Data Analytics

Bootcamp

In Phase 2 deiner Data Analyst*innen Weiterbildung erfährst du, was es mit “deskriptiver Statistik” auf sich hat und warum sie für Datenanalyst*innen so wichtig ist: Sie ist nämlich vor allem bei umfangreichem Datenmaterial sinnvoll, um nicht den Überblick (und die Nerven) zu verlieren.

Passend dazu bringen wir dir den Umgang mit Google Sheets bei, zeigen dir einige Tricks, um gute Präsentationen zu erstellen und du lernst verschiedene hilfreiche
Problemlösungsmethoden von unseren Coaches.

Zeit, dein Setup einzurichten: Gemeinsam bereiten wir deinen Rechner vor, um als Hacker*in zu arbeiten und endlich mit der Kommandozeile vertraut zu werden. Dazu installieren wir Python in einer conda-Umgebung. Nun verstehst du das Konzept von “virtuellen Umgebungen”, kannst sie selbst erstellen, sowie Package- und Library Management Tools nutzen.

Du wirst mit Coding in einer IDE (Integrated Development Environment) vertraut, verstehst die Python-Syntax, verschiedene Datentypen und -strukturen, Variablen, Loops, Bedingungsanweisungen und Funktionen. Und weil du nun in der Lage bist, Pseudocode zu nutzen und zu schreiben, schreibst du auch gleich dein erstes einfaches Programm.

Nun bist du bereits tief im Thema und lernst das Konzept einer EDA kennen – die explorative Datenanalyse, in der Daten begutachtet werden, über deren Zusammenhänge nur wenig Wissen vorliegt. Dabei erfährst du, wie man Daten mit “Pandas Dataframes” erfasst, erweitert und bereinigt. Beim Durchführen einer solchen EDA kombinierst du bereits mehrere Datensätze und gehst mit fehlenden Werten um.

Mit Hilfe deiner Skills in deskriptiver Statistik (Phase 2), extrahierst du Bedeutung aus Daten und lernst nicht nur, was KPIs (Key Performance Indicators) sind, sondern erstellst auch welche. Passend dazu bringen dir unsere Coaches bei, was sogenannte “Plots” nützlich macht und wie man sie anwendet. Dazu verwendest du Matplotlib und Seaborn und lernst, Diagramme zu erstellen.

Kurz vor dem Endspurt lernst du mit den anderen Teilnehmer*innen Grundsätzliches über Datenbanken und deren Strukturen. Du erfährst, wie man DBeaver verwendet, um Verbindungen mit der bereitgestellten PostgreSQL-Datenbank herzustellen, wie sich ein SQL-Syntax definiert und wie eine SQL-Abfrage aufgebaut wird.

Mit Hilfe von Code-along-Skriptdateien und weiteren Aufgaben der Coaches lernst du die SQL-Ausführung praxisnah und effektiv. On Top lernst du die Elemente von Dateninfrastrukturen kennen und wie man ein Sternschema entwirft. Klingt kompliziert für dich? Keine Sorge, wir führen dich Stück für Stück ran!

In Phase 6 arbeitest du mit API-Schlüsseln, um dich mit APIs zu verbinden. Dabei bringen wir dir bei, wie du mehrere Aufrufe mit unterschiedlichen Parametern automatisiert durchführen kannst. Zusätzlich lernst du SQL-Abfragen von Python aus auszuführen und übst das Lesen der Dokumentation, um Limits, sowie Request- und Responseformate zu verstehen.

Schon von JSON-Dateien gehört? Wir zeigen dir, wie man auf sie zugreift und Daten daraus extrahiert. Mit all deinen bisher erlernten Fähigkeiten führst du dann ein Projekt durch, um dein Wissen zu festigen. Das machst du mit agilen Tools, um das Projekt so perfekt zu organisieren – wie später im Job!

Wichtige Aufgabe der Datenanalyse: Die Visualisierung. In der letzen Phase vor der Abschlussprüfung lernst du deshalb, wie man eine Verbindung zu Daten herstellt und grundlegende Datenexplorationen durchführt – dabei wirst du mit der Tableau-Umgebung vertraut gemacht.

Im Zuge dieser Learnings erfährst du, wie man Daten filtert und gruppiert, wie man Felder berechnet und Parameter verwendet. LODs und Tabellenberechnung gehören nach dem Bootcamp genauso zu deinem Repertoire, wie das Erstellen interaktiver Dashboards.

Weil wir 100% davon überzeugt sind, dass Gelerntes am besten durch praxisnahe Anwendung im Kopf bleibt, wirst du in den letzten vier Wochen deines Data Analytics Bootcamps dein gesamtes Wissen in dein digitales "Gesell*innenstück" einfließen lassen.

Beim Abschluss-Event präsentierst du es unseren Unternehmenspartnern und hast die Chance, sie so auf dich aufmerksam zu machen. Hast du es bis hierhin geschafft, darfst du dich offiziell Data Analyst*in nennen. Congrats! 🙌🏼