Katalog / Aufbereitung von Daten und Wissen / PREP-011

Tabellendaten in saubere, maschinenlesbare Tabellen umstrukturieren

Excel-Dateien im Präsentationsstil (verbundene Zellen, gestapelte Kopfzeilen, Farbcodes, Kommentare in Zellen) in saubere Tabellen oder eine kleine Datenbank überführen, die BI-Werkzeuge und KI zuverlässig nutzen können.

Schneller Erfolg: bewährt, überschaubarer Aufwand, erste Ergebnisse nach Wochen, geringes regulatorisches Risiko.

Bausteine für den EigenbetriebAgenten & AutomatisierungProgrammierassistentSprachmodell

Das meiste Wissen im Mittelstand steckt in Excel-Dateien, die zum Anschauen gebaut wurden: verbundene Kopfzellen, ein Block pro Monat, Zwischensummen mittendrin, „rot = überfällig“, eine Anmerkung in Spalte K. Weder ein BI-Werkzeug noch ein KI-Assistent kann das zuverlässig lesen. Die Lösung ist überwiegend deterministisches Umformen (Power Query, ein kleines Skript); ein LLM hilft dabei, den Transformationscode zu schreiben und zu erklären. Das Ergebnis ist eine saubere Tabelle, die sich aktualisieren, abfragen und für KI nutzen lässt.

Problem & Nutzen

  • Heute: Eine Controllerin oder ein Büroleiter baut denselben Bericht jeden Monat per Copy-and-paste neu. Formeln brechen, wenn jemand eine Spalte einfügt. Fragen an einen Chat-Assistenten zu solchen Dateien liefern falsche Summen, weil das Modell Kopfzeilen nicht von Daten und Zwischensummen nicht von Zeilen unterscheiden kann.
  • Nutzen: Eine aktualisierbare Pipeline ersetzt wiederholte Handarbeit, Zahlen werden über Monate hinweg vergleichbar, und dieselbe Tabelle speist Dashboards, SQL-Abfragen und KI-Werkzeuge. Das ist typischerweise der günstigste Schritt zur Datenreife mit dem sichtbarsten Ergebnis.
  • Prinzip: „Tidy Data“ heißt: Jede Variable ist eine Spalte, jede Beobachtung eine Zeile und jede Art von Beobachtungseinheit eine Tabelle, nahe am normalisierten Datenbankentwurf [1]. Die Einsparung hängt davon ab, wie viele Dateien Sie neu aufbauen und wie oft.

Varianten

  • Kreuztabelle zu Langformat: Monate oder Produkte als Spalten werden zu einer Zeile je Monat und Produkt (Unpivot) [2].
  • Blätter im Berichtsstil: mehrere Blöcke, Titel und Zwischensummen; Blöcke extrahieren, Summen entfernen und neu berechnen.
  • Codierte Bedeutung: Farbe oder Kommentare werden zu eigenen Spalten („Status“, „Bemerkung“).

So funktioniert es

  1. Tabellenkalkulationen (Dateifreigabe / SharePoint / Drive)
  2. Layout profilieren (Blätter, Kopfzeilen, verbundene Zellen, Farben)
  3. LLM schlägt Transformation vor (Power Query M / Python) anhand von Kopfzeilen + 5 Beispielzeilen
  4. Mensch prüft und führt sie aus; Summen mit dem Original abgeglichen
  5. aufgeräumte Tabelle (Parquet/CSV/SQLite/Postgres) + Datenwörterbuch + Ausschussprotokoll
  6. geplante Aktualisierung (Power Automate / n8n)
  7. BI, Suche, KI-Assistent
  • Deterministischer Kern: Die Transformation selbst ist Code, kein Modellraten. Power Query zeichnet jeden Schritt auf und führt ihn bei der Aktualisierung erneut aus; die Option „Andere Spalten entpivotieren“ erfasst auch später hinzugefügte Spalten [2]. Python (pandas, openpyxl) oder DuckDB, das .xlsx-Bereiche direkt liest, decken ab, was Power Query nicht kann [3].
  • Rolle des LLM: Es entwirft den M- oder Python-Code, schlägt Spaltennamen und Datentypen vor und markiert verdächtige Zellen. Es braucht nicht Ihre vollständigen Daten, nur die Struktur und einige anonymisierte Zeilen.
  • Mensch-in-der-Schleife (Human-in-the-Loop): Eine fachlich verantwortliche Person bestätigt die Bedeutung der Spalten und prüft, ob die Summen mit der Quelle übereinstimmen, bevor die Tabelle live geht.

Datenaufbereitung

Welche Daten: die Tabellen selbst sowie das Wissen in den Köpfen der Beschäftigten (was eine Farbe oder Abkürzung bedeutet).

Wo sie liegen: Dateiablagen, SharePoint/OneDrive, Google Drive, E-Mail-Anhänge, ERP-Exporte (DATEV-, SAP-, Business-Central-Exporte als CSV/Excel).

Typische Lücken: verbundene Zellen, Datumsangaben als Text, Dezimalkomma statt Dezimalpunkt, gemischte Einheiten, derselbe Kunde in fünf Schreibweisen, ausgeblendete Blätter, Makros, Verknüpfungen zu anderen Arbeitsmappen, personenbezogene Daten in unerwarteten Spalten.

Aufbereitungsschritte: 1. 3 bis 5 besonders wichtige Dateien auswählen (Inventar aus PREP-003 und PREP-001 nutzen). 2. Das Zielschema festhalten: Spalten, Datentypen, zulässige Werte, Schlüssel (Definitionen siehe PREP-012). 3. Die Transformation an einer Datei aufbauen und dann an drei älteren Versionen derselben Datei testen. 4. Farb- und Kommentarinformationen in eigene Spalten überführen. 5. Summen mit dem Original abgleichen und abgelehnte Zeilen protokollieren. 6. Die Ausgabe zentral ablegen und Zugriffsrechte setzen (PREP-023); personenbezogene Spalten pseudonymisieren, wenn die Daten an externe KI gehen (PREP-022).

Werkzeuge: Excel Power Query (in Microsoft 365 und Excel 2016+ enthalten), Power BI Desktop, LibreOffice, Python mit pandas/openpyxl, DuckDB, OpenRefine, SQLite oder PostgreSQL.

Grober Aufwandsanteil: mittel; oft der größte Einzelschritt in tabellenbasierten Analyse- oder RAG-Projekten. Die Bereinigung von Dubletten und Stammdaten ist eine eigene Aufgabe (DATA-003). Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

  • KMU - Weg C: Die Arbeit besteht überwiegend aus Open-Source- oder bereits lizenzierten Werkzeugen (Power Query, Python, DuckDB, n8n), die auf einem normalen PC oder HW1-Server laufen. Tabellen enthalten oft Kunden-, Personal- oder Preisdaten; ein lokales Modell wie Qwen oder Llama über Ollama, das den Code schreibt, hält die Daten im Haus, und derselbe Stack bedient PREP-003, PREP-010 und DATA-003 (Baukasten-Effekt).
  • Großunternehmen - Weg B: viele Dateien, viele Verantwortliche; ein Cloud-Code-Modell über die EU-Region einer freigegebenen Plattform innerhalb einer gesteuerten Datenpipeline (dbt, Fabric, Databricks) verwenden.
  • Entwickler - Weg C: skriptgesteuerte Pipelines mit pandas/Polars/DuckDB und lokalen Code-Modellen, versioniert in Git.

Weg A — Kaufen (Standardsoftware)

Copilot in Excel oder Gemini in Google Sheets kann ein Blatt interaktiv bereinigen (Lizenz, Datenstandort und AVV prüfen). Produkte zur Datenaufbereitung: Power-BI-Dataflows, Alteryx, Tableau Prep, Werkzeuge im Stil von Trifacta. Gut für einmalige Bereinigung, schwach für wiederholbare Pipelines und Governance; Kosten pro Nutzer und Lizenzplätze summieren sich. Hier nicht als Hauptweg empfohlen.

Weg B — Auf Cloud-KI-Diensten aufbauen

Senden Sie Kopfzeilen und einige Beispielzeilen (nie vollständige personenbezogene Daten) an ein in der EU gehostetes Modell: Mistral (Frankreich, EU), Azure OpenAI in EU-Regionen, Claude über Cloud-Angebote in EU-Regionen oder STACKIT / IONOS AI Model Hub (deutsche Cloud). Lassen Sie es Power-Query-M oder Python zurückgeben. Orchestrieren Sie mit Power Automate oder n8n. Der Aufwand liegt hauptsächlich in der Prüfung.

Weg C — Selbst betreiben (Open Source)

  • Transformation: Power Query (Desktop), Python + pandas/openpyxl, DuckDB, OpenRefine.
  • Modell für Code-Hilfe: ein kleines Coder-Modell in Ollama (z. B. die Qwen-Coder-Familie) auf HW1/HW2; ein Laptop mit 16 GB RAM genügt für einfache Unpivot-Skripte.
  • Orchestrierung und Speicherung: n8n selbst betrieben, Dateien in Nextcloud, Ergebnisse in SQLite/PostgreSQL; Paperless-ngx für Quellen mit Dokumenttypen.
  • Aufwand: 1 bis 3 Tage für den ersten Dateityp, danach Stunden je weiterem ähnlichen Layout.

Weg D — Eigenes Training

Nicht nötig; Regeln plus ein allgemeines Modell genügen.

Stand der Technik (2026)

  • LLMs schreiben Unpivot-, Merge- und Datumsparsing-Code aus einer Beschreibung heraus gut; weniger zuverlässig sind sie, wenn man sie die Daten direkt transformieren lässt, weil sie unbemerkt Zeilen weglassen oder erfinden können. Erzeugen Sie immer Code und prüfen Sie ihn dann.
  • DuckDB und Parquet sind für genau diesen Schritt zur leichtgewichtigen Standard-„Kleindatenbank“ geworden [3].
  • Grenzen: Bedeutung in Farben und Kommentaren braucht einen Menschen; Formeln und Makros verbergen Geschäftslogik, die neu umgesetzt werden muss; Dateien mit Freitextblöcken brauchen eine gesonderte Behandlung (PREP-014).

Gemeinsame Bausteine & Kombinationen

Aufwand, Kosten & Kennzahlen

  • Weg A: Stunden je Datei, Lizenzkosten pro Nutzer.
  • Weg B: 2 bis 5 Tage für eine erste Pipeline, geringe API-Kosten.
  • Weg C: 1 bis 3 Tage für das erste Layout, danach Stunden; keine laufenden Kosten über die vorhandene Hardware hinaus.
  • Kennzahlen: Stunden pro Monat für den Neuaufbau von Berichten, Anteil der Schlüsselberichte, die aus sauberen Tabellen erzeugt werden, Abstimmdifferenzen (Ziel 0), Quote abgelehnter Zeilen, Zeit bis zur Antwort auf eine neue Geschäftsfrage.

Menschen & Veränderung

Früh einbinden: die Abteilungsleitung und die Personen, denen jede Tabelle gehört (sie wissen, was die Farben bedeuten); die IT für Speicherung und Aktualisierung; die Datenverantwortlichen (PREP-004). Autorinnen und Autoren von Tabellen fürchten möglicherweise, ihr „eigenes“ Werkzeug zu verlieren; lassen Sie sie das Schema mitgestalten und behalten Sie eine vertraute Excel-Ansicht über den sauberen Daten bei.

Betriebsrat: hängt vom Einzelfall ab. Die Transformation selbst überwacht keine Beschäftigten, doch Tabellen enthalten oft Leistungs-, Abwesenheits- oder Zeitdaten je Person, und Zugriffs- und Aktualisierungsprotokolle identifizieren Nutzer; prüfen Sie § 87 Abs. 1 Nr. 6 BetrVG und unterrichten Sie nach § 90 Abs. 1 Nr. 3, wenn KI den Arbeitsablauf unterstützt (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Binden Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, wenn Beschäftigten- oder Kundenspalten betroffen sind; eine Datenschutz-Folgenabschätzung (DSFA) ist bei reiner Umstrukturierung selten nötig, ein AVV (Art. 28 DSGVO) ist aber mit jedem Cloud-Modellanbieter erforderlich (GUIDE-005, GUIDE-010).

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; ein einstündiger Workshop zu sauberen Daten und zur Prüfung von LLM-geschriebenem Code genügt (GUIDE-006).

Pilot und Kontrolle beim Menschen: Beginnen Sie mit einem Monatsbericht und einer verantwortlichen Person, lassen Sie alt und neu zwei Zyklen lang parallel laufen (GUIDE-008, GUIDE-009). Ein Mensch gibt Schema und Abstimmung frei.

Risiken, Regulierung & Compliance

  • KI-Verordnung (AI Act): minimales Risiko; die KI-Kompetenz (Art. 4) gilt.
  • DSGVO: In Spalten, die niemand aufgelistet hat, können personenbezogene Daten stehen; minimieren Sie, was das Modell sieht, und nutzen Sie EU-Hosting oder lokale Modelle (PREP-025).
  • Buchführung: Bei steuerrelevanten Daten (GoBD) das Original aufbewahren; die saubere Tabelle ist eine abgeleitete Kopie.
  • Risiken: unbemerkter Zeilenverlust, falsche Einheitenumrechnungen, veraltete Kopien. Gegenmaßnahmen: Abstimmung, Ablehnungsprotokolle, eine zentrale Quelle und versionierte Skripte.

Erste Schritte

  1. Den Monatsbericht wählen, der die meiste Handarbeit kostet; drei frühere Versionen kopieren.
  2. Die Zielspalten und Datentypen mit der Berichtsverantwortlichen bzw. dem Berichtsverantwortlichen in einem halbseitigen Datenwörterbuch festlegen.
  3. Die Power-Query-Schritte aufbauen (oder ein lokales Modell das Skript entwerfen lassen) und die Summen abstimmen.
  4. Die Aktualisierung planen und die saubere Tabelle an einem gemeinsamen, zugriffsgeschützten Ort veröffentlichen.
  5. Für die nächsten vier Berichte wiederholen; dann in Inventar und Glossar aufnehmen (PREP-001, PREP-012).

Quellen

  1. Wickham, H. (2014). Tidy Data. Journal of Statistical Software 59(10) - https://doi.org/10.18637/jss.v059.i10
  2. Microsoft Support - Unpivot columns (Power Query) - https://support.microsoft.com/office/unpivot-columns-power-query-0f7bad4b-9ea1-49c1-9d95-f588221c7098
  3. DuckDB documentation - Excel import (read_xlsx) - https://duckdb.org/docs/stable/guides/file_formats/excel_import
  4. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj