Digital Data Analyst Kurs

Lektion 1 • Die Rolle des Datenanalysten

Definiert Analystenverantwortlichkeiten, Stakeholder-Beziehungen und Arbeitsablaufphasen. Verankert alle nachfolgenden technischen Fähigkeiten in einem beruflichen Kontext.

Lektion 2 • Arten und Quellen von Daten

Behandelt strukturierte, unstrukturierte und semi-strukturierte Daten sowie primäre und sekundäre Quellen. Befähigt Studierende, geeignete Daten für jede Analyseaufgabe zu identifizieren.

Lektion 3 • Rahmenwerke für analytisches Denken

Führt Problemzerlegung, Hypothesenbildung und logische Denkmuster ein. Bietet ein wiederholbares Gedankenmodell zur Lösung jeder analytischen Herausforderung.

Lektion 1 • Kernformeln und -funktionen

Lehrt Nachschlage-, logische, Text- und Datumsfunktionen, die für die Datentransformation wesentlich sind. Ermöglicht direkt die in späteren Kapiteln behandelten Aufgaben zur Datenbereinigung und -aggregation.

Lektion 2 • Grundlegende statistische Funktionen

Wendet deskriptive Statistik – Mittelwert, Median, Standardabweichung und Perzentile – innerhalb von Tabellenkalkulationen an. Bereitet Studierende auf tiefergehende statistische Analysen in späteren Kapiteln vor.

Lektion 3 • Pivot-Tabellen und Aggregation

Demonstriert den Aufbau von Pivot-Tabellen, Gruppierung und berechnete Felder zur Zusammenfassung von Daten. Schlägt die Brücke von Rohdaten zu den zusammenfassenden Erkenntnissen, die Stakeholder benötigen.

Lektion 4 • Tabellenkalkulationsnavigation und -einrichtung

Behandelt Arbeitsmappenstruktur, Zellbezüge und Formatierungskonventionen. Etabliert effiziente Gewohnheiten, die Fehler in allen nachfolgenden Tabellenkalkulationsarbeiten reduzieren.

Lektion 1 • Fensterfunktionen

Behandelt RANK, ROW_NUMBER, LAG, LEAD und laufende Summen mit OVER-Klauseln. Ermöglicht Zeitreihen- und Ranking-Analysen, ohne die Details auf Zeilenebene zu verlieren.

Lektion 2 • Aggregation und Gruppierung

Lehrt GROUP BY, HAVING und Aggregatfunktionen zur Zusammenfassung großer Datensätze. Ermöglicht Analysten die Erstellung von zusammenfassenden Metriken, die von Stakeholdern am häufigsten angefordert werden.

Lektion 3 • Konzepte relationaler Datenbanken

Erklärt Tabellen, Schlüssel, Beziehungen und Schemata als strukturelle Grundlage für SQL. Das Verständnis dieses Kontexts verhindert Abfragefehler und verbessert die Join-Logik.

Lektion 4 • Unterabfragen und CTEs

Führt Unterabfragen und Common Table Expressions (CTEs) für einen modularen, lesbaren Abfrageentwurf ein. Bereitet Studierende auf die komplexen analytischen Abfragen vor, die in der erweiterten Berichterstattung verwendet werden.

Lektion 5 • Kern-SELECT-Abfragen

Behandelt die Klauseln SELECT, WHERE, ORDER BY und LIMIT für den grundlegenden Datenabruf. Dies sind die Bausteine für jede komplexere Abfrage in diesem Kapitel.

Lektion 1 • Hypothesentests

Lehrt Null- und Alternativhypothesen, p-Werte, Signifikanzniveaus sowie Fehler 1. und 2. Art. Ermöglicht Analysten, statistisch vertretbare Behauptungen auf Basis von Stichprobendaten aufzustellen.

Lektion 2 • Deskriptive Statistik im Detail

Erweitert die Tabellenkalkulationsstatistik um Verteilungen, Schiefe, Kurtosis und robuste Maße. Liefert das Vokabular, um jeden Datensatz präzise zu beschreiben.

Lektion 3 • Grundlagen der Wahrscheinlichkeit

Behandelt Wahrscheinlichkeitsregeln, bedingte Wahrscheinlichkeit und für Geschäftsdaten relevante gängige Verteilungen. Untermauert alle in diesem Kapitel später eingeführten inferentiellen Methoden.

Lektion 4 • Korrelation und einfache Regression

Behandelt die Pearson-Korrelation, die einfache lineare Regression und die Interpretation von Residuen. Führt prädiktive Modellierungskonzepte ein, die im nächsten Kapitel erweitert werden.

Lektion 1 • Python-Grundlagen für Analysten

Behandelt Variablen, Datentypen, Kontrollfluss und Funktionen als das für die Analyse minimal erforderliche Python. Hält den Fokus auf Anwendungsfälle des Analysten, nicht auf allgemeine Softwareentwicklung.

Lektion 2 • Aggregations- und GroupBy-Operationen

Wendet groupby, pivot_table und resample zur Zusammenfassung von Daten über Dimensionen und Zeit hinweg an. Erweitert SQL-Aggregationskonzepte in einen flexiblen programmatischen Arbeitsablauf.

Lektion 3 • Datenmanipulation mit Pandas

Lehrt die Erstellung von DataFrames, Indizierung, Filterung und Zusammenführung mit Pandas. Spiegelt die bereits erlernten Tabellenkalkulations- und SQL-Fähigkeiten in einer programmatischen Umgebung wider.

Lektion 4 • Datenbereinigung mit Python

Behandelt fehlende Werte, Typkonvertierung, String-Normalisierung und Ausreißererkennung in Pandas. Erzeugt zuverlässige, analysereife Daten aus unordentlichen realen Eingaben.

Lektion 1 • Gestaltungsprinzipien für die Visualisierung

Behandelt präattentive Merkmale, die Logik der Diagrammauswahl und häufige irreführende Diagrammmuster. Verankert alle toolspezifischen Arbeiten in universellen Designstandards.

Lektion 2 • Diagramme und Grafiken in Python

Erstellt statische und interaktive Diagramme mit matplotlib und seaborn. Verbindet die Python-Datenmanipulation direkt mit der visuellen Ausgabe für durchgängige Arbeitsabläufe.

Lektion 3 • Storytelling mit Daten

Lehrt narrative Struktur, Annotation und die Sequenzierung von Visualisierungen zur Steuerung der Publikumsinterpretation. Verwandelt technisch korrekte Diagramme in überzeugende analytische Geschichten.

Lektion 4 • Dashboard-Leistung und Benutzerfreundlichkeit

Behandelt Filterdesign, Lastoptimierung und Barrierefreiheitsstandards für Produktions-Dashboards. Stellt sicher, dass Dashboards mit wachsenden Datenmengen und Nutzerzahlen nutzbar bleiben.

Lektion 1 • Multiple lineare Regression

Erweitert die einfache Regression auf mehrere Prädiktoren, behandelt Multikollinearität und Modellauswahl. Baut direkt auf den Regressionsgrundlagen aus dem Statistik-Kapitel auf.

Lektion 2 • Zeitreihenanalyse

Behandelt Trend, Saisonalität und Zerlegung für die Prognose von Geschäftsmetriken im Zeitverlauf. Adressiert die zeitlichen Datenmuster, die in Vertrieb, Finanzen und Betrieb üblich sind.

Lektion 3 • Segmentierung und Clustering

Wendet k-Means und hierarchisches Clustering an, um Kunden, Produkte oder Verhaltensweisen zu gruppieren. Ermöglicht Analysten, natürliche Muster ohne vordefinierte Labels zu entdecken.

Lektion 4 • Logistische Regression und Klassifikation

Führt die logistische Regression für binäre Ergebnisse ein und bewertet Modelle mit Konfusionsmatrizen. Erweitert das Werkzeugset des Analysten um kategoriale Vorhersageprobleme.

Lektion 1 • Messung der analytischen Wirkung

Führt Rahmenwerke ein, um zu verfolgen, ob analytische Empfehlungen umgesetzt und wirksam waren. Schließt den Rückkopplungskreislauf zwischen Analyse und Geschäftswert.

Lektion 2 • Präsentieren vor Stakeholdern

Lehrt Folienentwurf, mündlichen Vortrag und den Umgang mit Fragen bei Analysepräsentationen. Überbrückt die Lücke zwischen gründlicher Analyse und selbstbewusster Kommunikation.

Lektion 3 • Strukturieren analytischer Berichte

Behandelt das Schreiben einer Zusammenfassung, die Hierarchie der Ergebnisse und die Organisation von Belegen. Stellt sicher, dass analytische Arbeit für nicht-technische Entscheidungsträger zugänglich ist.