Zum Hauptinhalt springen
Der Data Analyst Agent, auch bekannt als DANA (Data ANAlyst), ist eine spezialisierte Version von Devin, die für Datenbankabfragen, Datenanalysen und die Erstellung von Visualisierungen optimiert wurde. Er ist darauf ausgelegt, schnell zu sein, prägnante Ergebnisse zu liefern und speziell auf Datenanalyse-Workflows abgestimmt zu sein.

​
Wann Sie den Data Analyst Agent einsetzen sollten

Der Data Analyst Agent ist ideal, wenn Sie Folgendes benötigen:
  • Datenbanken abfragen: SQL-Abfragen auf Ihren angeschlossenen Datenquellen schreiben und ausführen
  • Daten analysieren: Muster untersuchen, Kennzahlen berechnen und Trends in Ihren Daten analysieren
  • Visualisierungen erstellen: Professionelle Diagramme und Grafiken mit seaborn erzeugen
  • Fragen zu Daten beantworten: Schnell präzise Antworten auf Fragen zu Ihren Daten erhalten
  • Erkenntnisse gewinnen: Muster, Auffälligkeiten und umsetzbare Erkenntnisse entdecken

​
Zugriff auf den Data-Analyst-Agenten

​
Über die Web-App

  1. Navigiere zur Devin-Startseite
  2. Klicke auf das Agenten-Auswahlmenü
  3. Wähle Data Analyst aus dem Auswahlmenü
  4. Starte deine Sitzung mit einer datenbezogenen Frage oder Aufgabe

​
In Slack

Sie können eine Data Analyst-Sitzung direkt in Slack auf eine der folgenden Arten starten: Mit dem Slash-Befehl: 
/dana Welche waren unsere Top-10-Kunden nach Umsatz im letzten Monat?
Verwenden einer Erwähnung mit dem Makro !dana: 
@Devin !dana Welche waren unsere Top-10-Kunden nach Umsatz im letzten Monat?
Beide Methoden erstellen eine Data-Analyst-Sitzung und antworten im Thread mit den Ergebnissen.

​
Voraussetzungen

Bevor Sie den Data Analyst-Agent verwenden, müssen Sie mindestens eine Datenquelle über MCP (Model Context Protocol) anbinden. Häufige Integrationen sind:
  • Database MCPs: Redshift, PostgreSQL, Snowflake, BigQuery und andere SQL-Datenbanken
  • Analytics MCPs: Datadog, Metabase und andere Observability-Plattformen
Ohne angebundene Datenquelle informiert Sie der Agent und fordert Sie auf, vor dem Fortfahren eine Verbindung herzustellen.

MCP-Integrationen einrichten

Erfahren Sie, wie Sie Datenbanken und andere Datenquellen über MCP anbinden

​
So funktioniert es

​
Database Knowledge

Der Data-Analyst-Agent pflegt eine Database Knowledge-Notiz, die Schemadokumentation für Ihre verbundenen Datenbanken enthält. Diese Knowledge-Notiz wird vor dem Ausführen von Abfragen automatisch herangezogen, sodass der Agent schnell die richtigen Tabellen und Spalten identifizieren kann.

​
Beispiel-Prompts

Hier sind einige effektive Möglichkeiten, den Data Analyst Agent für unterschiedliche Anfragearten zu verwenden:

​
Einfache Abfragen

  • „Wie viele aktive Nutzer hatten wir letzte Woche?“
  • „Wie sieht unser täglicher Umsatztrend für den letzten Monat aus?“
  • „Welche Kunden weisen die höchste Nutzung auf?“

​
Aggregationen und Metriken

  • „Wie ist die durchschnittliche Sitzungsdauer nach Tarifstufe für die letzten 30 Tage?“
  • „Zeige mir den Gesamtumsatz nach Region und Produktlinie gruppiert für Q4“
  • „Berechne das 95. Perzentil der Antwortzeiten für jeden API-Endpunkt in dieser Woche“

​
Joins und tabellenübergreifende Analysen

  • „Verbinde unsere users-Tabelle mit der orders-Tabelle und zeige die Top 20 Kunden nach Lifetime Value“
  • „Setze die Anmeldungsquelle mit der 30-Tage-Retention in Beziehung – welche Akquisekanäle haben die besten Retentionsraten?“
  • „Kombiniere Sitzungsdaten mit Abrechnungsdaten, um Konten mit hoher Nutzung, aber geringen Ausgaben zu finden“

​
Filterung und Segmentierung

  • „Zeige mir nur Enterprise-Kunden, die sich nach Januar 2025 angemeldet haben und mehr als 100 Sitzungen haben“
  • „Filtere Fehlerprotokolle nach 5xx-Fehlern des Payment-Service in den letzten 48 Stunden“
  • „Teile den Verbrauch nach Enterprise- im Vergleich zu Self-Service-Kunden auf, wobei Testkonten ausgeschlossen werden“

​
Zeitreihenanalyse

  • „Stelle die wöchentlich aktiven Nutzer der letzten 6 Monate in einem Diagramm dar – hebe alle Wochen mit mehr als 10 % Veränderung hervor“
  • „Zeige mir einen Monat-zu-Monat-Vergleich der Anmelderaten für 2025 im Vergleich zu 2024“
  • „Wie sieht der tägliche Trend der API-Aufrufe in den letzten 90 Tagen aus? Überlagere ihn mit einem 7-tägigen gleitenden Durchschnitt“

​
Untersuchungen und Anomalieerkennung

  • „Warum sind die Anmeldungen letzten Dienstag zurückgegangen? Prüfe, ob es dazugehörige Störungen oder Deployments gab“
  • „Gibt es diese Woche Anomalien in unseren Fehlerraten?“
  • „Vergleiche die Kennzahlen dieses Monats mit demselben Zeitraum im letzten Jahr und markiere signifikante Abweichungen“

​
Mehrstufige Analyse

  • „Analysiere die Nutzerbindung nach Kohorten für Q4, identifiziere anschließend die Kohorten mit dem stärksten Einbruch und schlage mögliche Ursachen vor“
  • „Finde die 10 Nutzer mit den meisten Sitzungen, zeige ihre Aktivität im Zeitverlauf und markiere alle, bei denen ein potenzielles Abwanderungsrisiko erkennbar ist“

​
Unterstützte Datenquellen

Der Data Analyst Agent greift über MCP-Integrationen (Model Context Protocol) auf Ihre Daten zu. Sie können mehrere Datenquellen anbinden und quellenübergreifend abfragen. Nachfolgend sind einige der gängigsten Datenquellen aufgeführt, die im MCP Marketplace verfügbar sind — dies ist keine vollständige Liste.

​
SQL-Datenbanken

DatenquelleMCP-NameEinrichtung
Amazon RedshiftRedshiftVerbindungszeichenfolge + Zugangsdaten
PostgreSQLPostgreSQLVerbindungszeichenfolge
SnowflakeSnowflakeKonto + Zugangsdaten
Google BigQueryBigQueryOAuth oder Dienstkonto
MySQLMySQLVerbindungszeichenfolge
SQL ServerSQL ServerVerbindungszeichenfolge
NeonNeonOAuth
SupabaseSupabasePersönliches Zugriffstoken
Cloud SQL (PostgreSQL, MySQL, SQL Server)Cloud SQLOAuth

​
Analytics- und Observability-Plattformen

DatenquelleMCP-NameEinrichtung
DatadogDatadogAPI key + App-Key
MetabaseMetabaseOAuth
GrafanaGrafanaURL + Service-Account-Token
SentrySentryOAuth

​
Eine Datenquelle verbinden

  1. Navigieren Sie zu Settings > MCP Marketplace
  2. Suchen Sie Ihre Datenquelle und klicken Sie auf Enable
  3. Geben Sie alle erforderlichen Zugangsdaten an (Connection-Strings, API keys oder OAuth)
  4. Starten Sie eine Data-Analyst-Session – der Agent erkennt Ihre verbundenen Datenquellen automatisch
Sie benötigen eine Datenquelle, die nicht im Marketplace verfügbar ist? Verwenden Sie Add Your Own, um einen beliebigen MCP-Server zu verbinden, indem Sie seine Konfiguration direkt angeben.

MCP-Integrationen einrichten

Vollständige Einrichtungsanleitungen für jede Datenquelle
Sie können mehrere Datenquellen gleichzeitig verbinden. Der Data-Analyst-Agent verwendet die passenden MCP-Tools basierend auf dem Kontext Ihrer Anfrage.

​
Bewährte Praktiken

​
Seien Sie bei Metriken konkret

Anstatt vage Fragen zu stellen, definieren Sie genau, was Sie messen möchten: 
"Wie hoch ist unsere 7-Tage-Zahl aktiver Nutzer, definiert als Nutzer, die mindestens eine Sitzung gestartet haben?"

​
Zeiträume angeben

Gib immer den Zeitraum an, der für dich relevant ist. Der Agent verwendet standardmäßig UTC, wenn er relative Datumsangaben interpretiert. 
„Zeige mir den täglichen Umsatz der letzten 30 Tage“

​
Spezifische Ausgabeformate anfordern

Teilen Sie dem Agenten mit, wie Sie die Ergebnisse sehen möchten — als Tabelle, Diagramm oder Zusammenfassung: 
"Stelle die wöchentlichen Anmeldungen des letzten Quartals in einem Liniendiagramm dar und füge darunter eine Tabelle mit den Rohzahlen ein"

​
Geschäftslogik vorab definieren

Wenn Ihre Kennzahlen spezifische Definitionen haben, geben Sie diese in Ihrem Prompt an, um Mehrdeutigkeit zu vermeiden: 
"Zeige die monatliche Churn-Rate, wobei Churn als Konten definiert ist, die in den vergangenen 30 Tagen keine Sitzungen hatten, aber in den vorherigen 30 Tagen mindestens eine Sitzung hatten"

​
Vergleiche und Kontext anfordern

Das Hinzufügen von Vergleichszeiträumen oder Benchmarks macht Ergebnisse besser verwertbar: 
„Zeige die täglich aktiven Nutzer dieser Woche im Vergleich zur gleichen Woche des letzten Monats und hebe alle Tage mit mehr als 15 % Abweichung hervor“

​
Ergebnisse iterativ verfeinern

Sie können in derselben Sitzung Rückfragen stellen, um tiefer einzusteigen:
  1. Beginnen Sie breit: „Wer sind unsere 10 umsatzstärksten Kunden in diesem Quartal?“
  2. Verfeinern Sie: „Zeigen Sie mir für die Top 3 deren monatliche Umsatzentwicklung im vergangenen Jahr“
  3. Untersuchen Sie: „Kunde X hatte im März einen Umsatzsprung – wodurch wurde der ausgelöst?“

​
SQL validieren

Der Agent führt stets die SQL-Abfrage auf, die er verwendet hat. Prüfen Sie sie, um sicherzustellen, dass die Logik Ihren Erwartungen entspricht – insbesondere bei komplexen Analysen mit Joins, Filtern oder Aggregationen.

​
Ausgabeformate

Der Data Analyst-Agent liefert je nach Art der Analyse Ergebnisse in verschiedenen Formaten:

​
Tabellen

Für Datenabfragen und -aggregationen werden Ergebnisse in formatierten Tabellen ausgegeben: 
| Kunde          | Umsatz    | Sitzungen | Ø Dauer     |
|----------------|-----------|----------|--------------|
| Acme Corp      | $125,400  | 1,247    | 34 min       |
| Globex Inc     | $98,200   | 983      | 28 min       |
| Initech        | $87,600   | 876      | 41 min       |

​
Diagramme und Visualisierungen

Wenn Sie eine visuelle Analyse anfordern oder sich die Daten grafisch am besten erschließen, generiert der Agent Diagramme mit seaborn. Häufige Diagrammtypen sind:
  • Liniendiagramme — Zeitreihen-Trends, Vergleiche über die Zeit
  • Balkendiagramme — kategoriale Vergleiche, Rangfolgen
  • Heatmaps — Korrelationsmatrizen, Aktivitätsmuster
  • Streudiagramme — Analyse von Zusammenhängen zwischen zwei Kennzahlen
Fordern Sie einen bestimmten Diagrammtyp an, wenn Sie eine Präferenz haben, oder lassen Sie den Agenten das am besten geeignete Visualisierungsformat für Ihre Daten auswählen.

​
Zusammenfassungen und Erkenntnisse

Für investigativ angelegte Prompts liefert der Agent eine strukturierte Antwort, die Folgendes umfasst:
  • Zusammenfassung der Analyse – eine Antwort in klarer Sprache auf Ihre Frage
  • SQL-Abfrage – die genau verwendete Abfrage, damit Sie die Logik überprüfen können
  • Schlüsselzahlen – die wichtigsten hervorgehobenen Kennzahlen
  • Datenerkenntnisse – Muster, Auffälligkeiten oder andere bemerkenswerte Befunde
  • Metabase-Link – wenn Ihre Organisation Metabase über MCP angebunden hat, kann der Agent einen Link zu einem interaktiven Dashboard für weitergehende Analysen einfügen

​
Knowledge-Management

Der Data Analyst Agent kann Erkenntnisse über mehrere Sitzungen hinweg im Knowledge-System festhalten. Wenn er Folgendes entdeckt:
  • Neue Schema-Informationen oder Tabellenbeziehungen
  • Business-Logik oder Metrik-Definitionen
  • Muster oder Besonderheiten zur Datenqualität
speichert er diese in Knowledge-Notizen, damit zukünftige Sitzungen von den gewonnenen Erkenntnissen profitieren.

Weitere Informationen zu Knowledge

Erfahren Sie, wie das Knowledge-System von Devin funktioniert

​
Unterschiede zu Standard-Devin

FunktionData Analyst AgentStandard Devin
Ausführung von SQL-AbfragenOptimiertUnterstützt
DatenvisualisierungenIntegrierte Unterstützung für seabornManuelle Einrichtung
Kenntnis des DatenbankschemasVorab geladenes WissenExploration bei Bedarf
AntwortstilPrägnant, kennzahlenorientiertAusführliche Erklärungen
CodeänderungenNicht primärer SchwerpunktUmfassende Unterstützung
MCP-IntegrationenErforderlichOptional
Der Data Analyst Agent ist speziell für die Arbeit mit Daten konzipiert. Bei Aufgaben, die Codeänderungen, Deployments oder allgemeine Softwareentwicklung betreffen, sollten Sie stattdessen Standard Devin verwenden.