agentleFS
kayspiegelkayspiegel/survey-insight-skills/.agents/skills/daten-check/SKILL.md

daten-check

Skill2 starsChanged 3 months agoMITView on GitHub

Prüft die Datenqualität einer Umfrage-CSV vor der inhaltlichen Analyse: Befüllungs-/ Ausfüllquoten, Speeder (über Ausfülldauer), Straightlining, dünn befüllte Spalten. Gibt eine Ampel-Einschätzung und Empfehlungen. Ergebnis als Markdown nach reports/. Nutzen als ersten Schritt bei einer neuen Datei oder bei Zweifeln an der Datengüte. Aufruf mit der Anfrage als Argument, z. B. /daten-check [optional CSV-Pfad].

The file

Files
SKILL.md

Datenqualitäts-Check

Ziel: Vor jeder inhaltlichen Auswertung prüfen, wie belastbar die Daten sind, damit aus schwachen Daten keine starken Schlüsse gezogen werden. Ergebnis als Markdown in reports/. Ein Pfad in der Anfrage des Nutzers wählt die CSV, sonst die im Ordner.

Werkzeug

python3 scripts/survey.py quality [--file CSV]
python3 scripts/survey.py profile [--file CSV]
python3 scripts/survey.py freq COL [--file CSV]

Aus dem Projekt-Root ausführen. Fehlt scripts/survey.py, unter .claude/scripts/survey.py nachsehen oder survey.py im Projekt suchen. quality liefert direkt:

  • Befüllungsgrad je Spalte (dünne Spalten < 50 % markiert),
  • Ausfülldauer (Median, Bereich) und Speeder (< 1/3 der Median-Dauer),
  • Straightlining in erkannten Skalen-Batterien (identische Antwort über ≥3 gleiche Skalen).

freq wird nur gebraucht, um einen vermuteten Widerspruch zum Umfrage-Kontext zu belegen (siehe unten), nicht für die Qualitätskennzahlen selbst.

--json für strukturierte Werte.

Umfrage-Kontext

Liegt neben der CSV ein Kontextdokument (<name>.context.md, bei genau einer CSV im Ordner auch survey-context.md), lesen — und dann etwas tun, das kein anderer Skill tut: es gegen die Daten prüfen. Überall sonst ist der Kontext Hintergrund; hier ist er eine Behauptung auf dem Prüfstand.

Ein Widerspruch zwischen dem, was im Kontext steht, und dem, was die Daten zeigen, ist ein eigenständiger Befund — oft ein schwererer als eine Handvoll Speeder:

  • Grundgesamtheit vs. Verhalten. „Es wurden nur aktive Nutzer befragt", aber 12 % geben an, das Produkt nie zu nutzen → entweder hat die Rekrutierung weiter gereicht als angenommen, oder die Frage wird anders verstanden als gemeint. Beides ändert, wie jeder spätere Report formuliert werden muss.
  • Feldzeit vs. Zeitstempel. Der angegebene Erhebungszeitraum passt nicht zu den Zeitstempeln in den Daten → womöglich der falsche Export, mehrere zusammengeführte Wellen oder veralteter Kontext.
  • Stichprobe vs. Erwartung. Der Kontext nennt eine Zielgruppe oder Quote, die die Daten nicht hergeben (ein Segment, das sich als n = 7 entpuppt).
  • Spalten-Hinweise vs. Realität. Eine als Leitfrage benannte Spalte ist dünn befüllt, oder eine als zusammengehörig beschriebene Batterie gibt es in der Form nicht.

Widersprüche vor dem Berichten mit dem Motor belegen — eine Vermutung ist kein Befund. Beschreiben, was der Kontext behauptet, was die Daten zeigen und was daraus folgt; nicht entscheiden, welche Seite falsch liegt. Ein Widerspruch, der wesentlich ändert, für wen die Ergebnisse sprechen, gehört ins Gesamturteil und nicht nur in die Details: Daten, die sauber sind, aber eine andere Grundgesamtheit beschreiben als angenommen, sind nicht grün.

Gibt es kein Kontextdokument, den Check wie bisher fahren und im Report vermerken, dass das Erhebungsdesign nicht überprüft werden konnte — das ist kein Mangel der Daten, aber eine Grenze dieses Checks. Am Ende einmal auf umfrage-kontext hinweisen.

Vorgehen

  1. quality ausführen (und bei Bedarf profile für die Spaltentypen).
  2. Befunde einordnen. Für jede Dimension bewerten, ob unkritisch, beobachten oder problematisch:
    • Dünne Spalten → für diese Fragen sind Aussagen nur eingeschränkt möglich.
    • Speeder → wenn nennenswerter Anteil, Verzerrungsrisiko; Ausschluss erwägen.
    • Straightlining → Hinweis auf unaufmerksames Ausfüllen in Batterien.
  3. Kontext gegen die Daten prüfen (siehe oben), sofern ein Kontextdokument existiert. Jeden vermuteten Widerspruch mit einer konkreten freq-/profile-Ausgabe belegen.
  4. Ampel vergeben (grün / gelb / rot) mit kurzer Begründung.
  5. Empfehlungen ableiten (z. B. „Spalte X für Detailfragen meiden", „Y Speeder prüfen/ ausschließen", „Ergebnisse zu Frage Z nur mit Vorbehalt").
  6. Report speichern nach reports/ (date +%F_daten-check, nicht überschreiben) und Ampel + Pfad in der Antwort nennen.

Report-Format

# Datenqualitäts-Check

**Datenbasis:** <Datei> · n = <…> · Spalten = <…> · <Datum>

## Gesamturteil: 🟢 / 🟡 / 🔴
1–2 Sätze: Sind die Daten für belastbare Auswertungen geeignet?

## Befund
| Dimension | Ergebnis | Bewertung |
|---|---|---|
| Vollständigkeit | Ø-Befüllung, dünne Spalten: … | 🟢/🟡/🔴 |
| Ausfülldauer | Median … min, Speeder … % | … |
| Straightlining | … % in Batterie / keine Batterie | … |

## Dünn befüllte Spalten
Liste der Spalten < 50 % mit Konsequenz für die Analyse.

## Kontext vs. Daten
Nur wenn ein Kontextdokument existiert. Je Widerspruch: was der Kontext behauptet, was die
Daten zeigen (mit Zahl), was daraus folgt. Widerspricht nichts, ein Satz, dass das
angegebene Erhebungsdesign zu den Daten passt. Ohne Kontextdokument: „nicht beurteilbar —
kein Kontextdokument vorhanden; das Erhebungsdesign konnte nicht geprüft werden."

## Empfehlungen
Konkrete Do's/Don'ts für die weitere Auswertung (inkl. möglicher Fallausschlüsse).

## Methodik
`survey.py quality`: Definitionen (Speeder < 1/3 Median-Dauer; Straightlining =
identische Antwort über eine ganze Skalen-Batterie). Das geprüfte Kontextdokument nennen,
falls eines vorlag.

Regeln

  • Erst prüfen, dann interpretieren — dieser Check ist bewusst der erste Schritt.
  • Kennzahlen exakt aus der quality-Ausgabe übernehmen, nicht schätzen.
  • Fehlende Zeitstempel/Batterien klar als „nicht auswertbar" benennen, nicht als „gut". Dasselbe gilt für ein fehlendes Kontextdokument — ungeprüft ist nicht dasselbe wie geprüft und in Ordnung.
  • Datenqualitätsprobleme benennen, ohne zu dramatisieren; Konsequenzen konkret machen.
  • Einen Widerspruch zum Umfrage-Kontext berichten, nicht durch Parteinahme auflösen — und nie stillschweigend fallen lassen, weil die Daten sonst sauber aussehen.
  • Sprache Standard Deutsch.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.