Data Analyst Weiterbildung

Lektion 1 • Der Datenanalyse-Workflow

Stellt den End-to-End-Analyselebenszyklus von der Fragenformulierung bis zur Erkenntnislieferung vor. Bietet einen wiederholbaren Rahmen, den die Studierenden in jedem folgenden Kapitel anwenden.

Lektion 2 • Grundlagen der Datenethik und Data Governance

Stellt Datenschutzprinzipien, Dateneigentum und Standards für verantwortungsvolle Nutzung vor. Legt ethische Grenzen fest, die Studierende beim Umgang mit realen Datensätzen beachten müssen.

Lektion 3 • Die Rolle des Datenanalysten

Definiert die Verantwortlichkeiten von Analysten und grenzt sie von den Rollen in Data Science und Data Engineering ab. Verankert das Kapitel durch die Herstellung eines beruflichen Kontexts vor den technischen Inhalten.

Lektion 4 • Typen und Quellen von Daten

Klassifiziert strukturierte, halbstrukturierte und unstrukturierte Daten und ordnet gängige Quelltypen zu. Ermöglicht fundierte Entscheidungen über Datenerfassungsstrategien im gesamten Kurs.

Lektion 1 • Automatisierung mit Makros und Skripten

Stellt aufgezeichnete Makros und grundlegende Skripterstellung zur Automatisierung wiederkehrender Analystenaufgaben vor. Überbrückt die manuelle Arbeit in Tabellenkalkulationen hin zur programmatischen Datenverarbeitung, die später eingeführt wird.

Lektion 2 • Navigation und Einrichtung in Tabellenkalkulationen

Behandelt Arbeitsmappenstruktur, Zellbezüge und bewährte Methoden der Formatierung. Schafft effiziente Gewohnheiten, die Fehler bei der späteren, komplexeren Arbeit in Tabellenkalkulationen verhindern.

Lektion 3 • Wesentliche Formeln und Funktionen

Vermittelt Suchen-, Logik-, Text- und Datumsfunktionen, die von Analysten täglich verwendet werden. Ermöglicht direkt die Datentransformationsaufgaben, die in späteren Abschnitten zur Bereinigung und Analyse behandelt werden.

Lektion 4 • Diagramme und Dashboards in Tabellenkalkulationen

Behandelt Diagrammauswahl, Formatierung und die Verknüpfung von Diagrammen mit dynamischen Datenbereichen. Führt in Prinzipien der visuellen Kommunikation ein, die im Visualisierungskapitel vertieft werden.

Lektion 1 • Grundlegende SQL-Abfragesyntax

Vermittelt die Klauseln SELECT, WHERE, ORDER BY und LIMIT für präzisen Datenabruf. Bildet die syntaktische Grundlage, auf der jeder folgende SQL-Abschnitt aufbaut.

Lektion 2 • Unterabfragen und Fensterfunktionen

Stellt Unterabfragen, CTEs und Fensterfunktionen für fortgeschrittene analytische Abfragen vor. Ermöglicht Rangfolgen, laufende Summen und Periodenvergleiche in SQL.

Lektion 3 • Aggregation und Gruppierung

Behandelt GROUP BY, HAVING und Aggregatfunktionen zur Zusammenfassung von Datensätzen. Verknüpft die Konzepte der statistischen Aggregation aus Kapitel 1 mit der Anwendung auf Datenbankebene.

Lektion 4 • SQL-Abfrageoptimierung

Behandelt Indizierung, Ausführungspläne und Abfrageumschreibung für die Abfrageleistung. Bereitet Analysten auf den verantwortungsvollen Umgang mit großen Produktionsdatenbanken vor.

Lektion 5 • Grundlagen relationaler Datenbanken

Erläutert Tabellen, Schlüssel, Beziehungen und Schema-Design-Konzepte. Vermittelt das strukturelle Verständnis, das zum Schreiben genauer und effizienter Abfragen erforderlich ist.

Lektion 1 • Datenbereinigung in Python

Behandelt fehlende Werte, Duplikate, Typfehler und die Erkennung von Ausreißern programmatisch. Baut auf den Konzepten der Datenqualität aus Kapitel 1 mit skalierbaren, wiederholbaren Codelösungen auf.

Lektion 2 • Datenmanipulation mit pandas

Vermittelt die Erstellung, Indizierung, Filterung und Datentransformation von DataFrames mit pandas. Spiegelt SQL- und Tabellenkalkulationsoperationen direkt in einer programmatischen Umgebung wider.

Lektion 3 • Explorative Datenanalyse in Python

Wendet pandas und grundlegende Plotting-Funktionen an, um Datensätze zu profilieren und Muster aufzudecken. Verknüpft die statistischen Grundlagen aus Kapitel 1 mit praktischer, untersuchender Programmierarbeit.

Lektion 4 • Numerische Analyse mit NumPy

Stellt Array-Operationen, mathematische Funktionen und vektorisierte Berechnung vor. Bildet das numerische Rückgrat für statistische Analysen und die spätere Vorbereitung auf Machine Learning.

Lektion 1 • Umformen und Umstrukturieren von Daten

Behandelt Pivotieren, Entpivotieren, Stapeln und Aggregieren, um Daten für Analyseanforderungen umzuformen. Wendet pandas- und SQL-Fähigkeiten direkt in einem Data-Engineering-Kontext an.

Lektion 2 • Standardisieren und Transformieren von Daten

Vermittelt Normalisierung, Kodierung und Formatharmonisierung über Datensätze hinweg. Bereitet Daten für eine konsistente Analyse und nachgelagerte Datenvisualisierung oder Modellierung vor.

Lektion 3 • Aufbau einer wiederholbaren Datenpipeline

Stellt Entwurfsprinzipien, Dokumentation und Versionskontrolle für die Datenaufbereitung vor. Stellt sicher, dass die Bereinigungsarbeit prüfbar, reproduzierbar und projektübergreifend übertragbar ist.

Lektion 4 • Umgang mit fehlenden Daten

Behandelt Löschung, Imputation und Markierungsstrategien mit Entscheidungskriterien für jede. Baut auf Python- und SQL-Fähigkeiten auf, um Lösungen im großen Stil zu implementieren.

Lektion 1 • Prinzipien effektiver Visualisierung

Behandelt Wahrnehmungsprinzipien, Diagrammauswahllogik und häufige Visualisierungsfehler. Schafft den Rahmen des Design-Denkens, der in jedem folgenden Abschnitt angewendet wird.

Lektion 2 • Visualisierung mit Python-Bibliotheken

Vermittelt Matplotlib und Seaborn zur Erstellung publikationsreifer statischer Diagramme in Python. Erweitert die Python-Fähigkeiten aus Kapitel 4 um die visuelle Ausgabe für Analyseberichte.

Lektion 3 • Data Storytelling und narratives Design

Vermittelt die Strukturierung von Erkenntnissen in einem logischen narrativen Bogen für Führungskräfte. Integriert Visualisierungsfähigkeiten mit Kommunikationsstrategie für maximale geschäftliche Wirkung.

Lektion 4 • Interaktive Dashboards mit BI-Tools

Stellt Drag-and-Drop-BI-Plattformen zum Erstellen interaktiver, teilbarer Dashboards vor. Verbindet Datenquellen aus Tabellenkalkulationen und SQL mit visuellen Business-Reporting-Ebenen.

Lektion 1 • Wahrscheinlichkeits- und Stichprobenverteilungen

Vertieft die Wahrscheinlichkeitskonzepte aus Kapitel 1 mit Stichprobenverteilungen und dem zentralen Grenzwertsatz. Bietet die theoretische Grundlage für alle folgenden Inferenztechniken.

Lektion 2 • Korrelations- und Regressionsanalyse

Vermittelt die Pearson- und Spearman-Korrelation sowie die einfache lineare Regressionsmodellierung. Verknüpft statistische Theorie mit prädiktiven und erklärenden Geschäftsfragen.

Lektion 3 • Gruppenvergleiche mit statistischen Tests

Behandelt t-Tests, ANOVA und Chi-Quadrat-Tests zum Vergleich von Mittelwerten und Verteilungen. Befähigt Analysten, beobachtete Unterschiede mit statistischer Strenge zu validieren.

Lektion 4 • A/B-Testing und Experimente

Wendet Hypothesentests auf kontrollierte Experimente und das Design von A/B-Tests an. Bereitet Analysten darauf vor, Produkt-, Marketing- und Betriebsexperimente rigoros zu bewerten.

Lektion 1 • Kohorten- und Trichteranalyse

Vermittelt Retentions-Kohortenanalyse und Konversions-Trichtermetriken für das Nutzerverhalten. Wendet SQL- und Python-Fähigkeiten auf Produkt- und Marketinganalytik-Anwendungsfälle an.

Lektion 2 • Zeitreihenanalyse

Behandelt Trend-, Saisonalitäts- und Prognosemethoden für zeitbezogene Geschäftsdaten. Wendet Python- und Statistikfähigkeiten auf Umsatz-, Nachfrage- und Betriebszeitreihen an.

Lektion 3 • KPI-Design und Metrik-Frameworks

Behandelt das Design aussagekräftiger KPIs, Metrikbäume und North-Star-Frameworks. Verbindet analytische Ergebnisse mit strategischen Geschäftszielen und Entscheidungsfindung.

Lektion 4 • Abschlussprojekt: End-to-End-Analyseprojekt

Integriert alle Kursfähigkeiten in einem vollständigen Projekt von Rohdaten bis zur Führungskräftepräsentation. Demonstriert die Bereitschaft des Analysten durch ein portfoliowürdiges Ergebnis.