Kostenlos registrieren

Finde und untersuche Ausreißer in Tabellendaten

Autor: AILesson7 Min. EinrichtungszeitGetestet mit:ChatGPTGeprüft am: 2026-08-28

Schnelle Antwort

Kennzeichne ungewöhnliche Werte mit einer zur Verteilung passenden Methode und untersuche sie vor dem Entfernen. Angeben: Kennzahl und geschäftliche Bedeutung, Datenprofil, Untersuchung und Verwendung. Erwartetes Ergebnis: Transparente Ausreißerkennzeichnungen, Kontextprüfungen und Entscheidungen über Beibehalten, Korrigieren oder Entfernen.

1

Kontext hinzufügen

Dein Text bleibt in diesem Browser. AILesson Prompts sendet ihn nicht an ein Modell oder einen Server.

2

Dein Prompt

Nicht ausgefüllte Felder bleiben als Platzhalter sichtbar, sodass du den Prompt weiterhin kopieren und bearbeiten kannst.

Entwirf eine Ausreißeranalyse für eine Tabelle.

Kennzahl, Einheit, gültiger Wertebereich und Gruppen:
[metric]

Datenprofil und repräsentative Werte:
[distribution]

Untersuchungszweck und Richtlinie:
[policy]

Trenne unmögliche Werte, Eingabefehler, seltene, aber gültige Ereignisse und einflussreiche Beobachtungen. Wähle eine transparente, zu Schiefe und Stichprobengröße passende Methode, etwa Grenzen aus Geschäftsregeln, IQR, robuste z-Werte oder Vergleiche innerhalb von Gruppen. Gib Formeln, Schwellenwerte, ein Feld OutlierReason und einen Prüfablauf zurück. Lösche oder winsorisiere Werte nicht automatisch. Zeige, wie sich Schlussfolgerungen mit und ohne gekennzeichnete Beobachtungen ändern und wie jede Zeile auf Quellnachweise zurückgeführt werden kann.
Im Playground ausprobieren
Standardmäßig privatDer Prompt wird lokal in deinem Browser zusammengestellt. Gib keine vertraulichen Informationen in einen KI-Dienst ein, es sei denn, deine Organisation erlaubt dies.

Von der Eingabe zum Ergebnis

Ein ausgearbeitetes Beispiel

Sieh dir an, wie konkreter Kontext dieses Rezept in ein nutzbares Ergebnis verwandelt.

Tatsächliche Eingabe

Kennzahl und geschäftliche Bedeutung
OrderValue in GBP, nicht negativ. Typische Bestellgröße nach CustomerType analysieren, da Wholesale-Bestellungen normalerweise größer als Retail-Bestellungen sind.
Datenprofil
2.400 Bestellungen. Retail n=2.100: Q1 28 £, Median 46 £, Q3 72 £, Maximum 8.400 £. Wholesale n=300: Q1 410 £, Median 690 £, Q3 1.100 £, Maximum 12.500 £. Drei Werte sind negativ; eine Retail-Zeile beträgt 8.400 £; mehrere Wholesale-Zeilen übersteigen 4.000 £.
Untersuchung und Verwendung
Datenfehler finden und verstehen, ob extreme Bestellungen den Durchschnitt verzerren. Jede Bestellung kann anhand einer Rechnung geprüft werden. Eine gültige Großbestellung nicht entfernen.

Beispielausgabe

Wende zuerst die Geschäftsregel für nicht negative Werte an: Alle drei negativen Werte sind ungültig und erfordern eine Korrektur anhand der Rechnung oder Quelle. Erkenne ungewöhnliche Werte innerhalb von CustomerType, nicht über die gemischte Grundgesamtheit hinweg.

Für Retail beträgt der IQR 72−28 = 44 und die obere Grenze 72+1,5×44 = 138 £. Dadurch werden bewusst viele hohe Retail-Bestellungen zur Untersuchung gekennzeichnet, nicht zum Löschen. Für Wholesale beträgt der IQR 690 und die obere Grenze 2.135 £. Füge Gruppenquartile in einer Übersichtstabelle und eine Spalte OutlierReason hinzu, die Negative-invalid, Above-group-IQR und Not-flagged unterscheidet.

Die Retail-Bestellung über 8.400 £ ist äußerst ungewöhnlich; prüfe Kundentyp, Dezimalstelle, Währung, Duplikate und Rechnung. Falls sie bestätigt wird, als Rare-valid beibehalten und ihren Einfluss erläutern. Wholesale-Bestellungen über 4.000 £ erhalten dieselbe Quellenprüfung, dürfen aber nicht mit dem Retail-Schwellenwert verglichen werden.

Berichte Median und IQR als primäre Statistiken der typischen Größe. Zeige den durchschnittlichen Bestellwert einmal mit allen gültigen Zeilen und in einer Sensitivitätsanalyse nochmals ohne Rare-valid-Zeilen, während der offizielle Gesamtumsatz unverändert bleibt. Erfasse OrderID, Kennzeichnung, geprüften Nachweis, Entscheidung, prüfende Person und Datum für jede geänderte Klassifizierung.

Warum das funktioniert

  1. 1

    Die Trennung ungültiger von ungewöhnlichen Werten verhindert, dass berechtigte Ereignisse mit hoher Auswirkung verschwinden.

  2. 2

    Sensitivitätsergebnisse zeigen, ob wenige Beobachtungen die Schlussfolgerung bestimmen.

Ergebnis prüfen

  • Passt die Erkennungsmethode zur Verteilung und Gruppierung der Kennzahl?

  • Sind unmögliche, fehlerhafte und seltene, aber gültige Werte getrennt gekennzeichnet?

  • Ist jede Korrektur durch einen Quellnachweis belegt?

Sicher nutzen

Häufig gestellte Fragen

Praktische Antworten dazu, wann du dieses Rezept verwenden solltest, was du bereitstellen solltest und wo menschliche Prüfung weiterhin wichtig ist.

Was sollte ich vorbereiten, bevor ich „Finde und untersuche Ausreißer in Tabellendaten“ verwende?

Bereite für „Finde und untersuche Ausreißer in Tabellendaten“ die Kennzahl und geschäftliche Bedeutung, das Datenprofil sowie Untersuchung und Verwendung vor. Ersetze Platzhalter nur durch Informationen, die du überprüfen kannst. Wenn ein Detail unbekannt ist, halte diese Unsicherheit ausdrücklich fest, statt das Modell zu einer Schlussfolgerung aufzufordern.

Wann ist das Ergebnis von „Finde und untersuche Ausreißer in Tabellendaten“ noch nicht einsatzbereit?

Das Ergebnis ist noch nicht einsatzbereit, wenn es anhand der bereitgestellten Nachweise das erklärte Ziel – transparente Ausreißerkennzeichnungen, Kontextprüfungen und Entscheidungen über Beibehalten, Korrigieren oder Entfernen – noch nicht erreicht oder wenn es auf ungeklärten Annahmen, fehlenden Genehmigungen oder erfundenen Details beruht. Nutze die Prüfungen als Freigabekriterien: Überarbeite die Ausgangsinformationen oder benenne eine namentlich bekannte, befugte prüfende Person, statt ein nicht belegtes Ergebnis lediglich sprachlich zu verfeinern.

Für welche KI-Tools sind Tests von „Finde und untersuche Ausreißer in Tabellendaten“ dokumentiert?

Im veröffentlichten Testprotokoll für „Finde und untersuche Ausreißer in Tabellendaten“ ist mit Stand vom 28.08.2026 ChatGPT aufgeführt. Dies bestätigt dokumentierte Testläufe, garantiert aber weder die Kompatibilität noch identische Ergebnisse in späteren Produktversionen. Halte bei einem anderen Tool oder einer anderen Version sämtliche Einschränkungen sichtbar und wiederhole vor der Verwendung die Ergebnisprüfungen.

Weitere Möglichkeiten zum Entdecken

Wo dieses Rezept hineinpasst

Text-PromptsDatenanalyseExcel & Tabellenkalkulationen

Bring die Arbeit voran

AILesson · Empfohlene Kurse

Dein nächster Schritt: KI einsetzen

Vom Verstehen von KI zum Erledigen von Aufgaben. Übe Prompting, das Überprüfen und das Verbessern von Ergebnissen in interaktiven Lektionen für Arbeit und Alltag.

Alle Kurse entdecken
Titelbild von KI für Einsteiger

15 interaktive Lektionen

KI für Einsteiger

Beginne ein nützliches KI-Gespräch, verbessere die Antwort, prüfe das Wesentliche und erkenne, wann du selbst als Nächstes handeln musst.

Diesen Kurs entdecken
Titelbild von Grundlagen von ChatGPT

10 interaktive Lektionen

Grundlagen von ChatGPT

Lerne ChatGPT anhand von drei praktischen Abläufen kennen: Schließe einen ersten Chat ab, arbeite mit einer Datei und übernimm danach mit Projects einen geprüften Plan in einen neuen Chat.

Diesen Kurs entdecken
Titelbild von Wie generative KI funktioniert

7 interaktive Lektionen

Wie generative KI funktioniert

Verstehe, wie gängige KI-Chats Sprachmuster lernen, Nachrichten aus dem aktuellen Gespräch nutzen, Antworten erzeugen und Quellen sowie Werkzeuge einbinden.

Diesen Kurs entdecken