Data Analysis

• Sie müssen einen KPI debuggen, einen Metrik-Ausreißer untersuchen oder erklären, warum sich eine Zahl verändert hat.
• Sie führen einen A/B-Test, eine Kohortenanalyse oder eine Funnel-Überprüfung durch und benötigen eine statistisch fundierte Interpretation – nicht nur eine rohe Zahl.
• Sie bereiten einen Executive Report oder ein Stakeholder-Briefing vor und benötigen Erkenntnisse, die als Entscheidungsgrundlage formuliert sind – nicht als bloße Datenmenge.
• Sie arbeiten mit SQL, Python-Notebooks, Tabellenkalkulationen oder BI-Tool-Exporten, und der schwierige Teil ist das analytische Urteilsvermögen: Was gemessen werden soll, wie es verglichen werden soll und was es tatsächlich bedeutet.

• Du brauchst nur mechanische Tabellenkalkulations-Formatierung oder reine SQL-Syntaxhilfe ohne analytische Ebene — die ergänzenden Skills sql oder csv könnten ausreichen.
• Du musst ein Live-Dashboard oder eine Reporting-Pipeline aufbauen oder konfigurieren; ziehe stattdessen die Skills dashboard oder business-intelligence in Betracht.
• Die Datenqualität ist zu schlecht oder die Stichprobengröße zu klein, um zuverlässige Schlussfolgerungen zu unterstützen — Data Analysis wird dies kennzeichnen und nicht gestützte Schlussfolgerungen blockieren, anstatt falsches Vertrauen zu erzeugen.

Bevor Daten überhaupt berührt werden, verankert Data Analysis jede Analyse in einer konkreten Entscheidung: Wer ist dafür verantwortlich, was würde sich ändern, wenn das Ergebnis X statt Y ist, und welcher Zeitrahmen ist relevant? Eine Analyse ohne klare Entscheidungsgrundlage gilt als unvollständig.

Jede Berechnung ist an einen expliziten Metrik-Vertrag gebunden: Entität, Granularität, Zähler, Nenner, Zeitfenster, Zeitzone, Filter, Ausschlüsse und maßgebliche Datenquelle. Unklarheiten werden aufgezeigt, bevor Ergebnisse präsentiert werden, um eine schleichende Abweichung von Definitionen zu verhindern.

Die Fähigkeit Data Analysis überprüft die Ausreichendheit der Stichprobengröße, faire Vergleichsgruppen, das Risiko multipler Vergleiche, praktische vs. statistische Signifikanz sowie die Quantifizierung von Unsicherheiten. Ergebnisse werden als Spannen präsentiert (z. B. „12–18 % Uplift") anstatt als falsche Punktschätzungen.

Die Fähigkeit ordnet analytische Fragen der richtigen Methode zu: Hypothesentests für Vergleiche, Regression für Vorhersagen, Kohortenanalyse für die Kundenbindung, Segmentierung für Gruppenunterschiede und Anomalieerkennung für ungewöhnliche Muster – jeweils mit den korrekten wichtigsten Ausgaben.

Jedes Ergebnis ist wie folgt strukturiert: Antwort, Belege, Konfidenzniveau, Vorbehalte und empfohlene nächste Maßnahme. Stakeholder-orientierte Ausgaben übersetzen technische Erkenntnisse in geschäftliche Auswirkungen, anstatt mit der Methodik zu beginnen.

Die Skill markiert aktiv Analysefallen wie wiederverwendete KPI-Namen nach Definitionsänderungen, das Mischen von Aggregationsebenen in einem Diagramm, die Darstellung von Prozentwerten ohne zugrundeliegende Zählwerte sowie nachträgliches Narrativ-Hunting – bevor diese eine Entscheidung verfälschen.

Verwende diese Fähigkeit nach der Durchführung eines Produktexperiments, um die Stichprobengröße zu validieren, Neuheitseffekte zu überprüfen, die Effektgröße mit Konfidenzintervallen zu berechnen und einen Stakeholder-Bericht zu erstellen, der angibt, ob das Ergebnis entscheidungsreif ist oder weiterer Tests bedarf.

Wenn sich eine wichtige Kennzahl unerwartet verändert, führt die Data Analysis-Skill durch die Überprüfung des Metrik-Vertrags, die Segmentzerlegung, die Zeitkorn-Konsistenz und Störvariablen-Prüfungen, um festzustellen, ob die Veränderung ein echtes Signal oder ein Artefakt aus Definitions- oder Datenqualitätsproblemen ist.

Wandle rohe Abfrageergebnisse oder Notebook-Ausgaben in strukturierte Entscheidungsbriefings um – beginnend mit der zentralen Erkenntnis, Quantifizierung der Unsicherheit, Angabe dessen, was die Daten nicht aussagen können, und Empfehlung der nächsten Maßnahme – geeignet für Führungskräfte oder funktionsübergreifende Stakeholder.

Analysiere, wie sich verschiedene Nutzerkohorten im Laufe der Zeit verhalten, erstelle Retention-Kurven aufgeschlüsselt nach Akquisitionszeitraum oder Segment, und beurteile, ob beobachtete Unterschiede statistisch bedeutsam sind oder innerhalb des Rauschens liegen.