Vager vs. strukturierter Prompt

Die Inhaberin bzw. der Inhaber von The Daily Grind will wissen, welche Getränke nächsten Monat gepusht werden sollen.

Hänge den Datensatz Coffee Sales an. Probiere zuerst einen kurzen, vagen Prompt (so etwas, was eine vielbeschäftigte Person tippen würde, z. B. "analyze my coffee sales"). Formuliere dann dieselbe Bitte nach dem GCSE-Schema neu und vergleiche die beiden Antworten.

Was hat die GCSE-Struktur an der Antwort der KI verändert?

Diese Übung ist Teil des Kurses

<Kurs>KI für Data Analysts</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>KI für Data Analysts</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Richte dein KI-unterstütztes Analysten-Toolkit ein. Lerne, wo KI in den fünf Phasen des Analysezyklus passt, beherrsche das GCSE-Prompting-Framework, um vage Anfragen in umsetzbare Empfehlungen zu verwandeln, und wähle den richtigen Weg, KI mit deinen Daten zu verbinden: Flat Files, MCP oder eine gesteuerte semantische Schicht.

Exercise 1: Der KI-unterstützte Analyst Exercise 2: Lerne The Daily Grind kennen Exercise 3: Gleicher Prompt, andere Antwort Exercise 4: Prompts schreiben, die funktionieren Exercise 5: Zerlege einen Prompt mit GCSE Exercise 6: Vager vs. strukturierter Prompt

Aktuelle Übung

Exercise 7: Verbindung zu deinen Daten herstellen Exercise 8: Flat File, MCP oder semantische Schicht?Exercise 9: Kontext erschließt Bedeutung

Vom Rohdatum zu belastbaren Insights. Prüfe die Datenqualität auf unscharfe Duplikate, fehlende Werte und unmögliche Zeitstempel; reicher Rohfelder mit KI sowohl als Ausführende als auch als Beraterin an; finde dann lohnende Insights über Trends, Verteilungen, Unterschiede und Ausreißer – und verifiziere jedes einzelne, bevor es Stakeholder erreicht.

Exercise 1: Die Prüfphase: Datenqualität Exercise 2: Was kann KI eigenständig markieren?Exercise 3: Prüfe die Coffee-Shop-Daten Exercise 4: Hinterfrage die Deduplizierung der KI Exercise 5: Deine Daten anreichern Exercise 6: Absichten aus Support-Tickets extrahieren Exercise 7: Doer oder Advisor?Exercise 8: Verlässliche Insights finden Exercise 9: Wo würdest du mit der Exploration starten?Exercise 10: In eine Erkenntnis hineinzommen

Mach aus Erkenntnissen Dashboards und Geschichten, die ankommen. Komprimiere Discovery und Prototyping von Wochen auf einen Nachmittag, passe Datenstories an Publikum und anstehende Entscheidung an und schütze dich mit dem S.P.O.T.-Verifizierungsframework vor poliert-wirkendem, aber falschem Output.

Exercise 1: Dashboards mit KI erstellen Exercise 2: Von Interviews zu User Stories Exercise 3: Prototypisieren und iterieren Exercise 4: Datenstories mit KI erzählen Exercise 5: Gleiche Daten, zwei Geschichten Exercise 6: Ehrliches Framing vs. Irreführung Exercise 7: Story für die CFO Exercise 8: Überprüfbarkeit und Vertrauen Exercise 9: Welcher S.P.O.T.-Check erkennt das?Exercise 10: Fühlt sich diese Zahl richtig an?Exercise 11: Erkenne das polierte, aber falsche Dashboard

Führe eine vollständige KI-first-Analyse für Board and Beyond, eine US-Handelskette, durch. Prüfe die Datenqualität, identifiziere die Anreicherungen, die ein Category Manager wirklich nutzt, hebe eine Headline-Erkenntnis hervor und verifiziere sie, baue ein Dashboard, das eine Expansionsentscheidung stützt, und liefere eine einprägsame Kurzgeschichte für die Geschäftsführung.

Exercise 1: Capstone-Projekt: Board and Beyond Exercise 2: Lerne Board and Beyond kennen Exercise 3: Welche Baustelle kann nicht warten?Exercise 4: Was würde ein Category Manager wirklich nutzen?Exercise 5: Eine Headline-Erkenntnis verifizieren Exercise 6: Wohin sollten wir expandieren?Exercise 7: Erzähl die Geschichte fürs Leadership-Team Exercise 8: Glückwunsch!Exercise 9: Bonus: Datenanalyse mit Snowflake Cortex