Open Source · Agent Skills · v2.0.0
Stell deinen Umfragedaten eine Frage. Bekomm einen Report, der einer Diskussion standhält.
Ein offener Baukasten aus Agent Skills, der quantitative Umfrage-CSVs auf deinem eigenen Rechner auswertet. Kostenlos und MIT-lizenziert, reines Python 3, keine Abhängigkeiten zu installieren.
MIT-Lizenz · Python 3, keine Abhängigkeiten · läuft mit Claude Code, Codex, Cursor u. a.
/umfrage-report Wie zufrieden sind die Nutzer insgesamt?
reports/2026-07-24_zufriedenheit.md
Wie zufrieden sind die Nutzer insgesamt?
52,1 % sind zufrieden oder sehr zufrieden — aber 47,9 % liegen bei neutral oder schlechter. Die Zufriedenheit unterscheidet sich nicht verlässlich nach Unternehmensgröße.
Chi² = 19,14 · df = 16 · p = 0,26 → nicht signifikant bei α = 0,05 · Cramérs V = 0,185
Über 20 % der Zellen hatten eine erwartete Häufigkeit < 5 — hier nur schwach belastbar.
Das Problem
Drei Dinge, die mit jedem Umfrage-Export passieren.
-
Er landet in einem Ordner und bleibt dort.
Die Feldphase ist durch, die CSV ist heruntergeladen — und die Fragen, für die du die Umfrage überhaupt gemacht hast, stellt nie jemand.
-
Pivot-Tabellen fressen den Nachmittag.
Du baust die zwei naheliegenden Auswertungen, dann ist der Tag vorbei, und die eigentlich spannende Kreuztabelle entsteht gar nicht.
-
Ein Chatbot antwortet so oder so überzeugt.
Wenn du den Export in ein Chatfenster kopierst, bekommst du flüssige, plausible Zahlen ohne Rechnung dahinter — und ohne Möglichkeit, sie zu prüfen.
Hier bleibt das Tempo: Du fragst in normaler Sprache. Hinter jeder Zahl steht aber eine echte, benannte Rechnung.
So funktioniert's
Drei Schritte, ein Ordner.
-
Leg deine CSV in den Ordner.
Repository klonen, den Umfrage-Export daneben legen. Nichts zu installieren, nichts zu konfigurieren, kein Account.
-
Frag in normaler Sprache.
Starte deinen KI-Coding-Agenten in diesem Ordner und tipp deine Frage — oder ruf einen Skill beim Namen auf, etwa
/umfrage-report. -
Bekomm einen Markdown-Report in
reports/.Kernaussage, Tabellen, Signifikanz, Methode und die Quellspalte zu jeder Zahl. Eine Datei, die dir gehört und die du weiterleiten kannst.
Beispiel-Report
Eine Frage rein. Ein Dokument raus.
Kein Screenshot einer App. So sieht aus, was du bekommst: eine Markdown-Datei in deinem eigenen Ordner.
Du fragst
/umfrage-report Wie zufrieden sind die Nutzer insgesamt?
In normaler Sprache oder über den Skill-Namen. Beides geht.
Du bekommst
reports/2026-07-24_zufriedenheit.md
Gesamtzufriedenheit
Kernaussage
Eine knappe Mehrheit der Nutzer ist zufrieden (52,1 % zufrieden oder sehr zufrieden), aber fast ein Viertel ist unzufrieden (22,9 %) und ein weiteres Viertel bleibt unentschieden (25,0 %). Die Zufriedenheit unterscheidet sich nicht verlässlich nach Unternehmensgröße — die scheinbaren Unterschiede liegen im Zufallsbereich.
Verteilung
Gesamtzufriedenheit (n = 140)
Top-2 73 (52,1 %) Bottom-2 32 (22,9 %)
Signifikanztest nach Unternehmensgröße
Chi² = 19,14, df = 16, p = 0,26→ nicht signifikant bei α = 0,05Cramérs V = 0,185→ schwacher Effekt
Hinweis: Über 20 % der Zellen hatten eine erwartete Häufigkeit < 5, der Test ist hier also nur schwach belastbar.
Methode
Häufigkeiten aus absoluten Werten berechnet, Quellspalte „Overall, how satisfied are you with TeamSync?“. Kreuztabelle gegen „How many employees does your company have?“. Chi-Quadrat-Unabhängigkeitstest mit Cramérs V. Prozentwerte bezogen auf die Personen, die diese Frage beantwortet haben.
Achte darauf, was hier passiert: Der Report meldet ein negatives Ergebnis und eine Belastbarkeitswarnung, statt dir einen Befund zu verkaufen.
Warum die Zahlen halten
Jede Zahl ist gerechnet, nicht geschrieben.
Die Engine macht die Arithmetik und die Statistik. Das Modell schreibt nur die Sätze darum herum.
- Alle Kennzahlen kommen aus der Python-Engine. Nichts wird vom Modell geschätzt.
- Prozentwerte beziehen sich immer auf die Personen, die diese Frage beantwortet haben — nicht auf die gesamte Stichprobe.
- Aggregate wie Top-2-Box werden aus absoluten Werten berechnet, nie durch Addieren gerundeter Prozentwerte.
- Gruppenunterschiede werden mit Chi-Quadrat-Test und Effektstärke (Cramérs V) berichtet — Signifikanz allein sagt wenig.
- Belastbarkeitswarnungen werden weitergegeben, etwa eine erwartete Zellhäufigkeit unter 5, statt still verschluckt zu werden.
- Subgruppen unter n = 30 werden als schwach belastbar markiert.
- Die Reports benennen, wo Korrelation keine Kausalität ist, statt sie zu suggerieren.
- Keine personenbezogenen Rohdaten in der Ausgabe: keine IDs, keine Zeitstempel, keine identifizierenden Zitate.
Die Skills
Sieben Aufgaben, jede auf Deutsch und Englisch.
Jeder Skill existiert doppelt, mit identischem Verhalten. Der Report kommt in der Sprache deiner Frage zurück.
-
Was sagen die Daten eigentlich?
umfrage-reportEnglisch:survey-report/umfrage-report Welche Aufgaben erledigen die Nutzer am häufigsten? -
Ist dieser Unterschied echt — oder Zufall?
hypothese-checkEnglisch:hypothesis-check/hypothese-check Größere Unternehmen sind unzufriedener als kleinere. -
Für welche Option sollen wir uns entscheiden?
entscheidungsvorlageEnglisch:decision-brief/entscheidungsvorlage Sollen wir eine bessere Mobile-App priorisieren? -
Passt das auf eine Seite für die Geschäftsführung?
management-summaryEnglisch:executive-summary/management-summary Nutzerumfrage Q3 -
Wer sind diese Leute genau?
segment-profilEnglisch:segment-profile/segment-profil Täglich aktive Nutzer -
Worüber beschweren sich die Leute im Freitext?
freitext-themenEnglisch:verbatim-themes/freitext-themen Was sagen Nutzer über das Onboarding? -
Kann ich diesem Datensatz überhaupt trauen?
daten-checkEnglisch:data-check/daten-check Prüf den Export, bevor ich auswerte
Abgrenzung
Was es nicht ist.
- Es ist kein Umfrage-Tool. Es erhebt keine Antworten — es fängt da an, wo dein Export endet.
- Es ist nicht für qualitative Interview-Transkripte. Es liest quantitative Umfrage-CSVs, inklusive ihrer Freitextspalten.
- Es ersetzt keine Statistikerin. Es rechnet Häufigkeiten, Kreuztabellen, Chi-Quadrat und Effektstärke — keine Regression, keine Faktorenanalyse, keine Gewichtung.
- Wenn deine Auswertung das braucht, ist das hier das falsche Werkzeug — und es tut nicht so, als wäre es das richtige.
Kompatibilität
Läuft mit dem Agenten, den du schon hast.
Ein Satz Skills, gebaut auf dem offenen Agent-Skills-Standard. Keine Bindung an einen Anbieter.
- Claude Code
- Codex CLI
- Antigravity CLI
- Cursor
- Copilot / VS Code
- OpenCode
- Amp
- Goose
In Claude Code tippst du /umfrage-report …, in der Codex CLI $umfrage-report … — und in jedem dieser Tools kannst du einfach in normaler Sprache fragen.
Ausprobieren
Zwei Minuten mit den Beispieldaten.
Bevor deine eigenen Daten überhaupt ins Spiel kommen.
Was du brauchst
- Einen KI-Coding-Agenten deiner Wahl — irgendeines der Tools oben.
- Einen Ordner auf deinem Rechner und, wenn du soweit bist, eine Umfrage-CSV.
- Und ja: Du tippst einmal drei Befehle in ein Terminal. Das ist der komplette technische Teil dieser Seite.
Wenn dich dieser letzte Satz verloren hat, hätte er dich zwei Minuten später auch verloren. Wenn nicht: Das ist wirklich alles.
Das kopierst du in dein Terminal
git clone https://github.com/kayspiegel/survey-insight-skills.git
cd survey-insight-skills
cp ~/Downloads/my-survey.csv .Danach startest du deinen Agenten in diesem Ordner und stellst deine Frage.
Im Repository liegen eine synthetische Beispielumfrage mit 140 Antworten und eine deutsche mit 160 Antworten. Du kannst den ganzen Ablauf also einmal durchspielen, bevor du echte Daten anfasst.
FAQ
Berechtigte Fragen.
Muss ich programmieren können?
Nein. Du musst einmal drei Befehle in ein Terminal kopieren können, danach schreibst du in normaler Sprache. Die Skills sind Anweisungen für deinen Agenten, nichts, was du programmierst.
Was kostet das?
Der Baukasten ist kostenlos und MIT-lizenziert, jetzt und später. Du brauchst deinen eigenen KI-Coding-Agenten, und der kann je nach Anbieter Geld kosten.
Wo landen meine Daten?
Die CSV bleibt in deinem Ordner, die Reports werden als einfache Markdown-Dateien daneben geschrieben. Es gibt keinen Upload zu einem Analyse-Dienst und keine Telemetrie. Die ehrliche Einschränkung: Deine Fragen und die Daten, die zur Antwort nötig sind, werden von dem KI-Agenten verarbeitet, den du wählst — wähl ihn also passend zur Sensibilität deiner Daten.
Welche CSVs funktionieren?
Jeder quantitative Umfrage-Export: Google Forms, LimeSurvey, Qualtrics, SurveyMonkey oder eine Excel-Tabelle, als CSV gespeichert. Die Engine erkennt jede Spalte als Einfachauswahl, Mehrfachauswahl (semikolongetrennt), Freitext oder Metadaten — und versteht deutsche wie englische Spaltenköpfe und Zeitstempel.
Kann das Zahlen halluzinieren?
Die Zahlen kommen aus der Python-Engine, nicht aus dem Modell, und jeder Report benennt seine Methode und die verwendete Quellspalte — jede Zahl lässt sich also nachrechnen und prüfen. Das Modell schreibt die Prosa darum herum.
Funktioniert das auf Deutsch?
Vollständig. Jeder Skill existiert auf Deutsch mit identischem Verhalten, die Spalten- und Zeitstempelerkennung versteht deutsche Exporte, und der Report kommt in der Sprache zurück, in der du gefragt hast.
Darf ich das in Kundenprojekten einsetzen?
Ja. MIT-Lizenz, kommerzielle Nutzung eingeschlossen. Namensnennung ist willkommen, aber nicht verlangt.