So analysierst du Tabellen mit KI in Whizi

Profiliere die Daten, bevor du irgendetwas fragst

Der häufigste Fehler bei der Tabellenanalyse hat nichts mit KI zu tun. Die Datei enthält 14 Zeilen mit einem Leerzeichen am Ende des Regionsnamens, zwei Datumsformate, eine Zwischensumme, die mittendrin stehen geblieben ist, und 300 leere Felder in der Spalte, die du gleich mitteln willst. Stellst du zuerst deine Frage, bekommst du eine selbstsichere Antwort, die auf Datenmüll berechnet wurde.

Deshalb ist der erste Prompt bei jeder Datei derselbe.

Prompt: das Profil

Profiliere diese Datei, bevor wir irgendetwas analysieren. Gib zurück: Zeilenzahl, Spaltennamen mit abgeleitetem Typ, Anzahl und Prozentsatz fehlender Werte pro Spalte, Anzahl exakter Duplikatzeilen, die eindeutigen Werte für jede Spalte mit weniger als 25 verschiedenen Werten, Minimum und Maximum jeder numerischen Spalte und jeder Datumsspalte sowie jede Spalte, deren Werte inkonsistent wirken (gemischte Formate, Leerzeichen am Ende, gemischte Einheiten, gemischte Datumsformate). Analysiere oder interpretiere noch nicht. Sag mir nur, was in der Datei steckt und was daran auffällig wirkt.

Dieser eine Prompt fängt das meiste ab, was sonst die Analyse ruinieren würde. Gerade die Liste der eindeutigen Werte zeigt dir, dass "UK", "U.K." und "United Kingdom" in deinen Daten drei getrennte Regionen sind.

Prompt: beheben, was gefunden wurde

Standardisiere die gefundenen Probleme: entferne überflüssige Leerzeichen, vereinheitliche [Spalte] auf ein einziges Format und fasse diese Varianten zusammen: [aufzählen]. Zeig mir die angewendete Zuordnung als Tabelle, bevor du sie anwendest. Lösche keine Zeilen, ohne mir zu sagen welche und warum.

Stelle Fragen, die überprüfbare Antworten liefern

Vage Fragen bekommen vage Antworten. Die Prompts, die funktionieren, benennen die Spalte, die Operation und das Ausgabeformat, und sie verlangen den Rechenweg.

Prompt: Aggregation mit sichtbarem Rechenweg

Gruppiere nach [Spalte] und berechne [Metrik]. Gib eine Markdown Tabelle zurück mit der Gruppe, der Anzahl der Zeilen darin und der Metrik. Erkläre unter der Tabelle genau, wie du die Metrik berechnet hast, welche Zeilen du ausgeschlossen hast und warum, und wie du mit leeren Feldern umgegangen bist. Sortiere absteigend nach [Spalte].

Prompt: die Kohortenfrage

Berechne für jede [Kohortendimension, zum Beispiel Anmeldemonat] [Metrik] in [Intervall]. Zeige die Kohortengröße neben jeder Zahl. Markiere jede Kohorte mit weniger als [n] Zeilen als zu klein zur Interpretation, statt dafür einen Prozentsatz auszugeben.

Diese letzte Anweisung verhindert die irreführendste Ausgabe in der Tabellenanalyse: eine Kohorte aus vier Nutzern, die als "75% Retention" ausgewiesen wird und in einer Tabelle direkt neben einer Kohorte aus neuntausend Nutzern steht.

Prompt: die Suche nach Auffälligkeiten

Was ist an diesen Daten auffällig? Achte auf: Werte außerhalb eines plausiblen Bereichs, plötzliche Brüche in einer Zeitreihe, Spalten, bei denen sich die Verteilung mittendrin ändert, Zeilen, die exakte oder nahezu identische Duplikate sind, Werte, die zu rund wirken, und alles, was auf eine Änderung in der Art der Datenerfassung hindeutet. Zitiere zu jedem Punkt die konkreten Zeilen.

Das ist der wertvollste Prompt auf dieser Seite, und er hat kein Gegenstück in einem normalen Tabellen-Workflow. Er findet regelmäßig den Tag, an dem das Tracking kaputtging, den Anbieter, der plötzlich in einer anderen Währung meldete, und den doppelten Import, der ein Quartal aufblähte.

Prompt: die Diagrammspezifikation

Empfiehl das passende Diagramm für diese Frage und diese Datenform und erkläre, warum die naheliegende Alternative hier schlechter ist. Gib mir dann die Spezifikation: Diagrammtyp, x, y, Reihen, Aggregation, Sortierreihenfolge und Achsenbehandlung. Verwende keine doppelte Achse. Kürze keine Balkendiagramm-Achse.

Wo die Arithmetik tatsächlich schiefgeht

Das verdient eine klare Antwort, denn "KI ist schlecht in Mathe" ist zugleich wahr und wenig hilfreich vage.

Ein Sprachmodell, das über Zahlen in Text nachdenkt, vervollständigt Muster, es rechnet nicht. Es ist zuverlässig darin, Strukturen zu beschreiben, Zeilen zu kategorisieren und zu erkennen, welche Berechnung gebraucht wird. Deutlich unzuverlässiger ist es bei einer langen Kette von Arithmetik über hunderte Zeilen, und es versagt lautlos: die Ausgabe ist eine sauber formatierte Tabelle mit falschen Zahlen, ohne Warnsignal.

Die praktischen Regeln:

• Verlange die Methode, nicht nur das Ergebnis. "Erkläre genau, wie du das berechnet hast und was du ausgeschlossen hast" macht einen Fehler sichtbar, falls es einen gibt.
• Prüfe eine Gruppe von Hand stichprobenartig. Wähle die kleinste Gruppe in der Ausgabetabelle und prüfe sie in der eigentlichen Tabelle nach. Stimmt sie, ist die Methode vermutlich richtig; stimmt sie nicht, ist der Tabelle nichts zu trauen.
• Gleiche alles Folgenreiche mit einem zweiten Modell ab. Zwei unabhängige Modelle, die zur selben Zahl kommen, sind ein deutlich besserer Beleg als ein Modell, das sich selbst wiederholt. Genau dafür gibt es Whizis Nebeneinander-Ansicht.
• Achte auf Doppelzählungen. In der Datei verbliebene Zwischensummen und Eins-zu-viele-Verknüpfungen sind die zwei üblichen Übeltäter, und das Modell weiß nicht, dass sie falsch sind.
• Verlange für alles, was exakt stimmen muss, die Formel oder den Code. Gib mir die Excel Formel oder gib mir den pandas Code verlagert die Arithmetik in eine deterministische Engine, und du nutzt das Modell für das, worin es gut ist: zu wissen, welche Berechnung auszuführen ist.

Der letzte Punkt ist die eigentliche Antwort für Finanz- oder Reporting-Arbeit. Nutze das Modell, um die Analyse zu entwerfen, und deine Tabelle oder ein Skript, um sie auszuführen.

Welches Modell liest welche Datei, und ab wann ist sie zu groß?

CSV und Excel lassen sich beide direkt hochladen, und die drei Modelle teilen sich die Arbeit klar auf.

Modell	Kontextfenster	Credits pro Nachricht	Nutze es für
GPT-5.6 Terra	1M Tokens	4	Strikte Formate: saubere Tabellen, JSON, exakte Spaltenzuordnungen
Claude Sonnet 5	1M Tokens	10	Den Gegenprüfungsdurchlauf bei mehrstufiger Aggregation
Gemini 3.5 Flash	1M Tokens, etwa 1.900 Manuskriptseiten	8	Die größten Dateien, oder eine Tabelle plus ein PDF in einem Thread

Kontext- und Credit-Angaben stammen aus Whizis Model Cost Index, Listenpreise abgerufen am 20.08.2026.

Ein paar praktische Hinweise:

• Gib ihm ein sauberes Rechteck. Eine Kopfzeile, keine verbundenen Zellen, keine leeren Abstandszeilen, keine Notizen in Spalte K. Mehrzeilig formatierte Berichte verwirren die Extraktion mehr als jede Dateigrößenbegrenzung.
• Sende das Rohblatt, nicht das Präsentationsblatt. Die Version mit Formatierung und Zwischensummen ist die, die Doppelzählungen erzeugt.
• Bei sehr breiten Dateien hilft zuerst eine Spaltenliste. Frage vor der Analyse, was jede Spalte bedeutet, wenn die Namen kryptisch sind, und sag dem Modell, was es falsch verstanden hat.
• Nutze Gemini 3.5 Flash für sehr große Dateien, das denselben 1M Token Kontext wie Claude Sonnet 5 und GPT-5.6 Terra liest, zu den niedrigsten Kosten pro Antwort der drei. Darüber hinaus solltest du gezielt stichprobenartig arbeiten: analysiere eine zufällige Stichprobe von 5000 Zeilen und sag mir, welchen Stichprobenfehler ich bei jeder Zahl erwarten sollte ist besser, als die Datei stillschweigend abzuschneiden.
• Entferne zuerst persönliche Daten. Namen, E-Mail-Adressen und Kennungen werden für die Analyse fast nie gebraucht, und sie zu entfernen geht schneller, als zu diskutieren, ob du sie überhaupt hochladen durftest.

Die Mechanik des Hochladens ist in Dokumente hochladen beschrieben.

Die vollständige Acht-Schritte-Abfolge an einer echten Datei

Der gesamte Workflow an einer echten Datei, der Reihe nach:

1. Hochladen. Den Profil-Prompt ausführen. Die eindeutigen Werte und die fehlenden Zahlen sorgfältig lesen.
2. Beheben, was gefunden wurde, die Zuordnungstabelle vor dem Anwenden prüfen.
3. Nach einer Zusammenfassung fragen, worum es in den Daten geht, und nach den drei Fragen, die man dir zufolge stellen sollte. Dieser Schritt geht schnell und ordnet die Analyse oft neu.
4. Die eigentliche Frage stellen, mit verlangter Methode und Ausschlüssen in der Antwort.
5. Immer den Auffälligkeiten-Prompt ausführen. Hier stecken die Überraschungen.
6. Die kleinste Gruppe von Hand stichprobenartig prüfen.
7. Die Hauptzahl mit einem zweiten Modell gegenprüfen.
8. Nach der Diagrammspezifikation fragen, oder nach der Formel, wenn die Zahl exakt und reproduzierbar sein muss.

Schritte 1, 5 und 6 sind die, die übersprungen werden, und genau sie trennen eine Analyse, die du verteidigen kannst, von einer schön formatierten Vermutung.