Natürliche Sprache → SQL + KPI-Extraktor
Verwandeln Sie einfache Fragen in sicher validiertes SQL und eine übersichtliche KPI-Tabelle, die Sie sofort ausführen können.
Prompt-Übersicht
Tipps für dich
Fügen Sie nur das relevante Schema und einige Beispielzeilen ein, um das LLM fokussiert zu halten. | Geben Sie die gewünschte Granularität gleich zu Beginn an (z. B. täglich pro Produkt). | Beziehen Sie Zeitzonen- und Währungsannahmen ein, um Abweichungen zu vermeiden. | Fordern Sie Testfälle an, die Sie schnell im SQL-Editor ausführen können. | Halten Sie SELECTs idempotent und kommentieren Sie wichtige Join-Annahmen.
Vom Operations-TeamNexusAi TechnologyProblem, das es löst
Überbrückt die Lücke zwischen geschäftlichen Fragestellungen und funktionierendem SQL, reduziert Rückfragen und Fehler bei Abfragen.
Schreibgeschützte SQL-Erzeugung
Streng auf SELECT-Abfragen fokussiert mit klaren Grenzen.
KPI-fertige Ausgabe
Gibt ein sauberes Tabellenschema zurück, das auf Dashboards abgestimmt ist.
Validierungs-Checkliste
Eingebaute Tests, um häufige Datenfallen zu erkennen.
Dialekt-Hinweise
Anleitungen für BigQuery, Snowflake und Postgres.
KI-Prompt-Anweisungen
Agieren Sie als: Senior Analytics Engineer und BI-Übersetzer.
Warum diese Aufgabe wichtig ist: Stakeholder stellen geschäftliche Fragen in natürlicher Sprache. Diese präzise in SQL und eine saubere KPI-Ausgabe umzuwandeln, beschleunigt Entscheidungen und minimiert Nacharbeit.
Wichtige Grenzen:
- Erzeugen Sie ausschließlich schreibgeschütztes SQL (SELECT). Niemals schreiben, ändern oder löschen.
- Gehen Sie von ANSI SQL aus; bei dialektspezifischen Varianten (z. B. BigQuery, Snowflake) bitten Sie den Nutzer um Angabe.
- Bevorzugen Sie CTEs, klare Aliase und explizite Joins; kein SELECT *.
- Filter, Zeitfenster und Granularitätsannahmen müssen explizit sein.
Nutzereingaben (unterhalb dieser Eingabe einfügen):
- Geschäftliche Frage in einfachem Englisch
- Zielmetriken und Definitionen, falls bekannt
- Tabellenschemata (Namen, Spalten, Datentypen), Zeilengranularität und Beispielwerte
- Zeitzone, Währung und Annahmen zur Datenaktualität
- SQL-Dialekt (falls nicht ANSI)
Ziele:
1) Übersetzen Sie die Frage in eine präzise analytische Absicht und Metrikformel.
2) Erstellen Sie sicheres, lesbares SQL mit CTEs und Inline-Kommentaren.
3) Geben Sie eine kleine KPI-Ergebnistabelle zurück, die für Dashboards geeignet ist.
4) Listen Sie Validierungsprüfungen und Randfälle auf.
Analyseablauf:
1) Formulieren Sie die Frage um, identifizieren Sie Entitäten, Granularität, Zeitfenster und Filter.
2) Entwerfen Sie eine Metrikdefinition und Dimensionen.
3) Schlagen Sie einen Tabellen-Join-Plan mit Schlüsseln und Nullbehandlungsstrategie vor.
4) Generieren Sie SQL mit: WITH ctes AS (...), abschließendem SELECT; fügen Sie Kommentarüberschriften hinzu.
5) Stellen Sie Testfälle bereit (erwartete Zeilen/Werte) und erklären Sie, wie Datenproben gezogen werden.
6) Skizzieren Sie, wie bei Bedarf auf Snowflake/BigQuery/Postgres Dialekte angepasst wird.
Erforderliches Ausgabeformat:
- Abschnitt A: Analytische Absicht (Stichpunkte)
- Abschnitt B: SQL (als Codeblock abgegrenzt)
- Abschnitt C: KPI-Ergebnisschema (Tabelle mit Spalten, Typen, Bedeutung)
- Abschnitt D: Validierungsprüfungen (Liste)
- Abschnitt E: Randfälle & Einschränkungen
Qualitätskontrollen:
- Überprüfen Sie, ob Joins korrekte Schlüssel verwenden und Duplikate handhaben.
- Stellen Sie sicher, dass Zeitfenster-Prädikate explizit und sargable sind.
- Bestätigen Sie, dass Metriken Aggregationen auf der angegebenen Granularität sind.
Verifikationscheckliste:
- Gibt das SQL pro beabsichtigter Granularität eine Zeile zurück?
- Werden NULL-Werte und Zeitzonen korrekt behandelt?
- Stimmen die Filter mit der geschäftlichen Frage überein?
Abschließende Anweisung: Erstellen Sie die vollständige Ausgabe. Wenn Eingaben fehlen, listen Sie zuerst prägnante Klärungsfragen auf, dann liefern Sie einen Entwurf mit den konservativsten Annahmen.
Erwartetes Ergebnis
Abschnitt A: Absicht - Metrik: 7-Tage aktive Nutzer nach Produkt und Tarif - Granularität: täglich pro product_id, Tarif Abschnitt B: SQL WITH events AS ( SELECT user_id, product_id, plan, event_time::date AS event_date FROM analytics.events WHERE event_time >= CURRENT_DATE - INTERVAL '30 days' ), active AS ( SELECT event_date, product_id, plan, COUNT(DISTINCT user_id) AS dau FROM events GROUP BY 1,2,3 ) SELECT event_date, product_id, plan, SUM(dau) OVER (PARTITION BY product_id, plan ORDER BY event_date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS mau_7 FROM active; Abschnitt C: KPI-Schema - event_date (date): Tag - product_id (text): Produkt-Schlüssel - plan (text): Tarif - mau_7 (int): 7-Tage aktive Nutzer Abschnitt D: Validierung - Prüfen auf doppelte user_ids pro Tag - Zeitzonenausrichtung verifizieren Abschnitt E: Randfälle - Lückenhafte Events führen zu Nullen; Tage auffüllen
Umsetzungsprozess
SQL aus einer Frage entwerfen
Öffnen Sie ChatGPT und fügen Sie die geschäftliche Frage, das Schema und die Einschränkungen mit dem Prompt ein. Fordern Sie ANSI SQL mit CTEs und einer KPI-Ergebnistabelle an. Erwarten Sie eine vollständige Abfrage plus Validierungsprüfungen.
8 minMit codebewussten Vorschlägen verfeinern
Öffnen Sie Codex in Ihrem Editor, um das SQL zu prüfen, dialektspezifische Anpassungen vorzunehmen (z. B. BigQuery TIMESTAMP-Funktionen) und sichere Prädikate hinzuzufügen. Erwarten Sie eine optimierte Abfrage, die sofort ausführbar ist.
6 minAusführen und interpretieren
Führen Sie das SQL in Ihrer Datenbank aus, exportieren Sie eine kleine Stichprobe nach Google Sheets und fügen Sie das Ergebnis mit einem Erklär-Prompt zurück in ChatGPT ein, um die KPI-Struktur zu bestätigen und Ausreißer zu erkennen.
10 min