> ## Documentation Index
> Fetch the complete documentation index at: https://docs.devinenterprise.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Data-Analyst-Agent

> Verwenden Sie den Data-Analyst-Agent für schnelle Datenbankabfragen, Datenanalysen und Visualisierungen

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.

<div id="when-to-use-the-data-analyst-agent">
  ## Wann Sie den Data Analyst Agent einsetzen sollten
</div>

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

<div id="accessing-the-data-analyst-agent">
  ## Zugriff auf den Data-Analyst-Agenten
</div>

<div id="from-the-web-app">
  ### Über die Web-App
</div>

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

<div id="from-slack">
  ### In Slack
</div>

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.

<div id="prerequisites">
  ## Voraussetzungen
</div>

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.

<Card title="MCP-Integrationen einrichten" icon="plug" href="/de/work-with-devin/mcp">
  Erfahren Sie, wie Sie Datenbanken und andere Datenquellen über MCP anbinden
</Card>

<div id="how-it-works">
  ## So funktioniert es
</div>

<div id="database-knowledge">
  ### Database Knowledge
</div>

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.

<div id="example-prompts">
  ## Beispiel-Prompts
</div>

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

<div id="simple-lookups">
  ### Einfache Abfragen
</div>

* „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?“

<div id="aggregations-and-metrics">
  ### Aggregationen und Metriken
</div>

* „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“

<div id="joins-and-cross-table-analysis">
  ### Joins und tabellenübergreifende Analysen
</div>

* „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“

<div id="filtering-and-segmentation">
  ### Filterung und Segmentierung
</div>

* „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“

<div id="time-series-analysis">
  ### Zeitreihenanalyse
</div>

* „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“

<div id="investigations-and-anomaly-detection">
  ### Untersuchungen und Anomalieerkennung
</div>

* „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“

<div id="multi-step-analysis">
  ### Mehrstufige Analyse
</div>

* „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“

<div id="supported-data-sources">
  ## Unterstützte Datenquellen
</div>

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](https://app.devin.ai/settings/connections?tab=mcps) verfügbar sind — dies ist keine vollständige Liste.

<div id="sql-databases">
  ### SQL-Datenbanken
</div>

| Datenquelle                               | MCP-Name   | Einrichtung                            |
| ----------------------------------------- | ---------- | -------------------------------------- |
| Amazon Redshift                           | Redshift   | Verbindungszeichenfolge + Zugangsdaten |
| PostgreSQL                                | PostgreSQL | Verbindungszeichenfolge                |
| Snowflake                                 | Snowflake  | Konto + Zugangsdaten                   |
| Google BigQuery                           | BigQuery   | OAuth oder Dienstkonto                 |
| MySQL                                     | MySQL      | Verbindungszeichenfolge                |
| SQL Server                                | SQL Server | Verbindungszeichenfolge                |
| Neon                                      | Neon       | OAuth                                  |
| Supabase                                  | Supabase   | Persönliches Zugriffstoken             |
| Cloud SQL (PostgreSQL, MySQL, SQL Server) | Cloud SQL  | OAuth                                  |

<div id="analytics-and-observability-platforms">
  ### Analytics- und Observability-Plattformen
</div>

| Datenquelle | MCP-Name | Einrichtung                 |
| ----------- | -------- | --------------------------- |
| Datadog     | Datadog  | API key + App-Key           |
| Metabase    | Metabase | OAuth                       |
| Grafana     | Grafana  | URL + Service-Account-Token |
| Sentry      | Sentry   | OAuth                       |

<div id="connecting-a-data-source">
  ### Eine Datenquelle verbinden
</div>

1. Navigieren Sie zu [Settings > Connections > MCP-Server](https://app.devin.ai/settings/connections?tab=mcps)
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-Sitzung – 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.

<Card title="MCP-Integrationen einrichten" icon="plug" href="/de/work-with-devin/mcp">
  Vollständige Einrichtungsanleitungen für jede Datenquelle
</Card>

<Note>
  Sie können mehrere Datenquellen gleichzeitig verbinden. Der Data-Analyst-Agent verwendet die passenden MCP-Tools basierend auf dem Kontext Ihrer Anfrage.
</Note>

<div id="best-practices">
  ## Bewährte Praktiken
</div>

<div id="be-specific-about-metrics">
  ### Seien Sie bei Metriken konkret
</div>

Anstatt vage Fragen zu stellen, definieren Sie genau, was Sie messen möchten:

<CodeGroup>
  ```text Good theme={null}
  "Wie hoch ist unsere 7-Tage-Zahl aktiver Nutzer, definiert als Nutzer, die mindestens eine Sitzung gestartet haben?"
  ```

  ```text Less effective theme={null}
  "Wie entwickeln sich unsere Nutzerzahlen?"
  ```
</CodeGroup>

<div id="specify-time-periods">
  ### Zeiträume angeben
</div>

Gib immer den Zeitraum an, der für dich relevant ist. Der Agent verwendet standardmäßig UTC, wenn er relative Datumsangaben interpretiert.

<CodeGroup>
  ```text Good theme={null}
  „Zeige mir den täglichen Umsatz der letzten 30 Tage“
  ```

  ```text Less effective theme={null}
  „Zeige mir den Umsatz“
  ```
</CodeGroup>

<div id="request-specific-output-formats">
  ### Spezifische Ausgabeformate anfordern
</div>

Teilen Sie dem Agenten mit, wie Sie die Ergebnisse sehen möchten — als Tabelle, Diagramm oder Zusammenfassung:

<CodeGroup>
  ```text Good theme={null}
  "Stelle die wöchentlichen Anmeldungen des letzten Quartals in einem Liniendiagramm dar und füge darunter eine Tabelle mit den Rohzahlen ein"
  ```

  ```text Less effective theme={null}
  "Rufe die Anmeldezahlen ab"
  ```
</CodeGroup>

<div id="define-business-logic-upfront">
  ### Geschäftslogik vorab definieren
</div>

Wenn Ihre Kennzahlen spezifische Definitionen haben, geben Sie diese in Ihrem Prompt an, um Mehrdeutigkeit zu vermeiden:

<CodeGroup>
  ```text Gut theme={null}
  "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"
  ```

  ```text Weniger effektiv theme={null}
  "Wie hoch ist unsere Churn-Rate?"
  ```
</CodeGroup>

<div id="ask-for-comparisons-and-context">
  ### Vergleiche und Kontext anfordern
</div>

Das Hinzufügen von Vergleichszeiträumen oder Benchmarks macht Ergebnisse besser verwertbar:

<CodeGroup>
  ```text Good theme={null}
  „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“
  ```

  ```text Less effective theme={null}
  „Zeige täglich aktive Nutzer“
  ```
</CodeGroup>

<div id="iterate-on-results">
  ### Ergebnisse iterativ verfeinern
</div>

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?“*

<div id="validate-the-sql">
  ### SQL validieren
</div>

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.

<div id="output-formats">
  ## Ausgabeformate
</div>

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

<div id="tables">
  ### Tabellen
</div>

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       |
```

<div id="charts-and-visualizations">
  ### Diagramme und Visualisierungen
</div>

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

<Tip>
  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.
</Tip>

<div id="summaries-and-insights">
  ### Zusammenfassungen und Erkenntnisse
</div>

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

<div id="knowledge-management">
  ## Knowledge-Management
</div>

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.

<Card title="Weitere Informationen zu Knowledge" icon="brain" href="/de/product-guides/knowledge">
  Erfahren Sie, wie das Knowledge-System von Devin funktioniert
</Card>

<div id="differences-from-standard-devin">
  ## Unterschiede zu Standard-Devin
</div>

| Funktion                      | Data Analyst Agent                    | Standard Devin           |
| ----------------------------- | ------------------------------------- | ------------------------ |
| Ausführung von SQL-Abfragen   | Optimiert                             | Unterstützt              |
| Datenvisualisierungen         | Integrierte Unterstützung für seaborn | Manuelle Einrichtung     |
| Kenntnis des Datenbankschemas | Vorab geladenes Wissen                | Exploration bei Bedarf   |
| Antwortstil                   | Prägnant, kennzahlenorientiert        | Ausführliche Erklärungen |
| Codeänderungen                | Nicht primärer Schwerpunkt            | Umfassende Unterstützung |
| MCP-Integrationen             | Erforderlich                          | Optional                 |

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.