Data Analytics – Grundlagen und Praxis
Daten verstehen, analysieren und Ergebnisse fundiert interpretieren
01 Intro
Data Analytics umfasst weit mehr als die Bedienung einzelner Werkzeuge.
Ausgangspunkt ist eine Fragestellung, aus der geeignete Daten,
Analyseverfahren und Darstellungen abgeleitet werden müssen. Gleichzeitig
müssen Datenqualität, statistische Aussagekraft und die Grenzen der
Ergebnisse berücksichtigt werden.
Der Kurs vermittelt einen praxisorientierten Überblick über den
vollständigen Analyseprozess. Er verbindet Datenverständnis,
Datenaufbereitung, deskriptive und explorative Analyse, statistische
Grundlagen und Visualisierung. Python dient als praktisches Werkzeug, steht
aber nicht als Programmiersprache im Mittelpunkt.
Kurs-ID
DATA-006
Dauer
3 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Keine Data-Analytics-Kenntnisse nötig; Python-Grundkenntnisse sind für die Übungen hilfreich
02 Trainingsprogramm
Inhalte
Data Analytics einordnen
- Data Analytics und Data Science
- deskriptive, diagnostische, prädiktive und präskriptive Analyse
- typische Einsatzgebiete
- Analyseprozess
- Rolle von Statistik, Programmierung und Fachwissen
Von der Fragestellung zur Analyse
- fachliche Fragestellung
- messbare Größen
- Kennzahlen
- Hypothesen
- benötigte Daten
- Erfolgskriterien
Daten verstehen
- Beobachtungen und Merkmale
- quantitative und qualitative Daten
- Skalenniveaus
- strukturierte und unstrukturierte Daten
- Grundgesamtheit und Stichprobe
- Datenherkunft
Datenquellen und Datengewinnung
- Dateien
- Datenbanken
- APIs
- operative Systeme
- externe Daten
- Datenschutz
Datenqualität
- Vollständigkeit
- Korrektheit
- Konsistenz
- Aktualität
- Dubletten
- Auswirkungen schlechter Daten
Daten aufbereiten
- Bereinigung
- Transformation
- Kodierung
- Normalisierung
- Zusammenführen
- reproduzierbare Aufbereitung
Deskriptive Statistik
- Häufigkeiten
- Mittelwert und Median
- Quantile
- Varianz und Standardabweichung
- robuste Kennzahlen
- Kennzahlen richtig interpretieren
Explorative Datenanalyse
- Datensätze systematisch untersuchen
- Muster
- Gruppen
- Auffälligkeiten
- Zusammenhänge
- Grenzen explorativer Aussagen
Zusammenhänge und Korrelationen
- Kovarianz
- Korrelation
- lineare und nichtlineare Zusammenhänge
- Scheinkorrelation
- Confounder
- Korrelation und Kausalität
Daten visualisieren
- Diagrammtypen
- Verteilungen
- Vergleiche
- Entwicklungen
- Zusammenhänge
- adressatengerechte Visualisierung
Von der Analyse zur Aussage
- Ergebnisse interpretieren
- Unsicherheit
- Stichprobeneffekte
- Bias
- Grenzen der Daten
- Ergebnisse kommunizieren
Praktisches Analyseprojekt
- Fragestellung definieren
- Daten untersuchen
- Qualität beurteilen
- Daten aufbereiten
- Kennzahlen und Visualisierungen entwickeln
- Analyse präsentieren
03 Durchführung
Rahmen und Organisation
Dauer
3 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Python, Jupyter und den gängigen Analysebibliotheken
Inhouse-Schulungen
Eigene Fragestellungen, Kennzahlen und Datenbestände können als Grundlage
für das Analyseprojekt verwendet werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Fach- und Führungskräfte, Entwickler, Projektmitarbeiter und angehende Data
Analysts, die einen fundierten Einstieg in Data Analytics suchen und den
vollständigen Analyseprozess verstehen möchten.
Voraussetzungen
Keine besonderen Vorkenntnisse in Data Analytics oder Statistik. Für
praktische Übungen mit Python sind grundlegende Programmierkenntnisse
hilfreich; der Schwerpunkt liegt auf den Konzepten und dem Analyseprozess.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer:
- Fragestellungen in strukturierte Analyseaufgaben übersetzen
- Datenquellen und Datenqualität beurteilen
- grundlegende Verfahren der Datenaufbereitung einsetzen
- wichtige deskriptive Kennzahlen verstehen und interpretieren
- Daten explorativ untersuchen
- Zusammenhänge kritisch bewerten
- geeignete Visualisierungen auswählen
- Ergebnisse und deren Grenzen nachvollziehbar kommunizieren
06 FAQ
Häufige Fragen
Ist das ein Python-Kurs?
Nein. Python wird als praktisches Analysewerkzeug eingesetzt. Im Mittelpunkt stehen Data Analytics, Analyseverfahren und die Interpretation von Daten.
Was unterscheidet den Kurs von der Datenanalyse mit Pandas?
Dieser Kurs vermittelt den gesamten fachlichen Analyseprozess und die notwendigen statistischen Grundlagen. Der Pandas-Kurs konzentriert sich auf die praktische Datenanalyse mit Python.
Brauche ich Statistikkenntnisse?
Nein. Die benötigten statistischen Grundlagen werden im Kurs erarbeitet.
Wird Machine Learning behandelt?
Machine Learning wird eingeordnet und kann als anschließender Analyseschritt erläutert werden. Die Entwicklung von ML-Modellen gehört jedoch in die darauf spezialisierten Kurse.
Ist der Kurs für einen Einstieg in Data Analytics geeignet?
Ja. Er ist als grundlegender, praxisorientierter Einstieg konzipiert und schafft gleichzeitig die Grundlage für die spezialisierten Kurse des Bereichs.