Use Case
Mit KI lassen sich häufige Datenqualitätsprobleme in Tabellen schnell identifizieren: fehlende Werte, inkonsistente Formate, Duplikate und Ausreißer. Die KI hilft bei der Diagnose und schlägt Bereinigungsschritte vor — ausführen müssen Sie diese meist selbst.
Für wen ist dieser Use Case geeignet?
Dieser Use Case eignet sich für alle, die regelmäßig mit exportierten Daten aus CRM-Systemen, ERP, HR-Software oder manuell gepflegten Listen arbeiten. Besonders hilfreich ist er vor einer Analyse, einem Import oder einem Report, bei dem saubere Daten Voraussetzung sind.
Sie brauchen kein technisches Hintergrundwissen. Wichtig ist, dass Sie die Datenstruktur kennen und beurteilen können, was ein gültiger Wert ist.
Ausgangsproblem
Reale Datensätze sind selten sauber. Fehlende Werte, inkonsistente Schreibweisen, fehlerhafte Formate und doppelte Einträge verursachen Fehler in Analysen und Reports. Diese Probleme manuell zu suchen, dauert bei großen Tabellen Stunden.
KI kann einen schnellen ersten Scan leisten: Problemmuster benennen, betroffene Spalten zeigen und Bereinigungsoptionen vorschlagen. Sie entscheidet aber nicht, was ein Fehler ist — das hängt vom Kontext ab, den nur Sie kennen.
Schritt-für-Schritt-Anleitung
Schritt 1: Tabelle exportieren und ersten Überblick verschaffen
Exportieren Sie die Tabelle als CSV. Prüfen Sie vor der KI-Analyse kurz mit eigenen Augen:
- Wie viele Zeilen und Spalten hat die Tabelle?
- Welche Spalten sind für die geplante Verwendung relevant?
- Gibt es sichtbare Formatierungsprobleme oder leere Bereiche?
Schritt 2: Datenschutz klären
Prüfen Sie, ob die Tabelle personenbezogene oder vertrauliche Daten enthält. Anonymisieren oder ersetzen Sie solche Daten, bevor Sie sie in ein KI-Tool eingeben, sofern keine Freigabe besteht.
Schritt 3: KI auf Qualitätsprobleme ansetzen
Übergeben Sie die Tabelle (oder einen repräsentativen Ausschnitt) und bitten Sie die KI, typische Qualitätsprobleme zu identifizieren:
- Fehlende oder leere Werte
- Inkonsistente Formate (Datum, Zahlen, Texte)
- Verdächtige Duplikate
- Ausreißer und unplausible Werte
- Inkonsistente Kategorien (z. B. „Berlin“, „berlin“, „BE“)
Schritt 4: Problemliste fachlich prüfen
Gehen Sie die identifizierten Probleme durch. Nicht jeder auffällige Wert ist ein Fehler. Entscheiden Sie für jede Position:
- Ist das ein echter Fehler oder ein Sonderfall?
- Soll der Wert korrigiert, gelöscht oder als Ausnahme markiert werden?
- Gibt es Regeln, nach denen eine Korrektur automatisiert werden kann?
Schritt 5: Bereinigung planen und ausführen
Erstellen Sie auf Basis der KI-Analyse einen Bereinigungsplan. Einfache Korrekturen können Sie mit Excel-Formeln, Suchen-und-Ersetzen oder einer zweiten KI-Anfrage umsetzen. Komplexe Fälle erfordern manuelle Entscheidung oder ein Skript.
Beispielprompt
Analysiere die folgende Tabelle auf Datenqualitätsprobleme.
Aufgabe:
1. Liste alle Spalten auf und beschreibe den erwarteten Datentyp je Spalte.
2. Identifiziere Spalten mit fehlenden oder leeren Werten. Nenne die Anzahl.
3. Finde inkonsistente Formate: Datumsvarianten, Zahlformate, Groß-/Kleinschreibung.
4. Weise auf verdächtige Duplikate hin (gleiche Werte in Schlüsselspalten).
5. Markiere Ausreißer in numerischen Spalten (Werte deutlich außerhalb des üblichen Bereichs).
6. Schlage für jedes gefundene Problem eine Bereinigungsoption vor.
Wichtig:
- Triff keine automatischen Korrekturen.
- Kennzeichne Annahmen über den erwarteten Wertebereich.
- Wenn du dir bei einem Wert unsicher bist, markiere ihn mit [zu prüfen].
Hier sind die Daten:
[Tabelle einfügen]Qualitätscheck
Nach der KI-Analyse prüfen Sie:
- Sind alle genannten Probleme in der Originaltabelle nachvollziehbar?
- Hat die KI Werte als Fehler markiert, die tatsächlich korrekte Ausnahmen sind?
- Wurden alle relevanten Spalten berücksichtigt?
- Ist der vorgeschlagene Bereinigungsweg praktisch umsetzbar?
- Wurden keine personenbezogenen Daten ohne Freigabe übergeben?
Ein guter Test: Prüfen Sie zwei oder drei der genannten Fehler direkt in der Originaltabelle. Wenn die Beschreibung nicht passen, den gesamten Analyse-Output genauer hinterfragen.
Risiken und Grenzen
KI kann Werte als Fehler klassifizieren, die legitime Ausnahmen sind, oder echte Fehler übersehen, wenn sie ins Muster passen. Der Output ist eine Hypothese, keine gesicherte Fehlerliste.
Automatische Korrekturen auf Basis von KI-Vorschlägen ohne manuelle Prüfung können Daten verschlechtern statt verbessern. Korrekturen immer mit einer Kopie der Originaldaten durchführen und testen.
Datenschutzhinweis
Viele Datensätze enthalten personenbezogene Daten: Namen, Adressen, Kundennummern, Mitarbeiterdaten. Prüfen Sie vor der Eingabe in ein KI-Tool, ob eine Freigabe besteht.
Wenn keine Freigabe besteht: Ersetzen Sie Namen durch Codes, entfernen Sie identifizierende Merkmale und arbeiten Sie mit einem anonymisierten Ausschnitt. Die Qualitätsprobleme sind in der Regel auch ohne echte Personendaten erkennbar.
Passende Tools
- ChatGPT: gut für Qualitätsprüfungen und Bereinigungsvorschläge per Tabellenupload
- Microsoft Copilot: geeignet, wenn Daten direkt in Excel vorliegen
- Claude: gut für große Tabellen und strukturierte Problembeschreibungen
- Gemini: praktisch bei Daten in Google Sheets