q1-Report'] --> B[🤖 Orchestrator-Agent]
    B --> C[📥 Daten-Agent]
    B --> D[📊 Analyse-Agent]
    B --> E[📝 Report-Agent]

    C --> |Lädt Rohdaten| C1[SharePoint / Excel / DB]
    C --> |Bereinigt und formatiert| D
    D --> |Berechnet KPIs| D1[Abweichungen<br/>Trends<br/>Prognosen]
    D --> |Ergebnisse| E
    E --> |Generiert| E1[Executive Summary<br/> Detail-Report<br/> E-Mail Draft]

    style A fill:#e3f2fd
    style B fill:#fff3e0
    style C fill:#e8f5e9
    style D fill:#fce4ec
    style E fill:#f3e5f5

Agent-Prompt für VS Code (Agent-Modus) 

## Ziel
Erstelle ein Python-Skript das einen automatisierten Monats-Report generiert.

## Kontext
- Datenquelle: CSV-Dateien in /data/monthly/
- Output: Markdown-Report in /reports/
- Bestehende Struktur: /src/analytics/

## Schritte
1. Lies alle CSV-Dateien im Verzeichnis /data/monthly/
2. Berechne KPIs: Umsatz, Kosten, Marge, Kundenzahl
3. Vergleiche mit Vormonat und Vorjahresmonat
4. Erstelle Mermaid-Diagramme für Trends
5. Generiere einen Markdown-Report mit Executive Summary
6. Speichere unter /reports/YYYY-MM-report.md

## Anforderungen
- Python 3.11, Pandas, keine weiteren externen Abhängigkeiten
- Fehlerbehandlung für fehlende Dateien
- Logging mit dem logging-Modul
- Type Hints für alle Funktionen

6 Cheat-Sheet für Analysten

Schnelle Prompt-Vorlagen

Aufgabe Prompt-Start
Daten zusammenfassen „Fasse die Daten in #file zusammen als Tabelle mit [KPIs]."
SQL schreiben „Schreibe eine SQL-Query (PostgreSQL) die [Anforderung] zeigt."
Excel-Formel „Erstelle eine Excel-Formel die [Berechnung] macht."
Pivot-Tabelle „Erkläre wie ich eine Pivot-Tabelle für [Analyse] erstelle."
Trend erkennen „Analysiere den Trend in den folgenden Daten: [Daten]"
Report schreiben „Erstelle einen Executive-Summary-Report für [Publikum]."
Visualisierung „Erstelle ein Mermaid-Diagramm das [Daten] zeigt."
Anomalien finden „Identifiziere Ausreißer in den folgenden Daten: [Daten]"

Kontext-Checkliste für Analyse-Prompts

  • Datenquelle angegeben? (CSV, Excel, DB, API)
  • Spalten/Felder beschrieben?
  • Zeitraum definiert?
  • KPIs benannt?
  • Zielgruppe des Outputs klar? (Management, Team, Stakeholder)
  • Format festgelegt? (Tabelle, Chart, Report)

Zurück zur Übersicht: 🏠 Startseite · Grundlagen (DE) · Grundlagen (EN)

Erstellt von Justin Szczepaniak · GitHub-Projekt · LinkedIn

ProPrompt © 2026 – MIT License