Einführung Code Interpreter / Advanced Data Analysis

Lernziele

Sie können den Code Interpreter (Advanced Data Analysis) in ChatGPT aktivieren, eine Datei hochladen und einen explorativen Analyse-Prompt formulieren.

Sie können den Unterschied zwischen Code-Interpreter-basierten Berechnungen (zuverlässig) und reiner Text-Antwort des Modells (unzuverlässig für Zahlen) in eigenen Worten erklären.

Sie können mindestens zwei konkrete Analyse-Aufgaben mit eigenem oder bereitgestelltem Datenmaterial vollständig durchführen.

Sie können die Grenzen des Code Interpreters (Kontextfenster, keine Persistenz, kein Internetzugriff) benennen und für Ihren Arbeitskontext einschätzen, wann Alternativen sinnvoller sind.

Sie können die datenschutzrechtlichen Implikationen des Code Interpreters einschätzen.

Sie können fortgeschrittene Analyse-Prompts für Korrelationsanalysen, Zeitreihen-Zerlegung und Cluster-Analyse formulieren.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Stellen Sie sich vor: Sie erhalten am Montagmorgen einen Excel-Export aus dem Projektmanagement-System — 1.200 Zeilen, 15 Spalten — und sollen bis zur Teambesprechung um 10 Uhr einen ersten Analysebericht vorlegen. Früher bedeutete das: Pivot-Tabellen konfigurieren, Diagramme erstellen, Kennzahlen manuell zusammenstellen — mindestens 60–90 Minuten Arbeit, je nach Komplexität.

Mit dem Code Interpreter in ChatGPT verändert sich dieser Workflow fundamental: Die CSV-Datei wird hochgeladen, ein explorativer Prompt formuliert, und ChatGPT führt echten Python-Code aus — liefert eine strukturierte Übersicht der Daten, identifiziert Auffälligkeiten, berechnet Kennzahlen und erstellt Visualisierungen. Alles in unter 10 Minuten, ohne eine Zeile Python-Code schreiben zu müssen.

Das ist keine Übertreibung, sondern die realistische Nutzungserfahrung von Advanced Data Analysis in der Praxis. Diese UE führt Sie Schritt für Schritt durch diesen Workflow — und macht Sie gleichzeitig mit den Grenzen und Datenschutzaspekten vertraut.

Lerntext — Theorie und Konzepte

Was ist der Code Interpreter — technische Grundlage

Der Code Interpreter ist eine Funktion, die es GPT-4o ermöglicht, echten Python-Code in einer isolierten Sandbox-Umgebung auf OpenAI-Servern auszuführen. Der entscheidende Unterschied zu einem normalen Chat-Gespräch:

Berechnungen sind korrekt: Eine Summe, die der Code Interpreter berechnet, ist tatsächlich die korrekte Summe.

Daten werden verarbeitet: Hochgeladene CSV- oder XLSX-Dateien werden von pandas geladen und verarbeitet.

Visualisierungen sind echt: Diagramme werden von Matplotlib oder Plotly gerendert.

Fehler werden sichtbar: Wenn der Code einen Fehler enthält, sehen Sie die Fehlermeldung.

Merksatz

Der Code Interpreter rechnet — das LLM im Text-Modus schätzt. Dieser Unterschied ist fundamental für die Verlässlichkeit von Analyseergebnissen: Nur Code-Interpreter-basierte Berechnungen sind zuverlässig genug für geschäftliche Entscheidungen.

Aktivierung und Voraussetzungen

Der Code Interpreter ist in ChatGPT Plus (ab 9,99 $/Monat), Team und Enterprise verfügbar. Unterstützte Dateiformate: CSV, XLSX, JSON, PDF (Textextraktion), PNG/JPG (Bild-OCR), TXT, Python (.py). Maximale Dateigröße: ca. 50 MB pro Upload.

Der explorative Analyse-Workflow

Phase 1 — Datei hochladen: CSV oder XLSX per Büroklammer-Icon in den Chat ziehen.

Phase 2 — Explorativer Überblick: > „Gib mir einen vollständigen Überblick über diesen Datensatz: Anzahl Zeilen und Spalten, Datentypen je Spalte, Anzahl und Prozentsatz fehlender Werte je Spalte, statistische Grundkennzahlen für alle numerischen Spalten (min, max, Mittelwert, Median, Standardabweichung), und drei bis fünf auffällige Besonderheiten des Datensatzes.”

Phase 3 — Gezielte Analyse-Prompts: Auf Basis des Überblicks konkrete Fragen stellen.

Phase 4 — Visualisierungen: Erkenntnisse grafisch aufbereiten lassen.

Phase 5 — Export: Bereinigte Daten oder Diagramme herunterladen.

Abb. 53.1 — Sequenzdiagramm: Workflow vom Datei-Upload bis zum herunterladbaren Analyse-Ergebnis im Code Interpreter

Grenzen des Code Interpreters

Kontextfenster-Beschränkung: Die Konversation selbst unterliegt dem Kontextfenster von GPT-4o (ca. 128.000 Token). Bei sehr langen Konversationen können frühere Ergebnisse aus dem Kontext fallen.

Keine Persistenz: Nach dem Ende einer Konversation sind alle hochgeladenen Dateien und Zwischen-Ergebnisse gelöscht.

Kein Internetzugriff: Der Python-Sandbox-Prozess hat keinen Internetzugriff.

Datenschutz: Die hochgeladene Datei verlässt das eigene Gerät und wird auf OpenAI-Servern verarbeitet. Für Produktivdaten mit personenbezogenen Informationen gelten DSGVO-Anforderungen (Details in UE 55).

Alternativen zum Code Interpreter

Vertiefung — Fortgeschrittene Analyse-Prompts und Code-Review

Fortgeschrittene Analyse-Prompts: - Korrelationsanalyse: „Berechne die Korrelationsmatrix aller numerischen Spalten. Erstelle eine Heatmap. Markiere alle Korrelationen über 0,7 oder unter −0,7 mit einem Stern.” - Zeitreihen-Zerlegung: „Zerlege die Zeitreihe in ihre Komponenten: Trend, Saisonalität und Residuum.” - Cluster-Analyse: „Führe eine k-Means-Cluster-Analyse mit drei Clustern durch. Visualisiere die Cluster im Streudiagramm.” - Statistische Tests: „Führe einen t-Test durch, um zu prüfen, ob der durchschnittliche Umsatz zwischen Projekttyp A und B statistisch signifikant verschieden ist.”

Code-Review ohne Python-Kenntnisse: Was lässt sich ohne Python-Kenntnisse prüfen: Verwendet der Code die richtigen Spaltennamen? Welche Spalten werden ausgeschlossen? Wie werden fehlende Werte behandelt? Wie werden Datentypen behandelt? Rückfrage-Prompt: „Erkläre den generierten Code in einfacher Sprache, Schritt für Schritt.”

Iterative Prompt-Strategie: Nicht alles auf einmal beschreiben — iterativ vorgehen: Überblick → erste Analyse → Vertiefung/Korrektur → Visualisierung → Export.

Merksatz

Iterativ statt monolithisch — ein einzelner komplexer Prompt führt oft zu unvollständigen Outputs. Besser: Erst Überblick, dann schrittweise vertiefen. Jedes Zwischenergebnis sofort herunterladen — die Sandbox hat keine Persistenz.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Ein typisches Analyse-Szenario: Am Quartalsende exportiert ein Projektleiter die aktuellen Projekt-KPIs als Excel-Datei. Bisher dauerte die Aufbereitung für das Management-Reporting ca. 90 Minuten. Mit dem Code Interpreter-Workflow lässt sich dieser Prozess auf ca. 20–30 Minuten reduzieren: Datei hochladen, Überblick anfordern, drei bis vier Analyse-Prompts, zwei Visualisierungen erstellen, Ergebnisse herunterladen, in den Report einbauen. Der Workflow ist für alle Projekttypen standardisierbar: Einmal entwickelte Prompts können für jeden neuen Monatsexport direkt wiederverwendet werden.

Industrie & Fertigung

In produzierenden Unternehmen wird der Code Interpreter für die Analyse von Qualitätsprüfungsdaten eingesetzt: Welche Maschinen produzieren die meisten Ausschussteile? Gibt es einen Zusammenhang zwischen Schichtbesetzung und Fehlerquote? Korrelationsanalysen zwischen Maschinenparametern und Produktqualität können direkt per Prompt angefordert werden. Besonders wertvoll: Der Code Interpreter kann maschinelle Prüfprotokolle (CSV-Exporte aus Qualitätsprüfsystemen) direkt verarbeiten, ohne dass technisches Know-how für die Skript-Entwicklung erforderlich ist.

Finanzdienstleistung & Versicherung

In Finanzinstituten wird der Code Interpreter für Portfolioanalysen, Risikoauswertungen und regulatorisches Reporting eingesetzt. Wichtig: Für Kundendaten mit Personenbezug gilt DSGVO-Pflicht (Details UE 55) — hier entweder Copilot M365 nutzen oder Daten vorher anonymisieren. Für aggregierte Portfoliodaten ohne Personenbezug ist der Code Interpreter eine leistungsstarke Analyse-Plattform. Statistische Tests zur Prüfung, ob beobachtete Renditeunterschiede zwischen Portfoliosegmenten statistisch signifikant sind, lassen sich direkt per Prompt anfordern.

Öffentliche Verwaltung

In Behörden wird der Code Interpreter für die Analyse von Förderprogrammdaten, Bürgeranfragen-Statistiken und Haushaltsdaten eingesetzt. Da Verwaltungsdaten häufig personenbezogen sind, ist die Datenschutzprüfung vorab obligatorisch. Für rein aggregierte Statistiken (Anzahl Anträge nach Kategorie, Haushaltsmittel nach Haushaltsstelle) ist der Code Interpreter ohne weitere Schutzmaßnahmen nutzbar. Cluster-Analysen können dabei helfen, Muster in Förderanträgen zu erkennen — z. B. welche Kombinationen von Antragstellermerkmalen häufig zu Ablehnung führen.

Übung 1 — Explorative Analyse mit dem Übungsdatensatz

Übung 1 — Vollständiger Code Interpreter-Workflow

Aufgabe: Laden Sie die Übungsdatei in ChatGPT Advanced Data Analysis und führen Sie eine vollständige explorative Analyse durch. Fordern Sie einen Überblick an, identifizieren Sie zwei Auffälligkeiten und erstellen Sie eine Visualisierung.

Material: ChatGPT Plus oder Team, Übungsdatei (1.200 Zeilen, anonymisiert, vom Trainer bereitgestellt).

Schritt-für-Schritt: 1. Öffnen Sie chat.openai.com, wählen Sie GPT-4o mit Advanced Data Analysis. 2. Laden Sie die Übungsdatei hoch. 3. Senden Sie den explorativen Überblick-Prompt. 4. Lesen Sie den Bericht. Identifizieren Sie mindestens zwei Auffälligkeiten. 5. Formulieren Sie eine erste Analyse-Frage auf Basis der Auffälligkeiten. 6. Senden Sie die Analyse-Frage und lesen Sie das Ergebnis. 7. Fordern Sie eine Visualisierung an (Diagrammtyp, Achsentitel, Farben explizit angeben). 8. Laden Sie das Diagramm herunter. 9. Formulieren Sie eine zweite Analyse-Frage.

Erwartetes Ergebnis: Einen Überblick-Bericht, mindestens eine heruntergeladene Visualisierung, schriftliche Notiz von zwei Erkenntnissen und den verwendeten Prompts.

Musterlösung: Typische Erkenntnisse: (1) Migrationsprojekte haben im Schnitt 23 % Stunden-Überschreitung gegenüber Plan — deutlich mehr als andere Projekttypen. (2) Drei Projekte über 200 Stunden weisen negative Margen auf — mögliche Ausreißer für Nachforschung. Visualisierung: Balkendiagramm der durchschnittlichen Stunden-Abweichung nach Projekttyp.

Übung 2 — Eigene Analyse-Frage entwickeln und dokumentieren

Übung 2 — Analyse-Brief schreiben

Aufgabe: Formulieren Sie eine eigenständige, für Ihren Arbeitskontext relevante Analyse-Frage und beantworten Sie diese mit dem Code Interpreter. Dokumentieren Sie den vollständigen Workflow in einem kurzen Analyse-Brief (5–7 Sätze).

Material: Wie Übung 1; derselbe Datensatz.

Schritt-für-Schritt: 1. Überlegen Sie sich eine Analyse-Frage, die im Projektcontrolling relevant wäre. 2. Formulieren Sie den Analyse-Prompt präzise. 3. Führen Sie die Analyse durch und fordern Sie ggf. eine Visualisierung an. 4. Führen Sie eine Validierungsstichprobe durch: Wählen Sie drei Datenpunkte und prüfen Sie, ob die KI-Analyse korrekt ist. 5. Dokumentieren Sie im Analyse-Brief: Datensatz, Fragestellung, Methodik, Erkenntnis, Einschränkungen, Empfehlung.

Erwartetes Ergebnis: Schriftlicher Analyse-Brief (5–7 Sätze) mit vollständiger Struktur.

Musterlösung: Analyse-Brief (Beispiel): „Datenquelle: Projektanalyse-Datensatz (1.200 Zeilen, anonymisiert). Fragestellung: Gibt es einen Zusammenhang zwischen Projektlaufzeit und Stunden-Überschreitung? Methodik: Streudiagramm und Korrelationskoeffizient via ChatGPT Advanced Data Analysis. Erkenntnis: Schwache positive Korrelation (r = 0,31) — längere Projekte neigen zu höheren Stunden-Überschreitungen. Einschränkungen: Anonymisierter Datensatz, kein Branchen-Kontext bekannt. Empfehlung: Projekte über 120 Tage Laufzeit sollten im Controlling gesondert überwacht werden.”

Cheatsheet — Die wichtigsten Punkte

Code = zuverlässig: Code-Interpreter-Berechnungen sind korrekt — reine Text-Berechnungen nicht

Überblick zuerst: Immer explorativen Überblick vor gezielten Analysen anfordern

Keine Persistenz: Wichtige Ergebnisse immer sofort herunterladen

Kein Internetzugriff: Code Interpreter läuft offline in der Sandbox

Datenschutz prüfen: Nur anonymisierte Daten ohne vorherige Prüfung hochladen (Details: UE 55)

Prompt dokumentieren: Verwendete Prompts notieren — Wiederverwendung bei ähnlichen Datensätzen

Validierung: Stichprobenprüfung nach jeder Analyse

Alternative bei großen Daten: Claude oder Gemini Advanced bei Dateien > 100 MB oder > 100.000 Zeilen

Iterativ vorgehen: Kein einziger Mega-Prompt — schrittweise Annäherung liefert bessere Ergebnisse

Reflexionsfragen

Welche Analyse-Aufgaben in Ihrem Arbeitsalltag könnten Sie mit dem Code Interpreter in unter 30 Minuten lösen, die bisher deutlich länger dauerten?

Was ist der Unterschied zwischen einem „echten” Python-Datenanalysten und Ihnen als Code-Interpreter-Nutzer:in?

Warum ist es wichtig, den generierten Python-Code gelegentlich zu lesen, auch wenn Sie ihn nicht selbst schreiben?

In welchen Situationen würden Sie Google Colab mit KI-generiertem Code dem Code Interpreter vorziehen?

Was sind die drei wichtigsten Prompts, die Sie sich für die regelmäßige Nutzung des Code Interpreters merken sollten?

Vertiefung — Code Interpreter für HR-Analysen: Kompetenzmatrix und Team-Performance

Im Personalbereich bietet der Code Interpreter interessante Möglichkeiten, die bisher spezialisierte HR-Analytics-Tools erforderten:

Kompetenzmatrix-Analyse: Aus einer Tabelle mit Mitarbeitenden-Kompetenzen (Zeilen = Personen, Spalten = Kompetenzen, Werte = Kenntnisstufe 1–5) kann der Code Interpreter automatisch identifizieren: Welche Kompetenzen sind im Team unterrepräsentiert? Welche Personen decken die meisten kritischen Kompetenzen ab? Welche Teams haben ähnliche Kompetenzprofile?

Team-Zusammensetzungs-Optimierung: Prompt: „Gegeben diese Kompetenzmatrix [Upload]: Wenn ich ein fünfköpfiges Projektteam für ein Digitalisierungsprojekt zusammenstellen soll, das mindestens eine 4 in Projektmanagement, eine 4 in Datenanalyse und eine 3 in Change Management benötigt — welche Kombination aus der Liste erfüllt diese Anforderungen, und welche ist die best-balancierte?”

Wichtige Einschränkung: Personenbezogene HR-Daten sind Kategorie Rot nach DSGVO. Diese Analysen dürfen nur in genehmigten unternehmensinternen Systemen (mit entsprechendem AVV) oder mit vollständig anonymisierten Datensätzen durchgeführt werden. Mitarbeiternummern statt Namen verwenden.

Vertiefung — Fehlerquellen im Code Interpreter: Was schief gehen kann und wie man es erkennt

Der Code Interpreter ist zuverlässiger als reine Textantworten — aber nicht unfehlbar. Drei typische Fehlerquellen und ihre Erkennungszeichen:

Fehlerquelle 1 — Stille Datenverluste: Wenn eine Datei Encoding-Probleme hat (z. B. Umlaute in ISO-8859-1 statt UTF-8), kann der Code Interpreter fehlerhaft laden. Erkennungszeichen: Ungewöhnliche Zeichen in der Ausgabe (???, □□□), oder Zeilen, die im Ergebnis fehlen. Prüfung: df.shape zeigt die tatsächliche Anzahl geladener Zeilen — mit dem Zeilenanzahl-Footer der Originaldatei vergleichen.

Fehlerquelle 2 — Falsche Datumsinterpretation: Daten im Format TT.MM.JJJJ werden in US-amerikanischen Systemen manchmal als MM.TT.JJJJ interpretiert. Erkennungszeichen: Datumsanalysen ergeben keinen Sinn (z. B. scheinen Projekte im 13. Monat zu beginnen). Prüfung: Nach dem Upload immer df['Datum'].head(5) als erste Prüfung zeigen lassen.

Fehlerquelle 3 — Aggregationsebenen-Fehler: Wenn dieselbe Transaktion mehrfach im Datensatz vorkommt (z. B. für jedes beteiligte Team-Mitglied eine Zeile), wird eine Summe über alle Zeilen mehrfach gezählt. Erkennungszeichen: Summenwerte erscheinen zu hoch. Prüfung: Anzahl einzigartiger IDs vs. Gesamtzeilenzahl vergleichen.

Erweiterte Reflexionsfragen — UE 53

Für welche drei wiederkehrenden Analyse-Aufgaben in Ihrer Arbeit würden Sie eine Code-Interpreter-Prompt-Sequenz entwickeln? Skizzieren Sie die Prompts stichwortartig.

Was ist der Unterschied zwischen einer Analyse, die Sie mit dem Code Interpreter durchgeführt haben, und einer Analyse, die Sie von einem Datenanalysten erstellen lassen haben? Welche Unterschiede in Qualität, Kosten und Nachvollziehbarkeit sehen Sie?

Wie würden Sie einem technisch skeptischen Kollegen erklären, warum der Code Interpreter zuverlässiger ist als eine reine Chat-Antwort für numerische Berechnungen?

Prompt-Vorlage — Automatische Anomalie-Erkennung

Prompt: Systematische Anomalie-Erkennung mit mehreren Methoden

„Führe eine systematische Anomalie-Erkennung für diesen Datensatz durch. Verwende drei verschiedene Methoden:

Methode 1 — IQR-Methode: Markiere alle Werte als Ausreißer, die mehr als 1,5 × IQR (Interquartilsabstand) unter Q1 oder über Q3 liegen. Anwenden auf alle numerischen Spalten.

Methode 2 — Z-Score-Methode: Markiere alle Werte als Ausreißer mit absolutem Z-Score > 3. Anwenden auf alle numerischen Spalten.

Methode 3 — Zeitreihen-Anomalien: Für Spalten mit Zeitdimension: Identifiziere Perioden, in denen der Wert mehr als 2 Standardabweichungen vom rollierenden 3-Perioden-Durchschnitt abweicht.

Ausgabe: (1) Tabelle mit allen Anomalien (Zeile, Spalte, Wert, Methode, Schwere), (2) Boxplot-Visualisierung aller numerischen Spalten, (3) Empfehlung für jede Anomalie: Datenfehler (entfernen/korrigieren) oder echter Extremwert (behalten, aber dokumentieren)?”

Vertiefung — Reproduzierbarkeit von Code-Interpreter-Analysen

Ein unterschätztes Problem: Code-Interpreter-Analysen sind nicht immer reproduzierbar. Dieselbe Eingabe kann zu leicht unterschiedlichen Ergebnissen führen — besonders bei Zufallsoperationen.

Ursachen für Nicht-Reproduzierbarkeit: - Randomisierte Algorithmen ohne gesetzten Seed-Wert - Unterschiedliche Bibliotheksversionen zwischen Sitzungen - Floating-Point-Unterschiede bei sehr großen oder sehr kleinen Zahlen

Gegenmaßnahmen: 1. Seed setzen: Im Prompt ergänzen: „Setze am Anfang des Codes random.seed(42) und np.random.seed(42)” 2. Bibliotheksversionen dokumentieren: Prompt „Füge eine print-Ausgabe hinzu, die pandas- und numpy-Version protokolliert” 3. Ergebnisse exportieren: Immer CSV- und PNG-Export anfordern, nicht nur auf die Chat-Anzeige verlassen

Übung 6 — Reproduzierbarkeitstest einer Code-Interpreter-Analyse

Aufgabe: Führen Sie dieselbe Analyse zweimal durch und vergleichen Sie die Ergebnisse.

Schritt 1: Analysieren Sie einen Datensatz. Notieren Sie drei Kernergebnisse (Zahlen, Trends, Auffälligkeiten).

Schritt 2: Starten Sie eine neue Sitzung und führen Sie denselben Prompt erneut aus.

Vergleich: Stimmen die drei Kernergebnisse überein? Falls nein: Was unterscheidet sich?

Prompt-Optimierung: Falls Unterschiede auftraten — ergänzen Sie den Prompt um den Seed-Mechanismus und wiederholen Sie den Test.

Zeit: 20 Minuten

Erweiterte Reflexionsfragen — UE 53

Für welche Analyse-Typen in Ihrem Arbeitsalltag ist Reproduzierbarkeit besonders wichtig — und für welche ist sie nebensächlich?

Wie würden Sie die Outputs einer Code-Interpreter-Analyse so dokumentieren, dass ein Kollege die Analyse sechs Monate später nachvollziehen kann?

Code Interpreter führt Code in einer isolierten Umgebung aus — die Ergebnisse sind rein rechnerisch. Welche Analyseschritte erfordern trotzdem zwingend menschliches Urteilsvermögen?

Vertiefung — Code Interpreter für Zeitreihenanalysen

Zeitreihenanalysen sind eine der leistungsstärksten Anwendungen des Code Interpreters — und gleichzeitig eine, bei der Validierung besonders wichtig ist.

Typische Zeitreihen-Analysefragen: - Welchen Trend zeigt der Umsatz über die letzten 24 Monate? - Gibt es Saisonalität (z. B. höherer Absatz im Dezember)? - Welche Prognose ergibt sich für die nächsten 3 Monate?

Prompt-Vorlage für Zeitreihenanalyse: „Ich habe monatliche Umsatzdaten von [Zeitraum]. Führe eine vollständige Zeitreihenanalyse durch: 1. Trend-Analyse: Lineare Regression und R²-Wert 2. Saisonalitäts-Prüfung: Gibt es monatliche Muster? 3. Anomalie-Erkennung: Welche Monate weichen stark vom Trend ab? 4. Prognose: Nächste 3 Monate mit 80%-Konfidenzintervall 5. Ausgabe: Visualisierung mit allen vier Analysen als PNG”

Validierungs-Pflicht bei Prognosen: Vergleichen Sie jede KI-Prognose mit der einfachsten möglichen Benchmark-Prognose (z. B. Durchschnitt der letzten 12 Monate). Wenn die KI-Prognose schlechter als der naive Benchmark ist — überprüfen Sie das Modell.

Merksatz

Der Code Interpreter ist kein Oracle. Prognosen sind immer mit Unsicherheiten behaftet. Kommunizieren Sie Prognose-Ergebnisse immer mit Konfidenzintervall — niemals als Punktschätzung ohne Unsicherheitsangabe.

Praxis-Tipp — Code Interpreter Session-Management

Code-Interpreter-Sitzungen haben ein Zeitlimit (je nach Plattform 30–60 Minuten Inaktivität). Nach Sitzungsende geht der hochgeladene Datensatz verloren.

Empfohlene Arbeitsweise: 1. Datei zu Beginn hochladen und sofort mit einem Basis-Prompt bestätigen lassen, dass die Datei korrekt geladen wurde. 2. Zwischenergebnisse exportieren: Nach jedem Analyse-Schritt Code mit CSV/PNG-Export anfordern — nicht auf Chat-Anzeige verlassen. 3. Prompts dokumentieren: Jeden Prompt in einem separaten Dokument protokollieren. Bei Sitzungsunterbrechung können Prompts in neuer Sitzung wiederverwendet werden.

Abschluss-Checkliste UE 53 — Code Interpreter: - [ ] Datei erfolgreich hochgeladen und Struktur bestätigt - [ ] Explorative Analyse mit shape, dtypes, describe durchgeführt - [ ] Mindestens ein Ergebnis manuell validiert

Quellen & Weiterlesen

Vertiefung — Systematische Analyse-Workflows und Reproduzierbarkeit

Der Code Interpreter ist mächtig — aber seine Mächtigkeit entfaltet sich voll erst, wenn Analyse-Workflows systematisch und reproduzierbar gestaltet werden. Reproduzierbarkeit bedeutet: Dieselbe Analyse auf einem aktualisierten Datensatz ergibt mit denselben Prompts dieselben Schritte — und das Ergebnis unterscheidet sich nur durch die geänderten Daten.

Prompt-Chaining: Komplexe Analysen werden nicht in einem einzigen Prompt durchgeführt, sondern in einer Kette sequenzieller Prompts, wobei jeder Prompt auf dem Ergebnis des vorherigen aufbaut. Beispiel: 1. Prompt 1: Upload und Exploration (Grundkennzahlen) 2. Prompt 2: Bereinigung (Dubletten, fehlende Werte) 3. Prompt 3: Primäranalyse (Abweichungsberechnung) 4. Prompt 4: Visualisierung (Wasserfalldiagramm) 5. Prompt 5: Export (bereinigter Datensatz + PNG)

Dieser sequenzielle Ansatz ist besser als ein einziger langer Prompt, weil nach jedem Schritt geprüft werden kann, ob das Ergebnis korrekt ist, bevor man weitermacht.

Analyse-Templates: Für wiederkehrende Analyse-Typen lohnt es sich, Analyse-Templates zu erstellen: Prompt-Sequenzen mit Platzhaltern, die für neue Datensätze einfach angepasst werden. Ein Template für den monatlichen Plan-Ist-Vergleich enthält z. B. die immer gleiche Sequenz von Upload, Grundkennzahlen, Abweichungsberechnung, Wasserfalldiagramm und Analyse-Brief. Die Platzhalter (Spaltenname, Datumsbereich, Zielgruppe) werden je nach Datensatz ausgefüllt. Erstellungszeit des Templates: 20 Minuten. Zeit-Einsparung bei jeder Anwendung: 15 Minuten.

Statistische Signifikanz und praktische Signifikanz: Ein häufiges Missverständnis in der Datenanalyse: Statistische Signifikanz ist nicht dasselbe wie praktische Bedeutsamkeit. Eine Umsatzdifferenz zwischen zwei Regionen kann statistisch hochsignifikant sein (p < 0,001) und trotzdem praktisch irrelevant sein (der absolute Unterschied ist 1.200 € auf einem Jahresumsatz von 10 Mio. €). Umgekehrt kann eine praktisch bedeutsame Differenz statistisch nicht signifikant sein, wenn die Stichprobe zu klein ist. KI kann auf Prompt hin beide Dimensionen berechnen und erklären: „Berechne den t-Test für den Unterschied zwischen Region A und B und erkläre, ob dieser Unterschied auch praktisch bedeutsam ist — gegeben einem Jahresumsatz von 10 Mio. €.”

Sensitivitätsanalyse: Bei Analysen, die auf Annahmen beruhen (z. B. ein Forecast mit bestimmten Wachstumsannahmen), ist die Sensitivitätsanalyse ein wichtiges Qualitätswerkzeug: Wie verändert sich das Ergebnis, wenn eine Schlüsselannahme um 10 % variiert? Code Interpreter kann Sensitivitätsanalysen auf Prompt hin durchführen und als „Tornado-Diagramm” visualisieren — ein Balkendiagramm, das zeigt, welche Annahmen das Ergebnis am stärksten beeinflussen.

Vertiefung — Zeitreihenanalyse mit dem Code Interpreter

Zeitreihendaten (Daten mit einer Zeitachse) haben besondere Analyse-Anforderungen, die über einfache Aggregationen hinausgehen. Der Code Interpreter kann mit einem strukturierten Prompt eine vollständige Zeitreihen-Zerlegung durchführen:

Decomposition: Trennung einer Zeitreihe in vier Komponenten: Trend (langfristige Entwicklung), Saisonalität (wiederkehrende Muster in fester Periode, z. B. jährlich oder wöchentlich), Zyklus (längere, nicht periodische Schwankungen) und Residual (zufällige Schwankungen). Die STL-Zerlegung (Seasonal-Trend decomposition using LOESS) ist die modernste Methode und direkt über Python-Statsmodels verfügbar.

Autokorrelation: Misst, wie stark ein Zeitreihenwert mit seinem eigenen vergangenen Wert korreliert. Hohe Autokorrelation bei Lag 12 in monatlichen Daten deutet auf jährliche Saisonalität hin. ACF-Plot (Autokorrelationsfunktion) und PACF-Plot (Partielle Autokorrelationsfunktion) sind die Standarddiagnose-Werkzeuge.

Stationarität: Viele statistische Zeitreihenmodelle setzen Stationarität voraus (konstanter Mittelwert und konstante Varianz über Zeit). Der Augmented Dickey-Fuller-Test prüft auf Stationarität. Code Interpreter führt diesen Test auf Prompt hin durch und erklärt das Ergebnis.

Diese Konzepte klingen akademisch — aber der Praxisnutzen ist unmittelbar: Wenn ein Forecast-Modell schlechte Ergebnisse liefert, liegt es oft daran, dass die Zeitreihe nicht stationär ist oder eine Saisonalität hat, die nicht korrekt berücksichtigt wurde. Die Zerlegungs-Analyse zeigt sofort, wo das Problem liegt.

Vertiefung — Was Code Interpreter tatsächlich kann und nicht kann

Code Interpreter (in ChatGPT als „Advanced Data Analysis” bezeichnet, in anderen Plattformen unter ähnlichen Namen verfügbar) führt echten Python-Code in einer isolierten Umgebung aus. Das unterscheidet ihn grundlegend von reiner Textgenerierung: Die Ergebnisse sind deterministisch und nachvollziehbar — die KI kann keinen falschen Rechenwert generieren, wenn der zugrundeliegende Code korrekt ist.

Was Code Interpreter kann: - Dateien laden und verarbeiten (CSV, Excel, JSON, PDF mit Texterkennung) - Statistische Berechnungen (Mittelwert, Median, Standardabweichung, Korrelation, Regression) - Datenbereinigung und -transformation (Filterung, Aggregation, Pivot, Join) - Datenvisualisierungen erstellen (Matplotlib, Seaborn, Plotly) und als Bild exportieren - Machine-Learning-Modelle trainieren und evaluieren (sklearn) - Zeitreihenanalysen (Trend, Saisonalität, Ausreißer) - Ergebnisse als Excel- oder CSV-Datei exportieren

Was Code Interpreter nicht kann: - Auf externe Datenquellen, Datenbanken oder APIs zugreifen (Isolation der Ausführungsumgebung) - Echtzeitdaten verarbeiten (Sitzungsdaten bleiben erhalten, Reset nach Ende der Sitzung) - Große Datensätze verarbeiten (Speicher- und Zeitlimit; über ~100 MB CSV kann langsam werden) - Code dauerhaft speichern und deployen (kein persistenter Anwendungsserver) - Mit anderen Systemen interagieren (kein Webhooks, kein E-Mail-Versand)

Merksatz

Code Interpreter ist ein leistungsstarkes Explorationswerkzeug für mittlere Datenmengen (bis ca. 100 MB). Er ist kein Ersatz für ein Produktionssystem mit Datenbank-Anbindung und automatisierten Pipelines. Für einmalige Analysen und Prototypen: ideal. Für wiederkehrende, automatisierte Auswertungen großer Datenmengen: Produktionssystem nötig.

Vertiefung — Reproduzierbarkeit: Den generierten Code verstehen und wiederverwenden

Ein zentraler Vorteil von Code Interpreter gegenüber einfacher Textantwort: Die Analyse ist reproduzierbar. Der generierte Python-Code kann gespeichert, von einer Python-Entwicklerin geprüft und in eine reguläre Python-Umgebung (Jupyter Notebook, VS Code, Azure Machine Learning) übertragen werden.

Der Workflow für maximale Reproduzierbarkeit:

Analyse in Code Interpreter durchführen

Generierten Code explizit anfordern: „Zeige mir den vollständigen Python-Code für diese Analyse, sodass ich ihn außerhalb von Code Interpreter ausführen kann. Kommentiere jeden wichtigen Schritt auf Deutsch.”

Code in ein Jupyter Notebook oder eine .py-Datei übertragen

In der eigenen Python-Umgebung ausführen (Bibliotheken: pandas, matplotlib, seaborn, scikit-learn)

Code in Git-Repository versionieren — damit wird die Analyse zum reproduzierbaren Artefakt

Prompt-Vorlage

Prompt: Reproduzierbaren Code anfordern

„Führe die folgende Analyse durch: [Analysebeschreibung]. Zeige danach den vollständigen Python-Code als sauberes Skript, das ich außerhalb dieser Umgebung ausführen kann. Anforderungen: (1) Alle Imports am Anfang, (2) Klare Funktion mit beschreibendem Namen für den Hauptanalyse-Schritt, (3) Kommentare auf Deutsch für jeden nicht-trivialen Schritt, (4) Ausgabe als druckbare Zusammenfassung und als gespeicherte Excel-Datei.”

Branchen-Anwendungen — Code Interpreter in der Praxis

IT-Dienstleistung & Beratung: Aufwandsanalysen aus Zeiterfassungssystemen, Ticket-Analysen aus Helpdesk-Exporten, Projektprofitabilitäts-Berechnungen aus ERP-Exporten. KI in Code Interpreter kann aus einer CSV mit Zeitbuchungen automatisch eine Auslastungsanalyse nach Mitarbeitendenkategorie, Projekt und Zeitraum erstellen und als PowerPoint-bereiten Chart exportieren.

Industrie & Fertigung: Analyse von Maschinenlogs auf Anomalien, Berechnung von OEE-Kennzahlen aus Rohdaten, Qualitätsdaten-Auswertungen (SPC — Statistical Process Control). Code Interpreter kann aus einem Export der Produktionssteuerung (typischerweise CSV mit Zeitstempel, Maschinen-ID, Messwert) eine vollständige Prozesskontrollanalyse inklusive Kontrollkarten (Shewhart-Charts) erstellen.

Finanzdienstleistung & Versicherung: Portfolioanalysen, Risikokennzahlen (VaR, Expected Shortfall), Backtesting von Trading-Strategien auf historischen Daten. Code Interpreter kann aus CSV-Exporten von Kursdaten automatisch Renditen berechnen, Volatilität schätzen und eine Sharpe-Ratio-Analyse erstellen.

Öffentliche Verwaltung: Fördermittelanalysen aus Haushaltsexporten, Bevölkerungsstatistiken für Bedarfsplanung, Verkehrsinfrastruktur-Auswertungen. Code Interpreter kann öffentlich verfügbare Statistik-CSVs (etwa vom Statistischen Bundesamt) laden, verarbeiten und für Parlamentsdrucksachen geeignete Visualisierungen erstellen.

Prompt-Vorlage

Prompt: Schritt-für-Schritt Analyse mit Code Interpreter

„Ich möchte meinen Datensatz [Beschreibung] mit Code Interpreter analysieren. Führe die Analyse in folgenden klar getrennten Schritten durch: Schritt 1 — Datei laden und Struktur anzeigen (Spalten, Datentypen, Zeilenzahl, Stichprobe der ersten 5 Zeilen). Warte auf meine Bestätigung. Schritt 2 — Fehlende Werte und Ausreißer analysieren. Warte auf meine Bestätigung. Schritt 3 — [Spezifische Analyse]. Warte auf meine Bestätigung. Schritt 4 — Visualisierung erstellen. Warte auf meine Bestätigung. Schritt 5 — Zusammenfassung und vollständigen Python-Code liefern.”

Vertiefung — Statistische Konzepte, die im KI-Dialog hilfreich sind

Wer mit Code Interpreter oder KI-Analysetools arbeitet, wird auf statistische Begriffe treffen, die ein Grundverständnis erfordern. Keine tiefe Statistikausbildung — aber genug, um KI-Ergebnisse richtig zu interpretieren:

Korrelation ≠ Kausalität: Wenn KI eine starke Korrelation zwischen zwei Variablen findet (z. B. Umsatz und Werbeausgaben steigen gemeinsam), bedeutet das nicht, dass die Werbeausgaben den Umsatz verursachen. Es könnte umgekehrt sein, oder ein dritter Faktor treibt beide. KI kann korrelative Analysen durchführen und sollte explizit nach kausalen Interpretationen gefragt werden — mit dem Hinweis, dass sie Kausalität nicht beweisen kann.

Konfidenzintervall: Wenn KI einen Forecast erstellt, liefert ein seriöses Modell nicht nur einen Punktwert, sondern ein Konfidenzintervall: „Wir erwarten einen Umsatz von 2,3 Mio. € ± 0,4 Mio. € (90 % Konfidenzintervall).” Das bedeutet: Mit 90 % Wahrscheinlichkeit liegt der tatsächliche Wert zwischen 1,9 und 2,7 Mio. €. Enges Intervall = zuverlässigerer Forecast; breites Intervall = hohe Unsicherheit.

Ausreißer vs. Fehler: Ein Ausreißer in den Daten kann ein echter, extremer Wert sein (z. B. ein Großauftrag, der den Monatsumsatz verdoppelt) oder ein Datenfehler (z. B. ein versehentlich um den Faktor 1.000 zu hoher Wert). KI kann helfen, Ausreißer zu identifizieren — die Entscheidung, ob Ausreißer entfernt, korrigiert oder beibehalten werden, müssen jedoch Menschen treffen.

Prompt-Vorlage

Prompt: Statistische Ergebnisse für Management-Publikum übersetzen

„Ich habe folgende statistische Analyseergebnisse: [Ergebnisse einfügen, z. B. Regressionsergebnisse, Korrelationskoeffizienten, Signifikanzwerte]. Erkläre diese Ergebnisse in einfacher Sprache für eine Geschäftsführung ohne Statistikausbildung. Vermeide Fachbegriffe wie ‘p-Wert’, ‘R²’ oder ‘Standardabweichung’ — übersetze diese in allgemein verständliche Aussagen. Formuliere zwei bis drei Kernsätze, die das Wesentliche in Entscheidungssprache kommunizieren.”

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 53

Timing (45 Min): 5 Min Einstieg (90-Minuten-Report in 20 Minuten — realistisches Szenario), 10 Min Lerntext (Code vs. Text-Modus; Grenzen), 22 Min Lab, 5 Min Diskussion zu Alternativen, 3 Min Puffer.

Methodische Empfehlung: Den Unterschied Code-Modus vs. Text-Modus live demonstrieren: Dieselbe Multiplikation erst ohne Code Interpreter, dann mit — der Unterschied in der Zuverlässigkeit ist das stärkste Argument. Den Analyse-Brief als strukturierendes Ergebnis-Format einführen — er wird in UE 60 wieder aufgegriffen.

Häufige Stolpersteine: (a) Teilnehmende laden Datei hoch, ohne explorativen Überblick anzufordern — auf diesen ersten Pflichtschritt bestehen. (b) Ergebnisse werden nicht heruntergeladen, Konversation wird geschlossen — explizit auf Persistenz-Problem hinweisen. (c) Datenschutzprüfung wird übersprungen — Ampel-Modell (Vorgriff UE 55) als kurze Folie zeigen.

Diskussionsfragen: (1) „Wann vertrauen Sie einer KI-Analyse so weit, dass Sie das Ergebnis an einen Kunden weitergeben?” (2) „Was müsste passieren, damit Sie Google Colab statt ChatGPT Code Interpreter bevorzugen?”

Tafelbild-Vorschlag: Fünf-Phasen-Workflow als horizontale Prozesskette mit Zeitangaben: Upload (1 Min) → Überblick (2 Min) → Analyse (5–10 Min) → Visualisierung (3 Min) → Export (1 Min).

Differenzierung: Power-User: Korrelationsmatrix-Heatmap erstellen und statistisch signifikante Zusammenhänge identifizieren. Einsteiger: Nur explorativen Überblick und eine einzige Analyse-Frage.

Tipp zur Branchenauswahl: Für Fertigungskunden das Maschinenprotokoll-Beispiel (Korrelation Maschinenparameter/Ausschuss) wählen. Für Finanzdienstleister den Hinweis auf DSGVO-Grenzen beim Kundendaten-Upload betonen. Für Verwaltungskunden den Colab-Ansatz als datenschutzkonforme Alternative hervorheben.

Übergang zur nächsten UE: „Sie wissen jetzt, wie der Code Interpreter funktioniert. Aber was tun Sie, wenn der Datensatz einfach zu groß ist — 80.000 Zeilen, 50 Spalten? Genau dieses Problem löst UE 54: Kontextfenster-Grenzen und Strategien für große Datensätze.”

Vertiefung — Fortgeschrittene Nutzung: Code Interpreter für Maschinenlernen-Grundaufgaben

Der Code Interpreter kann nicht nur beschreibende Statistik — er kann einfache Vorhersagemodelle und Klassifizierungsaufgaben durchführen. Für Nicht-Programmierer ist das eine erhebliche Kompetenzerweiterung:

Einfache Regression: „Führe eine lineare Regression durch: abhängige Variable ist Spalte ‘Umsatz’, unabhängige Variablen sind ‘Werbeausgaben’, ‘Mitarbeiterzahl’ und ‘Projektlaufzeit’. Zeige den R²-Wert, die Koeffizienten und erkläre, was jeder Koeffizient in einfacher Sprache bedeutet.”

Klassifizierung mit Entscheidungsbaum: „Trainiere einen Entscheidungsbaum, der vorhersagt, ob ein Projekt das Budget überschreiten wird (Zielvariable: Spalte ‘Überschreitung_J_N’). Verwende folgende Merkmale: Projekttyp, geplante Dauer, Teamgröße, Kundenkategorie. Visualisiere den Baum und zeige die Genauigkeit auf einem Test-Datensatz.”

Clustering: „Clustere die Kunden in diesem Datensatz in 3 Gruppen basierend auf Kauffrequenz und durchschnittlichem Bestellwert. Erstelle ein Streudiagramm der Cluster und beschreibe in je einem Satz, was jeden Cluster charakterisiert.”

Wichtiger Hinweis: Diese Analysen sind Prototypen — für geschäftskritische Entscheidungen ist die Einbeziehung von Data-Science-Expertise Pflicht. Der Code Interpreter ist ein Erkundungswerkzeug, kein Produktionssystem für ML-Modelle.

Prompt-Vorlage — Vollständige Explorations-Pipeline

Prompt: Vollständige 6-Schritte-Explorations-Pipeline

„Führe eine vollständige Explorations-Pipeline für diesen Datensatz durch. Gehe in folgenden Schritten vor und warte nach jedem Schritt auf meine Freigabe:

Schritt 1 — Daten laden: Lade die Datei, zeige Dimensionen (Zeilen × Spalten), Datentypen und die ersten 5 Zeilen. Schritt 2 — Vollständigkeit: Zeige für jede Spalte die Anzahl und den Anteil fehlender Werte. Visualisiere als Balkendiagramm. Schritt 3 — Verteilungen: Erstelle für alle numerischen Spalten Histogramme in einer gemeinsamen Abbildung (2 Spalten, beliebig viele Zeilen). Markiere Median und Mittelwert. Schritt 4 — Ausreißer: Identifiziere Ausreißer mit der IQR-Methode (Werte außerhalb 1,5 × IQR). Liste sie mit Zeilen-ID und Wert. Schritt 5 — Korrelationen: Berechne Pearson-Korrelationen aller numerischen Spalten. Erstelle eine Heatmap. Schritt 6 — Zusammenfassung: Fasse die 5 wichtigsten Erkenntnisse in je einem Satz zusammen.”

Zusatzübung — Analyse-Pipeline reproduzierbar machen

Zusatzübung — Python-Code exportieren und dokumentieren

Aufgabe: Führen Sie eine vollständige explorative Analyse durch und exportieren Sie den generierten Python-Code als sauberes, wiederverwendbares Skript.

Schritt-für-Schritt: 1. Laden Sie die Übungsdatei hoch und führen Sie die vollständige 6-Schritte-Pipeline durch (s. Prompt-Vorlage). 2. Am Ende: Prompt senden — „Exportiere den vollständigen Python-Code dieser Analyse als ein einziges, sauberes Skript. Anforderungen: (a) Alle Imports am Anfang, (b) Klare Abschnitte mit Kommentaren auf Deutsch, (c) Dateiname als Variable am Anfang (einfach anzupassen), (d) Alle Grafiken werden als PNG-Dateien gespeichert, nicht nur angezeigt.” 3. Kopieren Sie den generierten Code in eine .py-Datei oder ein Jupyter-Notebook. 4. Lesen Sie den Code durch — ohne Python zu verstehen, können Sie prüfen: Werden die richtigen Spaltennamen verwendet? Gibt es offensichtliche Lücken? 5. Testen Sie, ob das Skript den Datensatz korrekt verarbeitet (mit einem anderen Datensatz des gleichen Formats).

Erwartetes Ergebnis: Eine .py-Datei, die die vollständige Analyse reproduzierbar macht und auf ähnliche Datensätze direkt angewendet werden kann.

Branchen-Vignette — Finanzwesen: Quartals-Reporting in 20 Minuten

Eine Portfoliomanagerin in einer Vermögensverwaltung erstellt quartalsweise einen Performance-Report für 15 Kunden. Bisher dauerte die Zusammenstellung der Kennzahlen aus dem Handelssystem (CSV-Exporte) ca. 3 Stunden — Einzelberechnungen in Excel, manuelle Visualisierungen, Kommentierung im Word-Dokument.

Mit dem Code Interpreter: Anonymisierter CSV-Export (Portfoliorenditen, Benchmark, Kosten) hochladen, vollständige Pipeline in 4 Schritten (Überblick → Performance-Kennzahlen → Visualisierungen → Export), 15 Minuten Analyse plus 5 Minuten Qualitätsprüfung und Kommentierung. Ergebnis: Alle Kennzahlen und Grafiken exportiert, direkt in den Report-Template einbaubar. Zeitersparnis: 2,5 Stunden pro Quartal pro Kundengruppe.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.