Datenaufbereitung mit KI-Assistenz: Schnell & intuitiv Daten mergen & transformieren
08.07.2025
Transkript anzeigen
Hallo! Für die Aufbereitung von Zeitreihen benutze ich in future den CHECK-IN. Der CHECK-IN erfordert, dass die Daten nur in einer einzigen Datei stecken. Falls die Rohdaten noch in mehreren Tabellen vorliegen, müssen die Dateien noch ins richtige Format gebracht werden. Ich zeige dir in diesem Video, wie du mit zwei vorbereiteten Hilfestellungen einfach und bequem deine Daten in das richtige Format transformierst.
Dafür stellen wir ein Prompt-Template und ein Jupyter-Notebook bereit. Wie man das am einfachsten nutzen kann, zeige ich jetzt direkt.
Ich starte mit einem KI-Chatbot wie zum Beispiel ChatGPT, Gemini oder einem unternehmensinternen Chatbot. Für dieses Video nutze ich jetzt Gemini. Dabei musst du dem Chatbot nicht deine kompletten Daten eingeben, sondern er wird dich im Dialog die nötigen Informationen zur Struktur deiner Daten wie zum Beispiel Datei- und Spaltennamen fragen. Hier solltest du darauf achten, dass diese Bezeichnung keine vertraulichen Informationen enthalten, sofern du kein extra dafür freigegebenes System nutzt.
So sieht es dann aus. Du übergibst das vorbereitete Template per Copy und Paste dem Chatbot. Anschließend startet er mit den Fragen. Zunächst fragt er dich, wie deine Dateien heißen. Du nimmst dann am besten direkt den Dateipfad und fügst ihn ein. Ich nenne jetzt die erste Datei ORDR. Dann gebe ich noch die zweite Datei mit an.
Der Chatbot bestätigt kurz, was er verstanden hat und das ist der große Vorteil an diesem Interviewansatz. Wenn etwas unklar ist, kann der Chatbot direkt nachfragen und du kannst antworten. Und andersherum, wenn unklar ist, was der Chatbot von einem wissen möchte, kann man ebenfalls nachfragen.
Ich wechsle jetzt mal in einen Chat, in dem ich alles durchgegangen bin. Nachdem wir hier also alle Fragen beantwortet haben, erstellt der Chatbot ein fertiges Python-Script. Er gibt uns auch noch ein paar Tipps, wie ich damit umgehen kann und erklärt, was er im Hintergrund gemacht hat. Diesen Code-Block kannst du einfach rauskopieren, nachdem du es überprüft hast.
Damit kommen wir auch zu Werkzeug Nummer 2, unserem dafür erstellten Notebook. Hier fügst du das Code-Snippet ein, klickst auf das Ausführen-Symbol und bekommst direkt eine Rückmeldung. In unserem Fall hat auch alles direkt geklappt. Das Ergebnis ist eine einzige vorbereitete Datei. Damit können wir direkt mit unseren Forecasts loslegen.
Wie du die Forecasts dann genau erstellst, zeigen wir dir in einem anderen verlinkten Video. Oder du schnappst dir ein weiteres Notebook, das zu deinem Fall am besten passt. Für den Einstieg zum Beispiel das Getting-Started Notebook oder auch eine der Use-Case-Vorlagen zu Sales- oder Demand-Forecasts.
Kleiner Zusatz noch für alle, die lieber das Template mit den Infos direkt befüllen: Du findest das Template im Ordner Notebooks und dann unter Prompt-Templates. Das ist im Grunde eine Textvorlage, die dem Chatbot seine Aufgabe erklärt. Anstatt das Interview zu führen, könntest du dieses Template auch manuell mit deinen Informationen befüllen und es direkt an den Chatbot schicken. Wir finden den Interviewansatz aber intuitiver und für uns hat dieser Ansatz auch sehr gut funktioniert. Deshalb wollten wir es dir auch an die Hand geben.
Wir freuen uns über dein Feedback. Bei Fragen kannst du dich jederzeit über support@future-forecasting.de an uns wenden.
Viel Spaß beim Forecasting!
Deine Daten schnell mit KI-Unterstützung für den CHECK-IN aufbereiten
Hier findest du die Anleitung zu unserem Video-Tutorial, das dir zeigt, wie du Daten aus mehreren Dateien bzw. Tabellen schnell und einfach in das richtige Tabellenformat für den CHECK-IN aufbereitest, ohne dich in die Details des erforderlichen Datenformats einzuarbeiten. Ein KI-Chatbot unterstützt dich dabei, ein für deine Daten passendes Python-Skript zu erstellen.
Diese Aufbereitung ist die Grundlage für eine automatisierte Prognoseerstellung mit futureEXPERT und kann auch als Basis für eine individuelle Anbindung deiner Daten dienen.
Inhaltsverzeichnis
- Dein Starter-Kit für die Datenaufbereitung: Die Werkzeuge
- Der Datenaufbereitungs-Workflow in Kürze
- Schritt 1: Das Interview mit dem KI-Chatbot
- Schritt 2: Code generieren und überprüfen
- Schritt 3: Code ausführen und Ergebnis erhalten
- Nächste Schritte: Deine Prognose erstellen
- Alternative für Profis: KI-Template direkt befüllen
- Weiterführende Hilfe & Infos
Dein Starter-Kit für die Datenaufbereitung: Die Werkzeuge
Für die Transformation deiner Daten stellen wir dir kostenlos zwei Hilfsmittel zur Verfügung, die du direkt im GitHub-Repo von futureEXPERT findest:
- Ein Prompt-Template: Eine Vorlage, die einem KI-Chatbot (z.B. Github Copilot, ChatGPT, Gemini) seine Aufgabe genau erklärt und anleitet, dir die richtigen Fragen zu stellen.
- Ein Jupyter-Notebook zur flexiblen Datenvorbereitung: Eine interaktive Umgebung, die dich durch den Workflow führt & in der du das vom Chatbot generierte Python-Skript direkt ausführen kannst.
Der Datenaufbereitungs-Workflow in Kürze
Der gesamte Datenaufbereitungsprozess mit KI-Assistenz lässt sich in drei Kernschritte zusammenfassen:
1. Prompt an Chatbot übergeben & Fragen beantworten ➡️ 2. Python-Code erhalten & prüfen ➡️ 3. Code im Notebook ausführen
Schritt 1: Das Interview mit dem KI-Chatbot (0:32)
Starte einen Dialog mit einem Chatbot deiner Wahl. Ziel ist es, ihm die Struktur deiner Daten zu erklären, ohne die eigentlichen Dateninhalte teilen zu müssen.
- Prompt-Template verwenden: Kopiere den Inhalt der Vorlage (
PromptTemplate.docx) und füge ihn in den Chat ein. - Metadaten bereitstellen: Der Chatbot startet nun ein Interview. Beantworte seine Fragen zu den Metadaten deiner Dateien, also zum Beispiel zu Datei- und Spaltennamen. Dabei bleiben deine eigentlichen Rohdaten privat.
Tipp: Der interaktive Dialog ist die große Stärke dieses Ansatzes. Wenn etwas unklar ist, fragt der Chatbot nach und du kannst antworten – und umgekehrt.
Schritt 2: Code generieren und überprüfen (1:46)
Nachdem der Chatbot alle Informationen hat, erstellt er ein für deine Datenanforderungen passendes Python-Skript.
- Code generieren lassen: Warte, bis der Chatbot den vollständigen Python-Codeblock erstellt hat.
- Generierten Code überprüfen: Behandle das Skript wie einen Entwurf. Überprüfe es auf Korrektheit, Sicherheit und ob es deinen internen Richtlinien entspricht. Dies ist ein entscheidender Schritt, für den du verantwortlich bist.
Schritt 3: Code ausführen und Ergebnis erhalten (2:11)
Führe das geprüfte Skript im Jupyter-Notebook aus, um deine Dateien umzuwandeln.
- Code einfügen: Öffne das
ai_assisted_data_transformation_for_checkin.ipynbNotebook und füge den kopierten Code in die dafür vorgesehene Zelle ein. - Code ausführen: Klicke auf das „Ausführen“-Symbol (▶) der Zelle.
- Ergebnis prüfen: Der Code sollte nun eine einzige, aufbereitete
.csv-Datei im richtigen Format erzeugt haben.
Nächste Schritte: Deine Prognose erstellen
Mit deiner aufbereiteten Datei kannst du direkt loslegen:
- Nutze die Datei als Input für die Erstellung von Zeitreihen mit dem CHECK-IN, ganz flexibel, wie sie für deinen Anwendungsfall am besten sind.
- Lerne in unserem Getting-Started-Video und dem Jupyter-Notebook für den schnellen Einstieg, wie du deine ersten Forecasts erstellst.
- Folge einer unserer Use-Case-Anleitungen, zum Beispiel für Sales- oder Demand-Forecasting.
Alternative für Profis: KI-Template direkt befüllen (2:49)
Wenn du das Interview überspringen möchtest, kannst du die Informationen auch direkt im Template eintragen.
- Öffne die
PromptTemplate.docx-Datei in einem Texteditor. - Trage die Informationen zu deinen Dateien (Pfade, Spalten etc.) manuell an den vorgesehenen Stellen ein.
- Kopiere das vollständig ausgefüllte Template an den Chatbot, um den Code direkt zu erhalten.
Weiterführende Hilfe & Infos
Eine Erklärung zu wichtigen Fachbegriffen aus diesem Workflow findest du in unserem Forecasting-Wiki:
- Was ist eine Zeitreihe, Granularität oder Aggregation?
- Was ist Forecasting?
Fragen, Probleme oder Ideen?
Dein Feedback hilft uns, future noch besser zu machen! Wende dich jederzeit per Mail an uns: support@future-forecasting.de oder erstelle einfach ein Issue auf GitHub.
Viel Erfolg beim Forecasting!