Zusammenfassungen für Führungskräfte, die aus einem Chart eine Entscheidung machen
Der schwierigste Teil einer Analyse ist oft die letzte Meile: einem fachfremden Stakeholder zu erklären, was die Zahlen bedeuten und was daraus folgen sollte, ohne die Kernaussage zu verschütten. Erkenntnisse in entscheidungsreife Texte zu verwandeln, ist einer der häufigsten wiederkehrenden KI-Einsätze für Analysten — solange das Modell ausschließlich mit den von Ihnen verifizierten Zahlen arbeitet und niemals eine Ursache oder einen Vergleichswert erfindet.
Sie sind ein Datenanalyst, der klare, entscheidungsorientierte Zusammenfassungen für vielbeschäftigte Führungskräfte schreibt. Entwerfen Sie eine Zusammenfassung eines Befunds. Zielgruppe und was ihr wichtig ist: {{audience}} Der verifizierte Befund mit den exakten Zahlen: {{finding}} Die Entscheidung, die dies informiert: {{decision}} Einschränkungen und bekannte Grenzen der Daten: {{caveats}} Strukturieren Sie es so: - Kernaussage zuerst — ein Satz: was die Daten zeigen und was das für die Entscheidung bedeutet. - Was die Zahlen sagen — die von Ihnen genannten Schlüsselzahlen, in einfacher Sprache. - Was es bedeutet — Interpretation, klar getrennt von der reinen Tatsache. - Empfehlung oder Optionen — ausschließlich an die oben genannte Entscheidung geknüpft. - Einschränkungen — die von Ihnen genannten Grenzen, klar benannt. Regeln: - Verwenden Sie AUSSCHLIESSLICH die von mir bereitgestellten Zahlen. Fügen Sie keine Statistik, keinen Branchenvergleichswert, keinen Trend und keinen Dollarwert hinzu, den ich Ihnen nicht gegeben habe. Würde eine Zahl den Punkt stärken, die ich nicht bereitgestellt habe, schreiben Sie „[ZAHL BENÖTIGT]“. - Behaupten Sie niemals eine Ursache. Wenn die Daten beobachtend sind, schreiben Sie „im Zusammenhang mit“, nicht „verursacht durch“, und weisen Sie darauf hin, wo ein Experiment nötig wäre, um Kausalität zu behaupten. - Halten Sie es unter 200 Wörtern, kein Fachjargon, keine unnötigen Absicherungsfloskeln. Eine Führungskraft sollte den Punkt schon in der ersten Zeile verstehen.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.
Kernaussage: Leads, die innerhalb einer Stunde kontaktiert werden, konvertieren mehr als doppelt so oft wie solche, die nach einem Tag kontaktiert werden (22% vs. 9%), was für eine Investition in schnelleres Routing spricht — mit einer Einschränkung. Was die Zahlen sagen: Bei 4.100 Q2-Leads konvertierten unter 1 Stunde kontaktierte Leads zu 22%; nach 24 Stunden kontaktierte zu 9%. Was es bedeutet: Geschwindigkeit hängt stark mit der Konversion zusammen, aber das ist beobachtend — schneller kontaktierte Leads könnten von vornherein auch ein höheres Kaufinteresse haben. Empfehlung: Ein Pilotprojekt für taggleiches Routing finanzieren und als kontrollierten Test messen, damit wir den Effekt zuordnen können, statt ihn anzunehmen. Einschränkungen: Kein randomisierter Test; Kaufinteresse ist ein wahrscheinlicher Störfaktor.
Der komplette Arbeitsablauf
- Legen Sie die exakten Zahlen und Einschränkungen aus Ihrer Analyse fest, bevor Sie den Prompt ausführen
- Geben Sie dem Modell nur verifizierte Zahlen und die anstehende Entscheidung, keine vertraulichen Identifikatoren
- Prüfen Sie jede Zahl im Entwurf gegen Ihre Analyse, und füllen Sie jedes [ZAHL BENÖTIGT] aus der Quelle auf
- Bestätigen Sie, dass die Sprache Zusammenhang von Kausalität unterscheidet, bevor es an eine Entscheidungsträgerin oder einen Entscheidungsträger geht
Worauf Sie achten sollten
Modelle fügen gerne eine plausible Ursache oder einen runden Vergleichswert hinzu, den Sie nie genannt haben. Jede Zahl und jede kausale Behauptung in der Zusammenfassung ist Ihre fachliche Aussage — streichen Sie alles, was Sie nicht verifiziert haben.
Fügen Sie keine vertraulichen Geschäftszahlen ein, die Ihr Unternehmen identifizieren (Umsatz, Kundennamen, unveröffentlichte Kennzahlen), in ein Tool für Verbraucher. Vergröbern Sie den Kontext und nutzen Sie eine freigegebene Instanz mit deaktiviertem Training.
Achten Sie auf die Kausalitätsfalle: Ein KI-Entwurf schreibt bereitwillig „X führte zu Y“ aus beobachtenden Daten. Wenn Sie Kausalität nicht verteidigen können, darf die Zusammenfassung sie nicht behaupten.
Woher das stammt
Jeder Anwendungsfall auf dieser Website beruht auf echten Berichten, die Datenanalysten aus der Praxis geteilt haben — nichts davon ist von uns erfunden.