Databricks für Datenanalyse verwenden

Der Databricks-Konnektor gibt Claude Zugriff auf die internen Daten deiner Organisation über Unity Catalog und ermöglicht die Analyse deiner Datenbanken, die Ausführung benutzerdefinierter Geschäftslogik und den Zugriff auf unstrukturierte Dokumente. Databricks bietet drei separate Konnektoren: einen für Funktionen, einen für die Vektorsuche und einen für Genie, die jeweils auf unterschiedliche Funktionen innerhalb deines Databricks-Workspace zugreifen.

Erinnerung an Databricks-Komponenten

Bevor wir untersuchen, was Claude mit Databricks tun kann, ist es wichtig, drei Kernkomponenten zu verstehen, die innerhalb deines Databricks-Workspace existieren:

1. Unity Catalog Functions: Benutzerdefinierte Python- oder SQL-Funktionen, die deine Organisation für bestimmte Berechnungen, Datentransformationen oder API-Integrationen erstellt hat. Dazu können proprietäre Scoring-Algorithmen, normalisierte Finanzberechnungen oder geschäftsspezifische Datenverarbeitungslogik gehören.

2. Vector Search: Semantische Suchindizes, die auf den Dokumenten und Datensätzen deiner Organisation aufgebaut sind. Diese ermöglichen die Suche nach konzeptionell ähnlichen Inhalten, selbst wenn exakte Schlüsselwörter nicht übereinstimmen.

3. Genie: Eine natürlichsprachliche Schnittstelle, die einfache englische Fragen in SQL-Abfragen gegen deine Daten übersetzt. Genie verwendet Metadaten über deine Tabellen und Spalten, um Geschäftsterminologie zu verstehen und passende Abfragen zu generieren.

Was dieser Konnektor bietet

Integrationsfähigkeiten

Durch die Databricks-Integration kann Claude auf Ressourcen in deinem Workspace zugreifen:

• Benutzerdefinierte Funktionen ausführen: Claude kann Unity Catalog-Funktionen ausführen, die von deiner Organisation definiert wurden. Dazu gehört die Ausführung komplexer Geschäftslogik, die Anwendung von Berechnungen oder der Aufruf externer APIs über Funktionen, die dein Team erstellt hat. Wenn deine Organisation beispielsweise eine benutzerdefinierte Customer-Health-Score-Funktion erstellt hat, kann Claude diese konsistent über alle Analysen hinweg anwenden.

• Semantische Suche: Mithilfe von Vektorsuchindizes kann Claude relevante Dokumente und Inhalte basierend auf der Bedeutung und nicht nur auf Schlüsselwörtern finden. Dies ist besonders nützlich für die Suche in Verträgen, Forschungsberichten, Kundenfeedback oder technischer Dokumentation, in denen ähnliche Konzepte auf unterschiedliche Weise ausgedrückt werden können.

• Natürlichsprachliche Abfragen: Über Genie kann Claude einfache englische Fragen in SQL-Abfragen übersetzen. Anstatt komplexes SQL zu schreiben, kannst du Fragen wie „Wie war unser Umsatzwachstum im letzten Quartal?" stellen, und Claude verwendet Genie, um die passende Abfrage zu generieren und auszuführen.

• Geregelter Zugriff: Jeder Datenzugriff über den Konnektor respektiert die Unity Catalog-Berechtigungen und -Richtlinien deiner Organisation. Claude kann nur auf Daten zugreifen und Funktionen ausführen, für die dein Benutzerkonto die Berechtigung hat.

Wie Claude Databricks-Daten verwendet

Claude wendet Databricks-Funktionen auf verschiedene Weise an, um eine umfassende Datenanalyse zu unterstützen:

• Multi-Source-Analyse: Claude kombiniert Ergebnisse aus Datenbankabfragen, Vektorsuchen und benutzerdefinierten Funktionen, um umfassende Erkenntnisse zu liefern. Wenn Claude beispielsweise eine Investitionsthese validiert, könnte es die historische Finanzperformance aus deiner Portfolio-Datenbank abfragen, frühere Due-Diligence-Berichte für ähnliche Sektorinvestitionen durchsuchen und deine proprietäre IRR-Berechnungsfunktion anwenden, um erwartete Renditen zu modellieren.

• Iterative Exploration: Claude kann Daten abfragen, erste Ergebnisse analysieren und Suchen basierend auf den Erkenntnissen verfeinern. Dies ermöglicht Analysen, bei denen Erkenntnisse aus einer Abfrage die nächste beeinflussen.

• Anwendung benutzerdefinierter Logik: Durch die Ausführung von Unity Catalog-Funktionen wendet Claude die spezifischen Regeln und Berechnungen deiner Organisation an. Dies stellt sicher, dass proprietäre Kennzahlen, angepasste Berechnungen und unternehmensspezifische Logik einheitlich über alle Analysen hinweg angewendet werden.

• Kontextbezogene Abfrageerstellung: Wenn du Fragen in einfachem Englisch stellst, verwendet Claude Genie, um sie in passende SQL-Abfragen zu übersetzen. Diese Übersetzung berücksichtigt deine Tabellenstrukturen, Spaltennamen und Beziehungen, um präzise Abfragen zu generieren, die zu deiner Datenbankstruktur passen.

• Mustererkennung: Durch die Vektorsuche kann Claude Muster und Ähnlichkeiten über Dokumente und Daten hinweg finden. Dies hilft dabei, verwandte Probleme, ähnliche Transaktionen oder vergleichbare Situationen zu finden, die durch traditionelle Schlüsselwortsuchen möglicherweise nicht offensichtlich sind.

Einrichten des Databricks-Konnektors

Die Databricks-Integration besteht aus drei separaten Konnektoren, die jeweils eine separate Einrichtung erfordern:

1. Functions-Server: Greift auf Unity Catalog-Funktionen für Berechnungen, Geschäftslogik und Datentransformationen zu.

2. Vector-Search-Server: Ermöglicht die semantische Suche über indizierte Dokumente und Datensätze.

3. Genie-Server: Bietet Funktionen zur Übersetzung von natürlicher Sprache in SQL-Abfragen.

Technische Details zu den Databricks-Konnektoren findest du in der MCP-Server-Dokumentation von Databricks. Die Authentifizierung mit den Konnektoren von Databricks erfolgt über OAuth (für Claude.ai und Claude Desktop) oder über ein Databricks Personal Access Token (nur für Claude Desktop).

Hinzufügen des Konnektors als Organisationsinhaber

1. Navigiere zu Admin-Einstellungen > Konnektoren.

2. Scrolle nach unten und klicke am Ende der Liste auf „Benutzerdefinierten Konnektor hinzufügen".

3. Gib die Integrations-URL für deinen Databricks-Workspace ein

4. Benenne die Integration. Denke daran, dass es drei separate Databricks-Server gibt, also solltest du jeden eindeutig benennen (z. B. „Databricks UC", „Databricks Genie", „Databricks Search")

5. Klicke auf „Hinzufügen"

Für einzelne Benutzer

Erfahre mehr über das Finden und Verbinden von Tools.

Häufige Anwendungsfälle

Beispiel für verfügbare Ressourcen

Um zu veranschaulichen, wie diese Funktionen zusammenarbeiten, betrachten wir eine Private-Equity-Firma mit den folgenden konfigurierten Databricks-Ressourcen:

Tabellen in diesem Szenario

1. portfolio_companies: Unternehmensdetails, Akquisitionsinformationen, aktuelle Bewertungen und Verschuldungsgrade

2. financial_statements: Periodenfinanzdaten einschließlich Umsatz, EBITDA mit Anpassungen und operativen Kennzahlen wie Kundenanzahl und Abwanderung

3. market_comparables: Vergleichbare Unternehmen im Sektor mit Bewertungsmultiplikatoren und Wachstumsraten

4. due_diligence_docs: Repository mit Due-Diligence-Berichten, Analysedokumenten und Deal-Memos

Unity Catalog-Funktionen in diesem Szenario

1. calculate_normalized_ebitda(): Wendet standardmäßige Private-Equity-Anpassungen auf das ausgewiesene EBITDA an, entfernt einmalige Kosten und normalisiert die Eigentümervergütung

2. compute_portfolio_irr(): Berechnet den internen Zinsfuß (IRR) und das Money-on-Invested-Capital basierend auf Cashflows und Haltedauern

3. estimate_debt_capacity(): Modelliert die maximale Verschuldungskapazität mit Covenant-Compliance-Stresstests unter verschiedenen Szenarien

Vector-Search-Index in diesem Szenario

1. due_diligence_index: Semantische Suche über alle Due-Diligence-Dokumente, Deal-Memos und Analyseberichte

Analyse der Exit-Bereitschaft des Portfolios

Beispiel-Eingabeprompt:

Für diese Analyse könnte Claude die verschiedenen UC-Funktionen und Genie in den folgenden Schritten verwenden:

1. Genie: Identifiziere Portfoliounternehmen, die länger als 3 Jahre gehalten werden, und rufe ihre aktuellsten Finanzdaten ab.

2. UC Function: Rufe calculate_normalized_ebitda() für jedes Unternehmen auf, um PE-Anpassungen anzuwenden.

3. UC Function: Führe compute_portfolio_irr() aus, um IRR und MOIC für jedes Unternehmen zu berechnen.

4. Genie: Frage Marktvergleichswerte ab und wende Sektormultiplikatoren auf das normalisierte EBITDA an, um Bewertungsspannen zu erhalten.

Claude könnte dann seine Ergebnisse in einer Zusammenfassung darstellen, die exit-bereite Unternehmen mit IRR, MOIC und Bewertungsspannen basierend auf aktuellen Marktmultiplikatoren zeigt.

Bewertung eines neuen Deals

Beispiel-Eingabeprompt:

Um diese Anfrage zu erfüllen, könnte Claude diesem Workflow folgen:

1. Genie: Frage Marktvergleichswerte für ähnlich große Unternehmen im Sektor des Zielunternehmens ab, um Bewertungsbenchmarks zu erstellen.

2. UC Function: Rufe estimate_debt_capacity() mit den Zielkennzahlen auf, um Verschuldungsszenarien zu modellieren und die Covenant-Compliance zu stresstesten.

3. Vector Search: Durchsuche den Due-Diligence-Index nach relevanten Value-Creation-Playbooks und vergleichbaren Transaktionen.

4. Synthese: Kombiniere die Ergebnisse, um eine Bewertungsspanne, eine empfohlene Kapitalstruktur und relevante Präzedenzfälle zu erstellen.

Im Idealfall würde Claude dann mit einem Bericht über die Bewertungsspanne und einen empfohlenen Angebotspreis antworten und dabei die Quellen zitieren, die zu seiner Empfehlung geführt haben.

Bewertung des Covenant-Bruch-Risikos

Beispiel-Eingabeprompt:

Für diese Aufgabe könnte Claude die folgenden Ressourcen verwenden:

1. Genie: Identifiziere Portfoliounternehmen mit Schulden, mit Fokus auf solche mit einem Verschuldungsgrad von mehr als 4x.

2. UC Function: Rufe calculate_normalized_ebitda() für jedes hoch verschuldete Unternehmen auf, um eine Basislinie zu erstellen.

3. UC Function: Führe estimate_debt_capacity() mit Rückgangsszenarien von 15 %, 20 % und 25 % für jedes Unternehmen aus.

4. Genie: Frage historische Finanzdaten ab, um Unternehmen mit sich verschlechternden Working-Capital-Trends zu identifizieren.

Claude könnte dann mit einer Bruchrisikoanalyse antworten, die nach Unternehmen und Szenario gegliedert ist.

Tipps zur Verwendung von Databricks

• Sei konkret darüber, welche Daten du suchst.

  • Beispiel: Anstatt „Analysiere Kunden" versuche „Zeig mir unsere Top-20-Kunden nach…"

• Verwende „finde ähnliche"-Formulierungen für den Musterabgleich

  • Beispiel: „Finde Feedback, das Probleme wie diese Beschwerde erwähnt."

• Denke daran, dass alle Datenzugriffsberechtigungen deinen Unity Catalog-Berechtigungen folgen. Claude kann nur auf die Daten zugreifen, auf die du auch zugreifen kannst.

• Benutzerdefinierte Funktionen bieten konsistente Berechnungen. Erwäge, UC-Funktionen zur Berechnung standardisierter Kennzahlen hinzuzufügen.

• Komplexe Analysen können mehrere Schritte erfordern. Frage zuerst nach einem Plan und überprüfe Claudes vorgeschlagenen Ansatz.