Die Vertiefungsaufgabe befasst sich mit der Datenanalyse von Umsatzzahlen für drei Produkte A, B und C während eines Jahres. Die Prompts erstelle ich gemäß dem Buch „Prompt Engineering im Unternehmen – eine Einführung (D. Koch, A. Kohne, N. Brechbühler)
Schritt 1: Vorbereitungen – KI-Werkzeuge selektieren
Zuerst befrage ich ChatGPT, zu geegneten Werkzeugen für die Aufgabe. Der Prompt orientiert sich am R-T-F-Framework
(Role-Task-Format). ChatGPT antwortet und nennt:
- Microsoft 365 Copilot (Excel Copilot),
- Shortcut (Fundamental Research Labs),
- Endex AI Agent for Excel,
- Domo (AI-gestützte BI-Plattform),
- Tableau (mit KI-Funktionalitäten),
- Looker Studio (früher Google Data Studio)
- Julius AI – Graph Maker.
Ich entscheide mich für die Werkzeuge ChatGPT und Julius AI Hier die Tabelle mit Empfehlungen – mit Blick auf die besonderen Vorzüge:
- Maximale Integration in Excel: Microsoft Copilot, Shortcut oder Endex.
- Schnelle Visualisierungen & Dashboards: Domo oder Looker Studio.
- Tiefere Analyse & interaktive Darstellung: Tableau mit AI-Erweiterungen.
- Überblick & Schnelligkeit: Julius AI als leichter Einstieg.
Schritt 2: Vorbereitungen – Analyse-Kennzahlen
Nachdem die KI-Werkzeuge geklärt sind, biete ich ChatGPT an und bitte um eine
erste Analyse und eine Auflistung sinnvoller Kenngrößen. Ich lade dazu die
Beispieldaten in ChatGPT hoch.
ChatGPT antwortet mit Liniendiagrammen, Heat Map, Balkendiagramm
Chat GPT:
Ich habe die Excel-Daten analysiert und in Diagrammen dargestellt:
- Liniendiagramm: zeigt die monatlichen Umsatzverläufe der drei Produkte.
- Heatmap: verdeutlicht regionale Unterschiede (hier beispielhaft für Produkt A).
- Balkendiagramm: vergleicht die Jahresumsätze der Produkte.
Zusätzlich findest du eine Tabelle mit den wichtigsten Kennzahlen (Jahresumsatz, Durchschnitt, Maximal- und Minimalwert pro Monat).
Schritt 3: Vorbereitungen – Statistische
Kennzahlen
Im Anschluss werden sinnvolle statistische Kennzahlen betrachtet. ChatGPT
schlägt mehrere Kennzahlen vor, die ich dann berechnen lasse (Median,
Standardabweichung & Varianz, Quartile & Interquartilsabstand (IQR),
Wachstumsrate (MoM, YoY), Jährliche Wachstumsrate pro Produkt (falls
Vorjahresdaten vorliegen) u.a.).
🔎 Ergänzende Basiskennzahlen
- Median
- Robust gegenüber Ausreißern, zeigt den „typischen“ Monatsumsatz.
- Messen die Schwankungsbreite der Monatsumsätze.
- Hohe Werte → starke saisonale/regionale Schwankungen.
- Zeigen die Streuung innerhalb des mittleren 50%-Bereichs.
- Monat-zu-Monat-Änderungen (z. B. von Jan → Feb).
- Jährliche Wachstumsrate pro Produkt (falls Vorjahresdaten vorliegen).
📈 Dynamische Kennzahlen
- Kumulierte Umsätze (Year-to-Date, YTD)
- Zeigt den Umsatzverlauf aufsummiert bis zum jeweiligen Monat.
- Misst saisonale Muster (z. B. ob bestimmte Monate immer stark/schwach sind).
- Gibt an, ob die Umsätze über das Jahr eher steigen, fallen oder stabil sind.
📊 Vergleichskennzahlen
- Marktanteilsähnliche Verteilung
- Anteil von Produkt A/B/C am Gesamtumsatz (%).
- Falls mehrere Regionen im Datensatz sind: Umsatzanteile pro Region.
- Durchschnittlicher Quartalsumsatz je Produkt.
📌 Statistisch fortgeschrittene Kennwerte (optional)
- Varianzkoeffizient (CV) = Standardabweichung / Mittelwert → relative Schwankung.
- Korrelationsanalyse
- Zeigt, ob Umsätze zwischen Produkten zusammenhängen (z. B. ob A steigt, wenn B sinkt).
- Gleitender
Durchschnitt (Moving Average)
- Glättung, um längerfristige Trends sichtbar zu machen.
Es folgt anschließend die Lösung mit Julius AI. Die Darstellung ist interessant, Daher stelle ich den gesamten Verlauf dar:
Du bist Datenanalyst und möchtest eine EXCEL-Datei mit Vertriebsdaten zu 3 Produkten (Produkt_A, Produkt_B, Produkt_C) analysieren. Für jedes Produkt liegen die Monatsumsätze für ein Jahr vor. Bitte analysiere zuerst einmal die EXCEL-Tabelle erstelle eine optimale Analyse der Daten sowie eine optimale Präsentation der Analyseergebnisse in passenden Diagrammen. Ich habe dazu die EXCEL-Datei mit Namen "Beispieldatensatz_Vertriebszahlen" beigefügt.
Super, ich lege los. Ich habe die Datei geladen, aufbereitet und eine kompakte, aussagekräftige Analyse samt Visualisierungen erstellt.
Datenvorschau und Umformung:
- Weitformat (Monat, Region, Produkt A/B/C, Gesamt)
- Langformat für Produktanalysen (Monat, Region, Produkt, Umsatz)
Preview sales_df (wide):
Monat | Region | Produkt A | Produkt B | Produkt C | Gesamt |
|---|---|---|---|---|---|
Jan | Nord | 120 | 80 | 60 | 260 |
Feb | Süd | 130 | 85 | 62 | 277 |
Mrz | West | 140 | 90 | 64 | 294 |
Apr | Ost | 150 | 95 | 68 | 313 |
Mai | Nord | 170 | 100 | 70 | 340 |
Preview long_df:
Monat | Region | Gesamt | Produkt | Umsatz |
|---|---|---|---|---|
Jan | Nord | 260 | Produkt A | 120 |
Feb | Süd | 277 | Produkt A | 130 |
Mrz | West | 294 | Produkt A | 140 |
Apr | Ost | 313 | Produkt A | 150 |
Mai | Nord | 340 | Produkt A | 170 |
Kern-KPIs: KPI Total Revenue:
4297
KPI by Product:
Umsatz |
|---|
2100 |
1305 |
892 |
KPI by Region:
Umsatz |
|---|
1156 |
1102 |
1039 |
1000 |
Diagramme:
- Monatsverlauf (Gesamtumsatz) nach Region
- Gesamtsumme je Produkt
- Gesamtsumme je Region
- Heatmap Monat x Produkt
- Gestapelte Monatsbalken nach Produkt
- Deutlicher Monatsanstieg über das Jahr.
- Produkt A ist der Haupttreiber, dahinter B, dann C.
- Regionen: Ost knapp vorne, dann West; Süd und Nord folgen.
- Die Heatmap und die gestapelten Balken verdeutlichen den durchgängigen Anstieg, besonders stark bei Produkt A.
- v
Direktlinks:
- https://julius.ai/files?filename=summary_by_product.csv
- https://julius.ai/files?filename=summary_by_region.csv
- https://julius.ai/files?filename=summary_monthly.csv
.
Basis-Kennzahlen (schnell, direkt interpretierbar)
- Durchschnittlicher Monatsumsatz je Produkt (Mean)
- Median-Umsatz je Produkt (robuster gegen Ausreißer)
- Minimum/Maximum je Produkt inkl. zugehörigem Monat
- Standardabweichung/Variationskoeffizient je Produkt (Streuung und relative Volatilität)
- Anteil je Produkt am Gesamtumsatz (Jahresanteil in %)
- Kumulierte Umsätze je Produkt über das Jahr (Verlauf bis heute)
- Monat-zu-Monat-Wachstum je Produkt (in %)
- YTD vs. Vorperiode (z. B. Q2 vs. Q1) je Produkt und gesamt
Trends und Saisonalität
- Lineare Trendsteigung je Produkt (einfache Regressionssteigung Monatsindex → Umsatz)
- Saisonalitätsindikatoren: z. B. Durchschnitt je Quartal und Abweichung vom Jahresdurchschnitt
- Gleittender 3-Monats-Durchschnitt je Produkt (Smoothed Trend)
Vergleichs- und Portfolio-Sicht
- Produktmix-Index: Verhältnis Produkt A : (B + C) pro Monat
- Konzentrationsmaß (Herfindahl-Hirschman-Index HHI) über Produkte pro Monat (zeigt Abhängigkeit von wenigen Produkten)
- Cross-Korrelationen zwischen Produkten (steigt B mit A?)
- Regionale Konzentration pro Produkt (Top-Regionen-Anteil)
Risiko-/Streuungsmaße
- IQR (Interquartilsabstand) je Produkt
- Z-Score je Monat/Produkt zur Identifikation von Ausreißern
- 10./90.-Perzentil je Produkt (Range der “typischen” Monate)
Wachstum und Effizienz
- CAGR auf Monatsbasis über das Jahr je Produkt (vereinfacht: Start→Ende)
- Durchschnittliches absolutes Wachstum (Monatsdifferenzen) je Produkt
- Wachstumskonsistenz: Anteil positiver Monatsveränderungen je Produkt
Vergleich nach Zeitabschnitten
- Quartalsumsätze und -wachstum je Produkt
- Halbjahresvergleich (H1 vs. H2) je Produkt und gesamt
Forecast-Readiness (für spätere Prognose)
- Autokorrelation der Monatsumsätze (ACF) je Produkt
- Fehlerkennzahlen eines Benchmark-Naivmodells (z. B. RMSE MAE vs. Naive t-1) als Referenz
Visualisierungsvorschläge dazu
- Boxplots je Produkt (Streuung, Ausreißer)
- Balken: Quartalsumsatz je Produkt
- Linien: gleitender 3-Monats-Durchschnitt vs. Originalwerte
- Wasserfall-Diagramm: Start→Ende mit Monatsbeiträgen (Pro Produkt oder gesamt)
- Heatmap: Monat x Produkt mit MoM-Wachstum in %
- Stacked Area: Produktmix über das Jahr
- HHI-Linie: Konzentration über die Monate