KI und Datenbanken: Text-to-SQL und Berichte in drei Tagen

Diese Schulung vermittelt einen praxisorientierten Arbeitsablauf von der Datenabfrage bis zum überprüften Bericht. Die Teilnehmenden erschließen relationale Datenbanken und tabellarische Dateien, formulieren Analyseaufträge für Large Language Models und prüfen KI-generierte SQL-Abfragen. Anschließend bereiten sie Ergebnisse auf und exportieren diese nachvollziehbar nach Excel und CSV. Im Mittelpunkt steht die klare Aufgabenteilung: SQL und Analysewerkzeuge berechnen Kennzahlen; das LLM unterstützt bei Abfragen, Strukturierung und Interpretation. Für standardisierte Modellantworten werden schemaorientierte Ausgabeformate eingesetzt. Entsprechende Schnittstellen unterstützen die Ausgabe nach einem vorgegebenen JSON-Schema. Seminarziel Die Teilnehmenden lernen, strukturierte Unternehmensdaten mit Unterstützung von Large Language Models zu erschließen und auswertbare Ergebnisse in Excel und CSV bereitzustellen. Sie entwickeln ein Verständnis dafür, welche Aufgaben ein Sprachmodell sinnvoll unterstützt und welche Berechnungen besser in einer Datenbank oder einem Analysewerkzeug ausgeführt werden. Ausgehend von einer vorbereiteten Beispieldatenbank untersuchen sie Tabellen, Beziehungen und Datenqualität. Sie übersetzen fachliche Fragestellungen in eindeutige Analyseaufträge und verwenden ein LLM zur Erstellung beziehungsweise Erläuterung von SQL-Abfragen. Die erzeugten Abfragen werden vor der Ausführung geprüft und mit bekannten Referenzergebnissen verglichen. Ein weiterer Schwerpunkt liegt auf strukturierten Modellantworten. Die Teilnehmenden definieren Felder, Datentypen und Pflichtangaben und prüfen, ob Antworten sowohl formal als auch fachlich verwendbar sind. Sie unterscheiden dabei zwischen einer korrekt aufgebauten Ausgabe und einer inhaltlich richtigen Aussage. Im anschließenden Reporting bereiten sie Abfrageergebnisse auf, ergänzen geprüfte Erläuterungen und erstellen Excel-Arbeitsmappen sowie CSV-Dateien. Sie berücksichtigen Datumsformate, Dezimaltrennzeichen, fehlende Werte und den Erhalt von Identifikationsnummern. Zum Abschluss entsteht ein dokumentierter Analyseablauf mit begrenzten Datenbankrechten, definierten Prüfschritten und nachvollziehbaren Exporten. Das Ziel ist ein belastbarer Prototyp für betriebliche Anwendungen – keine unkontrollierte autonome Auswertung produktiver Datenbestände.

Kursinhalt

• Tag 1: Datenquellen verstehen und SQL-Abfragen mit LLM-Unterstützung erstellen
• Grundlagen: Wie arbeiten LLM und Datenbank zusammen?
  • Aufgabenverteilung zwischen Sprachmodell, Datenbank und Analysewerkzeug.
  • Strukturierte Daten, relationale Tabellen und tabellarische Dateien.
  • Typische Anwendungsfälle: Kennzahlenberichte, Bestandsanalysen und Vertriebsübersichten.
  • Grenzen von LLM bei Zahlen, Vollständigkeit und fachlicher Interpretation.
  • Abgrenzung zwischen Datenanalyse, Prognose und textlicher Zusammenfassung.
  • Überblick über lokale Modelle und API-basierte LLM-Anbindungen.
• Datenquellen erschließen und Datenstrukturen beschreiben
  • Eine vorbereitete relationale Beispieldatenbank kennenlernen.
  • Tabellen, Spalten, Datentypen und Schlüssel untersuchen.
  • Beziehungen zwischen Tabellen nachvollziehen.
  • CSV- und Excel-Dateien als ergänzende Quellen einlesen.
  • Datenherkunft, Aktualität und fachliche Bedeutung dokumentieren.
  • Ein kompaktes Datenwörterbuch für Analyseaufträge erstellen.
• Fachliche Fragen in eindeutige Analyseaufträge übersetzen
  • Analyseziel, Zeitraum und gewünschte Detailtiefe festlegen.
  • Kennzahlen eindeutig definieren.
  • Filter, Gruppierungen und Vergleichszeiträume beschreiben.
  • Mehrdeutige Begriffe wie „Umsatz“, „Kunde“ oder „aktiver Vertrag“ klären.
  • Erwartete Ergebnisstruktur vorgeben.
  • Rückfragen bei unvollständigen Anforderungen einplanen.
• Text-to-SQL: Abfragen erstellen, prüfen und ausführen
  • Dem LLM ein begrenztes Datenbankschema bereitstellen.
  • SQL-Abfragen zu fachlichen Fragestellungen erzeugen lassen.
  • Filter, Joins, Gruppierungen und Aggregationen überprüfen.
  • SQL-Dialekte und systemspezifische Unterschiede berücksichtigen.
  • Fehlerhafte Abfragen anhand konkreter Rückmeldungen überarbeiten.
  • Abfragen ausschließlich gegen eine vorbereitete Laborumgebung ausführen.
  • Lesende Berechtigungen, Ergebnisbegrenzungen und Freigaben vorsehen.
• Praxisübung
• Tag 2: Strukturierte Datenanalyse mit LLM und validierte Ausgaben
• Datenqualität vor der Analyse prüfen
  • Fehlende Werte und unvollständige Datensätze erkennen.
  • Dubletten und widersprüchliche Angaben untersuchen.
  • Datums-, Zahlen- und Kategorienformate vereinheitlichen.
  • Auffällige Werte anhand definierter Regeln kennzeichnen.
  • Bereinigungsschritte nachvollziehbar dokumentieren.
  • Originaldaten und bearbeitete Daten getrennt halten.
• Kennzahlen berechnen und Ergebnisse interpretieren
  • Summen, Anteile, Durchschnittswerte und Veränderungen berechnen.
  • Zeiträume und Gruppen vergleichen.
  • Auffällige Entwicklungen anhand von Regeln identifizieren.
  • Berechnete Kennzahlen an das LLM zur Erläuterung übergeben.
  • Beobachtungen von vermuteten Ursachen unterscheiden.
  • Nicht belegbare Aussagen und überzogene Schlussfolgerungen erkennen.
• Strukturierte Modellantworten definieren
  • Freitext, JSON und tabellarische Ausgaben unterscheiden.
  • Felder, Datentypen und Pflichtangaben festlegen.
  • Ein einfaches JSON-Schema erstellen.
  • Zulässige Kategorien und den Umgang mit fehlenden Angaben definieren.
  • Schemaunterstützung der eingesetzten Schnittstelle prüfen.
  • Modellantworten automatisiert einlesen und validieren.
• Analyseergebnisse fachlich absichern
  • Ergebnisse mit Referenzabfragen vergleichen.
  • Zeilenanzahl, Summen und Vollständigkeit kontrollieren.
  • Unbelegte Aussagen kennzeichnen oder verwerfen.
  • Datenstand, Filter und Berechnungsregeln mitführen.
  • Wiederholte Analysen anhand derselben Testfragen vergleichen.
  • Fehlerfälle und nicht beantwortbare Fragen behandeln.
• Praxisübung
• Tag 3: Ergebnisse in Excel und CSV ausgeben und Abläufe automatisieren
• Daten für den Export vorbereiten
  • Einheitliche Spaltennamen und eine feste Spaltenreihenfolge definieren.
  • Zahlen, Datumswerte und Texte korrekt zuordnen.
  • Führende Nullen bei Identifikationsnummern erhalten.
  • Fehlende Werte eindeutig behandeln.
  • Rohdaten, Kennzahlen und KI-Kommentare voneinander trennen.
  • Exportumfang und zulässige Inhalte festlegen.
• CSV-Dateien zuverlässig erstellen
  • Trennzeichen, Zeichencodierung und Dezimalzeichen abstimmen.
  • Anführungszeichen, Sonderzeichen und Zeilenumbrüche behandeln.
  • Eindeutige Spaltenüberschriften verwenden.
  • CSV-Dateien nach dem Export erneut einlesen.
  • Datentypen, Datensatzanzahl und Kontrollsummen vergleichen.
  • Unbeabsichtigte Interpretation von Text als Tabellenformel im Prüfkonzept berücksichtigen.
• Strukturierte Excel-Berichte erstellen
  • Ergebnisse in eine XLSX-Arbeitsmappe schreiben.
  • Separate Tabellenblätter für Daten, Kennzahlen und Erläuterungen anlegen.
  • Zahlen- und Datumsformate festlegen.
  • Überschriften, Filter und Spaltenbreiten aufbereiten.
  • Datenstand und Analyseparameter ergänzen.
  • Einen einfachen Überblick mit Kennzahlen und Diagramm vorbereiten.
• Einen wiederholbaren Analyseablauf aufbauen
  • Datenabfrage, Berechnung, LLM-Auswertung und Export verbinden.
  • Zeitraum, Filter und Ausgabeverzeichnis als Parameter definieren.
  • Fehlerbehandlung und Protokollierung vorsehen.
  • Zugangsdaten außerhalb der Analyseanweisungen verwalten.
  • Freigaben vor Veröffentlichung oder Weitergabe einplanen.
  • Modell, Prompt, Abfrage und Datenstand dokumentieren.
• Abschlussprojekt

Zielgruppe

Diese Schulung richtet sich an IT-Fachkräfte und Datenbankverantwortliche, Mitarbeitende aus Controlling, Reporting und Business Intelligence, Datenanalysten, technisch orientierte Fachanwender, Projektverantwortliche für KI-gestützte Auswertungen und Prozessautomatisierung und Mitarbeitende aus Vertrieb, Marketing und Verwaltung mit regelmäßigem Analysebedarf.

Voraussetzungen

grundlegende Kenntnisse im Umgang mit Tabellen und strukturierten Daten. SQL-Grundkenntnisse sind empfehlenswert. Für die technischen Übungen werden vorbereitete Python-Skripte und Notebooks eingesetzt; einfache Programmierkenntnisse erleichtern die Anpassung.