Use Case
Bevor Sie eine Pivot-Tabelle bauen, hilft KI dabei, die Auswertungslogik zu klären: Welche Dimension in die Zeilen, welche Kennzahl als Wert, welche Filter sinnvoll sind. Das spart Iterationen im Tool und macht das Ergebnis zuverlässiger.
Für wen ist dieser Use Case geeignet?
Dieser Use Case eignet sich für alle, die regelmäßig Pivot-Tabellen erstellen: Controlling, Marketing-Analyse, Operations, HR, Einkauf und Projektmanagement.
Besonders hilfreich ist er bei unbekannten Datensätzen, bei denen die Auswertungslogik noch nicht klar ist, oder wenn Sie jemandem erklären müssen, wie eine bestimmte Pivot-Struktur sinnvoll aussieht.
Ausgangsproblem
Pivot-Tabellen sind mächtig, aber die richtige Struktur zu finden, dauert oft länger als das eigentliche Bauen. Was gehört in Zeilen, was in Spalten, was als Filter? Welche Aggregationsformel passen? Wer das direkt im Tool ausprobiert, verliert Zeit.
KI kann die Planungsphase übernehmen: Aus einer Beschreibung der Fragestellung und der Datenstruktur schlägt sie eine Pivot-Logik vor. Das Resultat ist kein fertige Pivot-Tabelle, sondern ein klarer Bauplan.
Schritt-für-Schritt-Anleitung
Schritt 1: Fragestellung formulieren
Schreiben Sie die Frage auf, die die Pivot-Tabelle beantworten soll. Beispiele:
- Welcher Vertriebskanal hat im letzten Quartal den höchsten Umsatz erzielt?
- Wie verteilen sich Krankheitstage auf Abteilungen und Monate?
- Welche Produktkategorie hat die höchste Retourenquote nach Region?
Schritt 2: Datenstruktur beschreiben
Beschreiben Sie der KI die Tabelle: Welche Spalten gibt es, was steht drin, wie viele Zeilen hat die Tabelle ungefähr?
Hilfreiche Angaben:
- Spaltenname und Inhalt (z. B. „Datum: Kaufdatum, Format TT.MM.JJJJ“)
- Numerische Spalten (z. B. „Umsatz in EUR“, „Menge in Stück“)
- Kategorische Spalten (z. B. „Region“, „Produktkategorie“, „Vertriebskanal“)
- Granularität (eine Zeile = ein Auftrag, ein Produkt, ein Mitarbeitender)
Schritt 3: KI eine Pivot-Logik vorschlagen lassen
Bitten Sie die KI, auf Basis Ihrer Frage und der Datenstruktur eine konkrete Pivot-Empfehlung zu machen: Zeilen, Spalten, Wert, Filter und Aggregation.
Schritt 4: Vorschlag prüfen und anpassen
Prüfen Sie, ob der Vorschlag Ihre Frage tatsächlich beantwortet. Häufige Anpassungen:
- Granularität ändern (z. B. Monat statt Quartal)
- Filter eingrenzen (z. B. nur bestimmte Regionen)
- Zusatzauswertung ergänzen (z. B. prozentualer Anteil)
- Alternative Aggregation (z. B. Median statt Durchschnitt)
Schritt 5: Pivot-Tabelle in Excel bauen
Setzen Sie den geklärten Bauplan in Excel um. Der Vorteil: Sie wissen bereits, was Sie erwarten — und können das Ergebnis schneller prüfen.
Beispielprompt
Ich möchte eine Pivot-Tabelle aus folgenden Daten erstellen.
Fragestellung:
[Was soll die Pivot-Tabelle zeigen? Beschreiben Sie Ihre Analysefrage in einem Satz.]
Datenstruktur:
- Spalte 1: [Name und Beschreibung, z. B. Datum: Kaufdatum, TT.MM.JJJJ]
- Spalte 2: [Name und Beschreibung]
- Spalte 3: [Name und Beschreibung]
- [weitere Spalten]
Granularität: eine Zeile = [z. B. ein Auftrag / ein Mitarbeitender / ein Produkt]
Aufgabe:
1. Welche Spalte sollte in die Zeilen?
2. Welche Spalte in die Spalten (falls sinnvoll)?
3. Welche Spalte als Wert, und welche Aggregation (Summe, Anzahl, Durchschnitt)?
4. Welche Filter wären sinnvoll?
5. Gibt es eine alternative Pivot-Struktur, die die Frage besser beantwortet?
Wichtig:
- Basiere den Vorschlag ausschließlich auf der beschriebenen Datenstruktur.
- Kennzeichne, wenn dir Informationen fehlen.Qualitätscheck
Bevor Sie die Pivot-Tabelle bauen, prüfen Sie den KI-Vorschlag:
- Beantwortet die vorgeschlagene Struktur wirklich die ursprüngliche Frage?
- Ist die empfohlene Aggregation fachlich korrekt (Summe vs. Anzahl vs. Durchschnitt)?
- Gibt es Spalten, die der KI nicht bekannt waren und die das Ergebnis beeinflussen?
- Sind die vorgeschlagenen Filter sinnvoll eingeschränkt?
- Haben Sie die tatsächliche Pivot-Tabelle gegen den Plan geprüft?
Ein guter Test: Prüfen Sie einen Teilbereich der Pivot manuell in der Originaltabelle. Wenn Summe oder Anzahl nicht übereinstimmt, stimmt entweder der Plan oder die Ausführung nicht.
Risiken und Grenzen
KI kennt Ihre Daten nur so gut, wie Sie sie beschreiben. Unklare Beschreibungen führen zu Pivot-Logiken, die formal korrekt, aber inhaltlich unpassend sind. Besonders bei mehrdeutigen Spalten (z. B. „Wert“ ohne Einheit) entstehen stille Fehler.
KI kann Aggregationen empfehlen, die rechnerisch möglich, aber fachlich falsch sind. Zum Beispiel: Durchschnitt eines Durchschnitts bei ungleich großen Gruppen. Prüfen Sie den Vorschlag immer gegen das, was Sie fachlich erwarten.
Datenschutzhinweis
Wenn Ihre Tabelle personenbezogene Daten enthält (Mitarbeiterdaten, Kundendaten, Lohninformationen), geben Sie diese nicht in offene KI-Tools ein. Beschreiben Sie die Spaltenstruktur stattdessen abstrakt: Typ, Inhalt, Beispielwert ohne echte Daten.
Für die Pivot-Planung reicht in der Regel die Beschreibung der Datenstruktur — echte Datensätze sind dafür nicht notwendig.
Passende Tools
- ChatGPT: gut für Pivot-Planungen und strukturierte Auswertungslogiken
- Microsoft Copilot: besonders geeignet, wenn die Tabelle in Excel liegt und direkter Zugriff möglich ist
- Claude: gut für differenzierte Logik-Vorschläge und Alternativstrukturen
- Gemini: praktisch bei Auswertungen in Google Sheets