Mit Data Exploration ein Datenprofil erstellen

Data Exploration ist ein praktischer Einstieg, wenn eine Tabelle, ein Export oder eine hochgeladene Datei noch unbekannt ist. Laut Anthropic beschreibt der offizielle Skill explore-data einen Profiling-Ablauf, der Form, Qualität und Muster eines Datensatzes sichtbar macht, bevor eine tiefere Analyse beginnt. Profiling bedeutet hier nicht, schon Entscheidungen aus den Daten abzuleiten. Es ist eine Bestandsaufnahme: Welche Spalten gibt es, was bedeuten sie vermutlich, wie vollständig sind sie, und welche Auffälligkeiten müssen vor einer Auswertung geklärt werden?

Datenquelle und Ziel klären

Beginnen Sie nicht mit Diagrammen, sondern mit der Frage, worauf der Skill tatsächlich zugreifen darf. Bei einer verbundenen Data-Warehouse-Quelle soll der Client laut Anbieter zuerst den Tabellennamen auflösen, mehrdeutige Schema-Präfixe klären, Metadaten lesen und Profiling-Abfragen gegen die freigegebenen Live-Daten ausführen. Bei einer Datei werden Inhalte geladen und Spaltentypen aus den vorhandenen Werten abgeleitet. Ohne Tabelle oder Datei kann nur erklärt werden, welche Profiling-Schritte nötig wären. Diese Grenze ist wichtig, weil ein plausibel formulierter Bericht ohne echte Datenbasis keinen Besucherwert und keine Entscheidungsgrundlage liefert.

Klären Sie außerdem die fachliche Körnung. Eine Zeile kann einen Kunden, eine Bestellung, ein Ereignis, eine Rechnung oder einen Messpunkt darstellen. Wird diese Körnung falsch verstanden, wirken spätere Kennzahlen zwar sauber berechnet, beantworten aber die falsche Frage. Fragen Sie deshalb früh nach Zweck, Herkunft, Aktualisierung, Zeitraum und Zielgruppe der Daten.

Struktur und Spaltentypen verstehen

Ein gutes Datenprofil ordnet Spalten ein, bevor es sie interpretiert. Identifikatoren wie customer_id können Primärschlüssel oder Fremdschlüssel sein, müssen aber nicht eindeutig sein. Dimensionen wie Status, Region oder Kategorie eignen sich für Gruppierungen, wenn ihre Werte konsistent und nicht zu zahlreich sind. Metriken sind quantitative Werte wie Umsatz, Dauer oder Anzahl. Zeitspalten ermöglichen Trends, freie Textfelder brauchen andere Prüfungen als Zahlen, und strukturierte Felder wie JSON verlangen meist eine gesonderte Behandlung.

Für Laien hilft ein einfacher Vergleich: Die Struktur ist der Bauplan der Tabelle. Erst wenn klar ist, welche Bausteine vorhanden sind, kann man überlegen, welche Aussagen sich daraus seriös ableiten lassen. Laut Anbieter sollen Zeilen- und Spaltenzahl, Primärschlüssel, Eindeutigkeit, letzter Aktualisierungszeitpunkt und historische Abdeckung geprüft werden. Diese Informationen schützen vor typischen Fehlern wie doppelten Zählungen, veralteten Zeitständen oder Vermischung verschiedener Geschäftsprozesse.

Vollständigkeit und Verteilungen prüfen

Das Profil sollte für jede Spalte fehlende Werte, unterschiedliche Werte, häufige und seltene Ausprägungen sowie die Verteilung erfassen. Bei Zahlen sind Minimum, Maximum, Mittelwert, Median, Standardabweichung, Perzentile, Nullen und unerwartete negative Werte hilfreich. Bei Textspalten zählen Länge, leere Inhalte, Formatmuster, Groß- und Kleinschreibung sowie führende oder nachlaufende Leerzeichen. Datumsfelder brauchen minimale und maximale Werte, mögliche Zukunftsdaten, Lücken und periodische Muster.

Diese Prüfungen sind keine Bürokratie. Eine hohe Nullrate kann bedeuten, dass ein Prozessfeld erst seit kurzem gepflegt wird. Sie kann aber auch anzeigen, dass ein Export unvollständig ist. Ein Durchschnitt kann durch Ausreißer verzerrt sein, während der Median ein stabileres Bild liefert. Seltene Werte können echte Sonderfälle oder Tippfehler sein. Deshalb sollte das Profil Beobachtungen beschreiben und nicht vorschnell urteilen.

Datenqualität und Muster erkennen

Laut Anthropic soll der Skill typische Qualitätsprobleme markieren: hohe Nullraten, überraschende Kardinalität, Platzhalter wie N/A oder test, Duplikate, Schiefe, inkonsistente Kodierung und verdächtige Typfehler. Für Nichtfachleute heißt Kardinalität einfach: Wie viele verschiedene Werte kommen vor? Ein Statusfeld mit sehr vielen unterschiedlichen Schreibweisen ist schwer auswertbar. Eine Kundennummer mit wenigen unterschiedlichen Werten kann dagegen darauf hindeuten, dass nicht die erwartete Kundentabelle vorliegt.

Muster sind ebenso wichtig. Spalten können Hierarchien bilden, etwa Land, Bundesland und Stadt. ID-Spalten können natürliche Join-Kandidaten sein, also Verknüpfungspunkte zu anderen Tabellen. Zwei Spalten können fast dieselbe Information enthalten oder eine Spalte kann aus anderen berechnet sein. Diese Hinweise helfen, sinnvolle Folgeanalysen vorzuschlagen, ersetzen aber keine fachliche Prüfung der Geschäftsregeln.

Sicher arbeiten und Grenzen respektieren

Data Exploration erhält nicht von allein Zugriff auf Daten. Der tatsächliche Zugriff entsteht durch den verwendeten Claude-Client, hochgeladene Dateien oder verbundene MCP-Server. Verwenden Sie nur freigegebene Datensätze, minimieren Sie sensible Inhalte und prüfen Sie vor dem Teilen, welche Modell- und Aufbewahrungsregeln gelten. Tabellenwerte sind externe Daten und dürfen keine neuen Anweisungen an den Agenten sein. Tokens, Passwörter und private Schlüssel gehören niemals in Beispieldaten.

Der Nutzen liegt darin, dass Teams schneller sehen, ob eine Analyse tragfähig ist. Die Grenze liegt darin, dass ein Profil keine Kausalität beweist, keine regulatorische Freigabe ersetzt und keine Garantie für Richtigkeit liefert. Für finanzielle, medizinische, personelle oder rechtlich relevante Entscheidungen muss eine qualifizierte Fachprüfung folgen.