Phase 1: Kennenlernen & Basics
- Effektives Arbeiten im Kurs, Einblick in die IT-Branche und ihre Karrierewege sowie der sinnvolle Einsatz von KI als Lernwerkzeug.
- Rundumblick auf die Datenanalyse: Rolle, Aufgaben und Stakeholder von Datenanalystinnen und -analysten.
- Erste Einführung in die Werkzeuge, die im gesamten Kurs – und später im Job – zum Einsatz kommen.
Phase 2: Statistik, Tabellen und Präsentationen
- Deskriptive Statistik verstehen und anwenden – der Schlüssel, um bei umfangreichem Datenmaterial den Überblick zu behalten.
- Sicherer Umgang mit Google Sheets für Auswertungen im Arbeitsalltag.
- Überzeugende Präsentationen erstellen und strukturierte Problemlösungsmethoden anwenden.
Phase 3: Coding Deep Dive – Python & Co.
- Das eigene Setup aufbauen: Kommandozeile, Python in einer Conda-Umgebung, virtuelle Umgebungen sowie Package- und Library-Management.
- Die Python-Syntax beherrschen: Datentypen, Datenstrukturen, Variablen, Schleifen, Bedingungen und Funktionen.
- Mit Pseudocode arbeiten und das erste eigene Programm schreiben.
Phase 4: Datenanalysen durchführen
- Explorative Datenanalyse (EDA): Daten mit Pandas erfassen, erweitern, bereinigen und mehrere Datensätze kombinieren.
- Aus Daten Bedeutung extrahieren: KPIs verstehen und eigene Kennzahlen erstellen.
- Diagramme mit Matplotlib und Seaborn gestalten, die Analysen sichtbar machen.
Phase 5: Angewandte Statistik und Modellierung
- Wahrscheinlichkeitsverteilungen und Konfidenzintervalle: Datenverhalten in realen Kontexten verstehen und Parameter schätzen.
- Hypothesentests und A/B-Tests für Produkt- und Marketingentscheidungen einsetzen.
- Clustering-Techniken zum Aufspüren versteckter Muster sowie lineare Regression zur Vorhersage von Zusammenhängen.
Phase 6: Datenbanken und SQL
- Grundlagen von Datenbanken und ihren Strukturen verstehen.
- Mit DBeaver auf PostgreSQL-Datenbanken zugreifen, SQL-Syntax beherrschen und Abfragen aufbauen.
- Elemente von Dateninfrastrukturen kennenlernen und ein eigenes Sternschema entwerfen.
Phase 7: Externe Daten & moderne KI-Workflows
- Externe Datenquellen erschließen: mit API-Schlüsseln arbeiten, mehrstufige Abfragen automatisieren und SQL direkt aus Python ausführen.
- Technische Dokumentationen lesen und mit Request-, Response- und JSON-Formaten umgehen.
- Generative KI in den Analytics-Workflow integrieren – bis zu interaktiven Anwendungen mit Streamlit und agilem Projektmanagement.
Phase 8: Datenvisualisierung mit Tableau
- Daten verknüpfen und vorbereiten, berechnete Felder erstellen sowie Filter, Gruppen und Sets anwenden.
- Präsentationsreife Visualisierungen und Dashboards in einem der führenden Business-Intelligence-Tools entwerfen.
- Fortgeschrittene Konzepte wie Parameter, Tabellenberechnungen und LOD-Ausdrücke praktisch anwenden.
Phase 9: Abschlussprojekt & Präsentation
- In den letzten vier Wochen fließt das gesamte Wissen in ein eigenes Praxisprojekt.
- Von der Datenbeschaffung über die Analyse bis zur Visualisierung entsteht ein vollständiges Arbeitsergebnis.
- Präsentation der Ergebnisse – das eigene Portfolio-Stück für den Einstieg als Data Analyst.
