Kurs für Datenanalyse

Lektion 1 • Datenquellen und Datenstrukturen

Untersucht strukturierte, semistrukturierte und unstrukturierte Datenquellen. Bereitet Studierende darauf vor, geeignete Daten für jede analytische Aufgabe zu identifizieren.

Lektion 2 • Was Datenanalyse ist

Definiert Datenanalyse und ihren Umfang in modernen Organisationen. Führt das im gesamten Kurs verwendete Vokabular ein.

Lektion 3 • Ethik und Governance in der Analyse

Behandelt Datenschutzprinzipien, Verzerrungsrisiken und Standards für verantwortungsvolle Nutzung. Verankert alle nachfolgenden technischen Arbeiten in ethischer Praxis.

Lektion 4 • Arten der Analyse

Stellt deskriptive, diagnostische, prädiktive und präskriptive Analysen gegenüber. Verbindet jeden Typ mit realen Geschäftsentscheidungen.

Lektion 1 • Grundlagen der Datenpipeline

Erläutert ETL- und ELT-Prozesse sowie Konzepte der Pipeline-Orchestrierung. Vermittelt den Studierenden ein mentales Modell für automatisierte Datenbewegungen.

Lektion 2 • Methoden der Datenerfassung

Untersucht Umfragen, Web Scraping, Transaktionssysteme und Sensordaten. Verbindet die Wahl der Erfassungsmethode mit der resultierenden Datenqualität.

Lektion 3 • Einführung in SQL

Vermittelt die grundlegende SQL-Syntax zum Abfragen und Filtern von Daten. Unterstützt direkt die Datenextraktionsaufgaben in allen nachfolgenden Kapiteln.

Lektion 4 • Grundlagen relationaler Datenbanken

Stellt Tabellen, Schlüssel und Beziehungen in relationalen Datenbanken vor. Befähigt die Studierenden, grundlegende Schemata zu lesen und zu entwerfen.

Lektion 1 • Datenqualität verstehen

Definiert Genauigkeit, Vollständigkeit, Konsistenz und Aktualität als Qualitätsdimensionen. Legt den Standard fest, an dem alle Bereinigungsarbeiten gemessen werden.

Lektion 2 • Umgang mit fehlenden und doppelten Daten

Behandelt Erkennungs- und Behandlungsstrategien für Nullwerte, leere Felder und doppelte Datensätze. Reduziert direkt Verzerrungen und Fehler in der nachgelagerten Analyse.

Lektion 3 • Erkennung und Behandlung von Ausreißern

Stellt statistische und visuelle Methoden zur Identifizierung von Ausreißern vor. Lehrt kontextgesteuerte Entscheidungen über das Behalten oder Entfernen extremer Werte.

Lektion 4 • Grundlagen des Feature Engineering

Behandelt die Erstellung neuer Variablen aus vorhandenen Daten zur Steigerung der Analysefähigkeit. Überbrückt die Kapitel zur Datenvorbereitung und Modellierung.

Lektion 1 • Hypothesenformulierung

Lehrt, wie man Geschäftsfragen aus EDA-Erkenntnissen in testbare Hypothesen übersetzt. Verbindet explorative Arbeit mit bestätigender Analyse.

Lektion 2 • Univariate Analyse

Untersucht Einzelvariablenverteilungen mithilfe von Histogrammen, Boxplots und Häufigkeitstabellen. Bildet Mustererkennungsfähigkeiten aus, die als Nächstes in der multivariaten Analyse angewendet werden.

Lektion 3 • Bivariate und multivariate Analyse

Erkundet Beziehungen zwischen zwei oder mehr Variablen mithilfe von Streudiagrammen, Heatmaps und Kreuztabellen. Deckt Korrelationen und Interaktionen in den Daten auf.

Lektion 4 • Deskriptive Statistik

Behandelt Maße der zentralen Tendenz, Streuung und Form zur Zusammenfassung von Verteilungen. Bietet die numerische Grundlage für alle EDA-Arbeiten.

Lektion 1 • Korrelations- und Regressionsanalyse

Stellt die Pearson-Korrelation und die einfache lineare Regression zur Modellierung von Beziehungen vor. Überbrückt statistische Inferenz und prädiktive Modellierung.

Lektion 2 • Hypothesentests

Lehrt t-Tests, Chi-Quadrat-Tests und ANOVA zum Vergleich von Gruppen. Verbindet statistische Entscheidungen mit den in der EDA eingeführten Geschäftsfragen.

Lektion 3 • Multiple Regression und Modellvalidierung

Erweitert die Regression um mehrere Prädiktoren und behandelt Überanpassung und Validierungsstrategien. Bereitet Studierende auf die folgenden Konzepte des maschinellen Lernens vor.

Lektion 4 • Grundlagen der Wahrscheinlichkeitsrechnung

Behandelt Wahrscheinlichkeitsregeln, Verteilungen und den zentralen Grenzwertsatz. Bietet die mathematische Grundlage für alle inferenzstatistischen Techniken.

Lektion 1 • Techniken des Data Storytelling

Wendet narrative Struktur, Kontext und Spannung auf Datenpräsentationen an. Verwandelt statische Diagramme in überzeugende analytische Geschichten.

Lektion 2 • Prinzipien des visuellen Designs

Behandelt präattentive Merkmale, Gestaltprinzipien und Rahmenwerke zur Diagrammauswahl. Etabliert Designregeln, die in jeder nachfolgenden Visualisierung angewendet werden.

Lektion 3 • Kern-Diagrammtypen und Anwendungsfälle

Entwickelt Kenntnisse in Balken-, Linien-, Streu-, Kreis- und Kartendiagrammen. Verbindet jeden Diagrammtyp mit der analytischen Frage, die er am besten beantwortet.

Lektion 4 • Dashboard-Design

Vermittelt Prinzipien für Layout, Hierarchie und Interaktivität für Multi-Chart-Dashboards. Bereitet Studierende darauf vor, operative und Executive-Dashboards zu erstellen.

Lektion 1 • Konzepte des maschinellen Lernens

Definiert überwachtes, unüberwachtes und bestärkendes Lernen mit Geschäftsbeispielen. Etabliert die konzeptionelle Landkarte für alle Modellierungsarbeiten in diesem Kapitel.

Lektion 2 • Regressions- und Prognosemodelle

Erweitert Regression auf polynomiale und regularisierte Formen und führt Zeitreihenprognosen ein. Verbindet prädiktive Modellierung mit operativer Planung.

Lektion 3 • Clustering und Segmentierung

Wendet k-Means und hierarchisches Clustering an, um Kunden und Datenpunkte zu segmentieren. Ermöglicht unüberwachte Mustererkennung ohne gelabelte Daten.

Lektion 4 • Grundlagen der Modellauswahl und -bereitstellung

Behandelt Kreuzvalidierung, Hyperparameter-Tuning und Konzepte der Modellbereitstellung. Bereitet Studierende darauf vor, Modelle von Notebooks in die Produktion zu überführen.

Lektion 1 • Entwicklung einer Analyse-Roadmap

Führt Studierende durch die Erstellung einer phasenbasierten Analyse-Roadmap mit Meilensteinen und Ressourcenplänen. Fasst alle Kursinhalte in einem strategischen Ergebnis zusammen.

Lektion 2 • Analyse-Governance und Datenqualität

Etabliert Data-Governance-Strukturen, Stewardship-Rollen und Qualitätsstandards im großen Maßstab. Stellt sicher, dass Analyseergebnisse vertrauenswürdig und konform sind.

Lektion 3 • Messung des Analyse-ROI

Behandelt Rahmenwerke zur Quantifizierung der finanziellen und operativen Auswirkungen von Analyseprojekten. Erstellt den Business Case für kontinuierliche Analyseinvestitionen.

Lektion 4 • Aufbau einer datengesteuerten Kultur

Behandelt Change Management, Data-Literacy-Programme und Executive Sponsorship. Verbindet individuelle Analysefähigkeiten mit organisatorischer Transformation.