ChatGPT Work mit GPT-5.6: End-to-End Data Science direkt im Browser

GPT-5.6 ist OpenAIs neueste Modellfamilie, verfügbar in drei Stufen: Sol für tiefes Schlussfolgern, Terra für ausgewogene Alltagsaufgaben und Luna für schnelle, leichtgewichtige Tasks.

Parallel dazu hat OpenAI ChatGPT Work veröffentlicht, einen Projektarbeitsbereich in ChatGPT für mehrstufige, dateibasierte Workflows.

Mit ChatGPT Work kannst du Dateien hochladen, Kontext über Prompts hinweg beibehalten und Code, Visualisierungen sowie interaktive Tools generieren – alles im Browser, ohne lokale Einrichtung.

In diesem Guide zeige ich dir, wie du ein vollständiges Projekt zur Vorhersage der Kundenabwanderung bei Banken komplett in ChatGPT Work aufsetzt. 

Wir laden ein reales Dataset hoch, prüfen und bereinigen die Daten und erkunden sie mit Visualisierungen.

Anschließend trainieren und vergleichen wir mehrere Machine-Learning-Modelle, evaluieren das beste und deployen eine interaktive Weboberfläche für Echtzeit-Churnprognosen.

Am Ende hast du ein komplettes Projektpaket mit bereinigten Daten, Charts, Modellergebnissen und einer funktionierenden Demo – erstellt, ohne den Browser zu verlassen.

Was ist ChatGPT Work?

ChatGPT Work ist ein dedizierter Agent innerhalb von ChatGPT für anspruchsvolle, mehrstufige Aufgaben weit über simples Q&A hinaus. 

Er kann Informationen über deine Apps und Workflows hinweg sammeln, fertige Materialien wie Tabellen, Folien, Dokumente und Web-Apps erstellen und komplexe Projekte über Stunden begleiten, indem er sie in Schritte zerlegt und eigenständig erledigt.

Mit integrierter Codex-Technologie geht ChatGPT Work über Antworten hinaus und erledigt echte Arbeit über Web, Mobile und Desktop. 

Du kannst den Fortschritt verfolgen, Fragen beantworten, die Richtung ändern und wichtige Aktionen freigeben, während es arbeitet.

ChatGPT Work wird von GPT-5.6 angetrieben und ist damit führend beim Bearbeiten mehrstufiger Aufgaben und beim Erstellen von Materialien, die deinen Templates und Referenzdateien folgen. 

Es unterstützt außerdem geplante Tasks, sodass Projekte auch weiterlaufen, wenn du nicht da bist – etwa indem neue Nachrichten aus Teams oder Slack in aktualisierte Dokumente überführt und mit deinem Team geteilt werden.

Schritt 1: Datasets in ChatGPT Work hochladen

Jedes Data-Science-Projekt startet mit Daten. In diesem Schritt erstellen wir einen eigenen Workspace in ChatGPT Work und importieren das Bank-Churn-Dataset, um direkt loszulegen.

Öffne ChatGPT im Browser und klicke auf den Tab Work. Klicke dann unten links im Chat auf Choose Project, wähle New project und nenne es Bank Customer Churn Prediction.

Stelle auch sicher, dass GPT 5.6 Sol Light ausgewählt ist, da dies eine einfache Aufgabe ist und wir kein starkes Schlussfolgern benötigen. 

Die Oberfläche sollte den aktiven Work-Tab, deinen Projektnamen unten im Chat und das Model-Dropdown auf 5.6 Sol Light anzeigen.

Lade als Nächstes Churn_Modelling.csv von Kaggle herunter. 

Zum Hochladen klicke auf das Plus-Icon (+) im Eingabefeld, wähle die Datei auf deinem Rechner und füge sie dem Chat hinzu. Die Datei erscheint als Tabellenkarte über dem Eingabefeld und ist versandbereit. 

Schritt 2: Data Auditing und Cleaning mit GPT-5.6

Rohdaten sind selten perfekt. Bevor wir Modelle bauen, müssen wir verstehen, womit wir arbeiten, und Probleme beheben, die Ergebnisse verzerren könnten. 

Füge diesen Prompt ins Eingabefeld ein und drücke Enter:

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

Nach dem Senden liest ChatGPT Work das Dataset mit seinen integrierten Tools ein, versteht die Struktur und liefert eine strukturierte Audit-Zusammenfassung.

Du kannst dir auch die einzelnen Schritte ansehen, mit denen ChatGPT Work zur Audit-Zusammenfassung gekommen ist. 

Diese Schritte sind im Verlauf sichtbar und zeigen, wie das Modell die Daten analysiert, Validierungsregeln angewandt und seine Schlüsse gezogen hat. 

Klicke oben rechts im Chat auf die Aufzählungspunkte, um das Outputs-Panel zu öffnen. 

Dort findest du zwei generierte Dateien: eine bereinigte CSV sowie einen vollständigen Audit-Report im Markdown-Format.

Schritt 3: Datenvisualisierungen in der ChatGPT-Work-Umgebung erstellen

Zahlen allein erzählen nicht die ganze Geschichte. In diesem Schritt verwandeln wir die bereinigten Daten in Charts und Grafiken, die Muster in der Abwanderung sichtbar machen.

Wir erstellen Visualisierungen zur Gesamtverteilung, brechen Churn-Raten nach Kundensegmenten auf und vergleichen numerische Merkmale zwischen gebliebenen und abgewanderten Kundinnen und Kunden. 

Außerdem erzeugen wir eine Korrelations-Heatmap, um Zusammenhänge numerischer Variablen zu sehen.

Füge diesen Prompt ein:

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

Daraufhin generiert ChatGPT Work Python-Code für die Analyse und alle Visualisierungen und fasst alles in einem professionellen PDF-Report zusammen. Der Report enthält jede Grafik mit Erklärung sowie eine Zusammenfassung der wichtigsten Erkenntnisse.

Du kannst die erzeugten Dateien direkt in ChatGPT Work ansehen oder herunterladen und lokal prüfen. 

Im Outputs-Panel findest du den PDF-Report sowie einzelne Chart-Dateien oder Notebooks, die dabei entstanden sind.

Schritt 4: Modelle aufbauen und vergleichen

Jetzt, da wir die Daten verstehen, ist es Zeit, Modelle zu trainieren, die vorhersagen, welche Kundinnen und Kunden wahrscheinlich abwandern. 

Wir bauen eine saubere Machine-Learning-Pipeline, vergleichen mehrere Algorithmen und wählen anhand solider Metriken das beste Modell aus.

Füge diesen Prompt ein:

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

Nach dem Senden erstellt ChatGPT Work ein reproduzierbares scikit-learn-Pipeline-Skript und führt es aus.

Du siehst Status-Updates im Verlauf: Bibliotheken prüfen, Pipeline ausführen, Cross-Validation nur auf dem Trainingsset und Verifikation der finalen Ergebnisse.

Nach Abschluss erscheint eine übersichtliche Vergleichstabelle mit allen vier Modellen und ihren Metriken. 

Die Tabelle enthält Accuracy, Precision, Recall, F1, ROC-AUC und PR-AUC je Modell. 

In diesem Projekt erweist sich das Gradient Boosting-Modell als stärkster Kandidat und führt bei PR-AUC und ROC-AUC.

Schritt 5: Vorhersageleistung des Modells evaluieren

Nach der Modellauswahl prüfen wir, wie gut es auf bislang ungesehenen Daten performt. 

Wir evaluieren auf dem unangetasteten Testset und erstellen Visualisierungen, die die Ergebnisse greifbar machen.

Füge diesen Prompt ein:

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

Nach dem Senden evaluiert ChatGPT Work das Gradient-Boosting-Modell auf dem Testset und erzeugt einen umfassenden PDF-Report. 

Der Report enthält vier Visualisierungen. 

• Die Confusion-Matrix-Heatmap zeigt die Anzahl richtiger und falscher Vorhersagen auf einen Blick. 
• Die ROC-Kurve illustriert, wie gut das Modell Churner von Nicht-Churnern über unterschiedliche Schwellen trennt. 
• Die Precision-Recall-Kurve zeigt den Trade-off zwischen dem Erkennen von Churnern und dem Vermeiden von Fehlalarmen. 
• Das Feature-Importance-Diagramm rankt die wichtigsten Variablen. Typisch vorn: Alter, Anzahl Produkte, Aktivstatus, Kontostand und Geografie.

Schritt 6: Web-Apps direkt über ChatGPT Work Sites deployen

Ein Modell, das nur im Report lebt, lässt sich schwer teilen. In diesem Schritt machen wir aus unserem trainierten Churn-Predictor eine live nutzbare Web-App, die jede Person öffnen und testen kann.

Füge diesen Prompt ein:

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

ChatGPT Work enthält das Feature Sites, mit dem du Webanwendungen direkt aus deinem Projekt heraus bauen und deployen kannst. 

Nach dem Prompt gleicht ChatGPT Work zunächst die Modellausgaben mit den UI-Anforderungen ab und erstellt dann die Anwendung mit HTML, JavaScript und CSS.

Du erhältst auch einen Link zum Testen. Dieser Schritt dauert am längsten, da die Modellvorhersagen in eine polierte Oberfläche verdrahtet werden, die sofort auf Eingaben reagiert.

Beim Klick öffnet sich die Web-App innerhalb der ChatGPT-Oberfläche. Du siehst Eingabefelder für alle Kundenmerkmale, etwa Alter, Zugehörigkeit, Kontostand und Gehalt. 

Du kannst verschiedene Werte eingeben und erhältst binnen Millisekunden das Ergebnis: Bleibt oder geht – inklusive Churn-Wahrscheinlichkeit.

Die Reaktion ist präzise und schnell – so spürst du, wie sich das Modell mit echten Eingaben verhält.

So validierst du dein Modell für reale Nutzer, ohne eine Zeile Backend-Code zu schreiben oder Server aufzusetzen.

Schritt 7: Dein finales Projekt und Reports aus ChatGPT Work exportieren

Jedes gute Projekt verdient eine saubere Zusammenfassung. In diesem Schritt bündeln wir alles in einem professionellen Dokument – von Rohdaten bis zur Live-Vorhersage.

Füge diesen Prompt ein:

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

Nach dem Senden fasst ChatGPT Work das gesamte Projekt in einem einzigen PDF zusammen. 

Du siehst Status-Updates, während verifizierte Analysen, Modellergebnisse, Evaluations-Charts und Screenshots der Live-Weboberfläche gesammelt werden. 

Es werden zudem zwei Beispielprofile generiert – eines mit „bleibt“, eines mit „geht“ –, um die Demo zu belegen.

Nach Abschluss listet das Outputs-Panel das finale Report-PDF. 

Der Report deckt Data Audit, explorative Analyse, Visualisierungen, Model-Training, Modellvergleich, finale Evaluation, Kernerkenntnisse, Limitationen, Interface-Anleitung sowie die zwei funktionierenden Vorhersagebeispiele ab. 

Du kannst ihn direkt in ChatGPT Work öffnen oder herunterladen und teilen.

ChatGPT Work behält alle Projektdateien im Outputs-Panel, aber das einzelne Herunterladen ist mühsam. 

Am einfachsten bittest du ChatGPT Work, alles in eine einzige ZIP-Datei mit sauberer Ordnerstruktur zu packen.

Füge diesen Prompt ein: 

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

Nach dem Senden sammelt ChatGPT Work alle Dateien und organisiert sie in Ordnern wie data, visualizations, reports, modeling, evaluation und web_interface. 

Nach dem Download kannst du sie lokal entpacken und alle Artefakte durchsuchen – vom bereinigten Originaldataset bis zur finalen Live-Vorhersage-App. 

Fazit

Ich finde, ChatGPT Work verändert, wie Data Science gemacht wird.

Alles passiert im Browser – ohne Installationen, Umgebungssetup oder Abhängigkeitsärger. 

Du lädst eine Datei hoch, sendest einen Prompt und siehst zu, wie Daten bereinigt, Charts gebaut, Modelle trainiert und eine Live-App deployt wird – alles in einem Fluss.

Es fühlt sich ähnlich an wie Tools wie Claude Code, nur schneller und simpler. Du musst nichts konfigurieren. Keine Paketverwaltung. Kein Warten auf Kernelstarts. 

Du sprichst – und es baut. 

Das Modell analysiert deine Daten, trainiert sich, evaluiert sich und stellt sich anschließend selbst über eine Weboberfläche bereit, die du sofort teilen oder testen kannst.

Verglichen mit lokalen Setups mit VS Code, Extensions und verstreuten Notebooks ist das eine andere Welt. Kein Plattenplatz für Umgebungen, keine Versionskonflikte, kein Kontextwechsel zwischen zehn Tools. Du bleibst an einem Ort – und das Projekt wächst um dich herum.

Für alle, die von Rohdaten zu einer funktionierenden Vorhersagedemo kommen wollen, ohne ein Terminal anzufassen, ist ChatGPT Work mit GPT-5.6 der schnellste Weg.