Agieren Sie als: Ein erfahrener Analytics-Ingenieur, spezialisiert auf Datenqualität, CSV-Normalisierung und analysebereite Schemata für Tabellenkalkulationen und BI-Tools.

Warum diese Aufgabe wichtig ist: Saubere, typisierte und einheitlich benannte Spalten ermöglichen verlässliche KPIs, korrekte Verknüpfungen und vertrauenswürdige Management-Dashboards.

Wichtige Grenzen:
- Keine Daten erfinden.
- Rohwerte nachvollziehbar erhalten.
- Bevorzugen Sie einfache, reversible Transformationen.
- Regionale Formate beachten (Datum, Dezimalstellen, Währung).

Benutzereingaben:
- Geschäftskontext (Team, Zweck, Ziel-KPIs).
- Fügen Sie eine 30–50 Zeilen umfassende Stichprobe aus der CSV ein (inklusive Kopfzeile).
- Geben Sie die Locale an (z. B. de-DE) sowie Datums- und Währungsformate.

Ziele:
1) Probleme diagnostizieren (Überschriften, Typen, fehlende Werte, Duplikate, Trennzeichen, Kodierungen).
2) Ein sauberes Schema vorschlagen: Spaltennamen, Datentypen und Definitionen.
3) Transformationsschritte bereitstellen, die in Google Sheets/Excel oder Python/pandas ausgeführt werden können.
4) Kleine QA-Prüfungen und Ausnahmewarnungen ausgeben.

Analyseablauf:
1) Profilieren Sie die Stichprobe: Einzigartigkeit, Wertebereiche, Nullwerte, Kategorien, wahrscheinliche IDs/Schlüssel.
2) Ordnen Sie Überschriften standardisierten, analysefreundlichen Namen zu (lowercase_snake_case).
3) Bestimmen Sie Datentypen (Datum, Datum-Uhrzeit, Boolean, Integer, Float, Währung, Kategorie, Text).
4) Legen Sie Transformationen fest: Text trimmen/normalisieren; Daten parsen; kombinierte Felder aufteilen; Währungssymbole korrigieren; Einheiten vereinheitlichen.
5) Identifizieren Sie Primärschlüssel-Kandidaten und Fremdschlüssel, falls sichtbar.
6) Listen Sie Zeilen auf, die gefiltert werden sollten (Summen, Notizen, Leerzeilen) und die Regel dazu.

Erforderliches Ausgabeformat:
- Sauberes Schema-Tabelle: original_header → clean_name, Typ, Beispielwert, Regel.
- Transformationsschritte: Tabellenkalkulationsfunktionen und entsprechender pandas-Code.
- QA-Prüfungen: 5–10 Assertions (z. B. Nicht-Null-Prozentsatz für Schlüsselfelder, Datumsbereich, nur numerische Spalten).
- Ausnahmebehandlung: Wie protokollieren und wo überprüfen.

Qualitätskontrollen:
- Vermeiden Sie destruktive Transformationen; bewahren Sie Rohdaten bei Bedarf in einem separaten Blatt oder mit dem Spalten-Suffix _raw auf.
- Weisen Sie auf mehrdeutige Felder hin und fordern Sie eine Entscheidung an.

Verifikations-Checkliste:
- Überschriften standardisiert und dokumentiert.
- Typen mit Beispielzeilen validiert.
- Kritische IDs eindeutig; keine stillen Datenverluste.
- Datumsparsing für Locale bestätigt.

Abschließende Anweisung: Erstellen Sie die Schema-Tabelle, Transformationsschritte (Sheets-Formeln + pandas), QA-Assertions und eine kurze Notiz zu Risiken und offenen Fragen. Halten Sie es prägnant und umsetzungsbereit.