Data Analytics Weiterbildung

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.

In dieser Phase entwickelst du dich von der Datenbeschreibung zum Ziehen fundierter, datenbasierter Schlussfolgerungen. Du beginnst mit der Untersuchung von Wahrscheinlichkeitsverteilungen und dem Verständnis des Datenverhaltens in realen Kontexten. Anschließend befassen wir uns mit Konfidenzintervallen und deren Verwendung bei der Schätzung von Populationsparametern. Anschließend führen wir dich durch die Logik und Anwendung von Hypothesentests und den Einsatz von A/B-Tests bei Produkt- und Marketingentscheidungen – eine unverzichtbare Fähigkeit für jeden Datenanalysten in realen Umgebungen. Doch damit nicht genug: du lernst praktische Clustering-Techniken zum Gruppieren und Segmentieren von Daten kennen – ideal zum Aufspüren versteckter Muster. Abschließend lernst du die lineare Regression kennen, eine grundlegende Modellierungstechnik zur Vorhersage und Erklärung von Beziehungen zwischen Variablen. In Coaching-Sitzungen, praktischen Übungen und realen Beispielen lernst du, wie du von der Musterbeobachtung zu fundierten Entscheidungen und Vorhersagen auf der Grundlage von Daten gelangen. Am Ende dieser Phase verstehest du nicht nur das „Was“ und „Warum“, sondern auch das „Wie“ der Anwendung statistischen Denkens auf reale Geschäftsprobleme.

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 7 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!

Lerne, Tableau für die Datenanalyse zu meistern und baue gefragte Fähigkeiten in einem der weltweit führenden Business-Intelligence-Tools auf. In dieser letzten Phase des Bootcamps erwirbst du das gesamte Wissen und die praktische Erfahrung, die Sdu für das Bestehen der Prüfungen zum Tableau Desktop Specialist und Tableau Certified Data Analyst benötigst – keine Vorkenntnisse erforderlich.
Du beginnst mit den Grundlagen und arbeitest dich dann durch die wichtigsten Tableau-Funktionen: Daten verknüpfen und vorbereiten, berechnete Felder erstellen, Filter, Gruppen und Sets anwenden sowie aussagekräftige, präsentationsreife Visualisierungen und Dashboards entwerfen. Mit zunehmenden Fähigkeiten erkundest du fortgeschrittene Konzepte wie Parameter, Tabellenberechnungen, Detailgenauigkeitsausdrücke (LOD) und statistische Techniken.
Durch praktische Übungen bereitest du dich nicht nur auf die Zertifizierung vor, sondern gewinnst auch das Selbstvertrauen, Tableau selbstständig in datengesteuerten Rollen einzusetzen. Am Ende dieser Phase verfügst du über ein zertifizierungsreifes Portfolio und praktische Fähigkeiten, die dich bei Arbeitgebern auszeichnen.

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.

Hast du es bis hierhin geschafft, darfst du dich offiziell Data Analyst*in nennen. Congrats! 🙌🏼