Data Analytics

Data Analytics

Einführung in Data Analytics (ca. 1 Tag)
Aufgaben, Anwendungsbereiche und typische Anwendungsfälle von Data Analytics 
Data-Analytics-Prozesse und CRISP-DM 
Rolle des Data Analysts und Abgrenzung zu Data Science, Data Engineering und Business Intelligence 
Einordnung von Künstlicher Intelligenz und Machine Learning

Python für Data Analytics (ca. 1 Tag)
Arbeiten mit Jupyter NotebooksNumPy und Pandas für die DatenanalyseImport und Export verschiedener Datenquellen, z. B. Excel und CSVAuswahl und Transformation von Daten

Datenaufbereitung und explorative Datenanalyse (ca. 3 Tage)
Datenbereinigung und -transformation mit Pandas 
Umgang mit fehlenden, fehlerhaften und auffälligen Daten 
Zusammenführen, Gruppieren und Aggregieren von Daten 
Explorative Datenanalyse und Ableitung erster Erkenntnisse 
Grundlagen statistischer Auswertungen

SQL und Datenmanagement (ca. 2 Tage)
Relationale Datenbanken und Datenmodelle 
Datenabfragen und -aufbereitung mit SQL 
Joins, Aggregationen und analytische Abfragen 
Zusammenspiel von SQL und Python in der Datenanalyse 
Datenqualität und DatenschutzAnbindung und Nutzung cloudbasierter Datenbanken

Datenvisualisierung und Data Storytelling (ca. 2 Tage)
Visualisierung mit Matplotlib, Seaborn und Plotly 
Auswahl geeigneter Diagramme und Visualisierungsformen 
Aufbereitung und Interpretation von Analyseergebnissen 
Data Storytelling und adressatengerechte Kommunikation

Power BI und interaktive Dashboards (ca. 2 Tage)
Datenimport und -aufbereitung mit Power Query 
Datenmodellierung und Beziehungen 
Grundlagen von DAX und Kennzahlen 
Erstellung interaktiver Reports und Dashboards 
Visualisierung und Kommunikation von Business-KPIsÜberblick über alternative Business-Intelligence- und Visualisierungslösungen

KI-gestützte Datenanalyse (ca. 2 Tage)
Einsatz generativer KI im Data-Analytics-Workflow 
KI-gestützte Datenaufbereitung, Analyse und Visualisierung 
Unterstützung bei Python- und SQL-Abfragen 
Prompting für Datenanalysen und Interpretation von Ergebnissen 
Kritische Bewertung von Datenquellen sowie Erkennung synthetischer und unplausibler Daten
Qualitätssicherung, Datenschutz und verantwortungsvoller KI-Einsatz

Business Analytics und statistische Grundlagen (ca. 2 Tage)
Kennzahlen und KPIs im Unternehmenskontext 
Deskriptive Statistik und statistische Zusammenhänge 
Korrelation, Kausalität und einfache Regressionsanalysen 
Grundlagen von Konfidenzintervallen und Hypothesentests 
Interpretation von Analyseergebnissen und Ableitung datenbasierter Handlungsempfehlungen

Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse



Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.