Inhalt

Grundlagen der Datenanalyse und Statistik
- Definitionen und Grundbegriffe
- Statistische Grundlagen: deskriptive Statistik (Mittelwerte, Median, Varianz, Standardabweichung)
- Interpretation von Ergebniskennzahlen: Korrelation, Regression, Signifikanztests
- Identifikation und Umgang mit Ausreißern und Anomalien
- Explorative Datenanalyse (EDA): Methoden zur Mustererkennung und Hypothesenbildung

Datenmanagement
- Relationale und nicht-relationale Datenmodelle: Wann eignen sich welche Strukturen?
- Datenpipelines: Aufbau und Optimierung automatisierter Datenverarbeitungsprozesse
- Datenqualität: Bereinigung, Konsistenz und Dokumentation
- Governance und Compliance: DSGVO, Data Governance und aktuelle Regulierungen

Python für Data Analytics
- Datenaufbereitung: Einlesen, Validierung und Transformation
- Statistische Berechnungen: Ermittlung zentraler Kennzahlen und Ableitung erster Hypothesen
- Best Practices für strukturierte und gut wartbare Python-Skripte

Ablauf von Datenanalyse-Projekten
- Strukturierter Ablauf eines Data-Analytics-Projekts (Datenerfassung, Bereinigung, Analyse, Modellierung, Visualisierung)
- Best Practices und Scoping: Zieldefinition, Ressourcenplanung, Risikomanagement
- Kollaboration mit interdisziplinären Teams
- Projektrisiken und Erfolgsfaktoren in Analytics-Projekten

Data Storytelling:
- Auswahl geeigneter Visualisierungsformen
- Storytelling-Techniken: wie komplexe Analysen verständlich und ansprechend vermittelt werden
- Zielgruppenorientierung: Ergebnisse passgenau für Stakeholder aufbereiten
- Fehlerquellen und Unsicherheiten in Analysen verständlich kommunizieren

Data-Driven Company
- Handlungsempfehlungen aus Analysen: wie Daten Erkenntnisse in konkrete Maßnahmen übersetzen
- Bewertung von Optimierungspotenzialen: datenbasierte Identifikation von Geschäftsverbesserungen
- Integration von Data-Driven Thinking: Geschäftsprozesse und Unternehmenskultur datenzentriert gestalten

Nutzen