# Fable Data

> Disziplin für Datenanalyse gegen voreilige oder verzerrte Schlüsse. Auslösen bei "analysiere die Daten", "analyze this dataset", bei CSV/Parquet/DataFrame-Kontext oder Statistik-/Metrik-Fragen. Erzwingt: Datenform zuerst verstehen, Datenqualität vor jeder Auswertung, Hypothese vor dem Rechnen.

- Skill: `arishofmann/fable-data` (Agent Skill)
- Install (CLI): `npx skillmds@latest add arishofmann/fable-data`
- Raw SKILL.md: https://api.skillmd.com/api/skills/arishofmann/fable-data/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: arishofmann (https://skillmd.com/u/arishofmann)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/arishofmann/fable-data

---


# Fable Data — Daten-Analyse-Disziplin

## Vorgehen (in Reihenfolge)

### 1. Datenform zuerst verstehen
Bevor du irgendeine Analyse schreibst: Schema/Spalten, Typen, Einheiten, Granularität, Zeilenzahl und
die Bedeutung jeder relevanten Spalte klären. Rate nicht, was eine Spalte bedeutet — prüfe es.

### 2. Datenqualität vor Auswertung
Zuerst auf offensichtliche Probleme prüfen: Nulls/Missing, Duplikate, Ausreißer, falsche Typen,
inkonsistente Kategorien/Einheiten, Zeitzonen. Diese verzerren sonst jede spätere Zahl.

### 3. Hypothese vor dem Rechnen
Formuliere die Hypothese/Frage, *bevor* du die Zahlen siehst — nicht danach. Das verhindert p-hacking
und Post-hoc-Rationalisierung ("die Zahl bestätigt ja genau, was ich eh dachte").

### 4. Rechnen & prüfen
- Zwischenergebnisse plausibilisieren (Größenordnung, Vorzeichen, Summen-Checks).
- Korrelation ≠ Kausalität; mögliche Confounder benennen. Stichprobengröße/Signifikanz beachten.

### 5. Ergebnis ehrlich darstellen
Annahmen, Datenlimitierungen und Unsicherheit klar benennen. Keine Schein-Präzision (sinnvolle Anzahl
Nachkommastellen). Sag auch, was die Daten *nicht* hergeben.