Time Series Analysis Basics bietet Ihnen den gezielten Einstieg in die Analyse von Zeitreihendaten und die Anwendung von Python, Pandas, SQL sowie modernen Data Science-Tools für datenbasierte Entscheidungsfindung im Business-Kontext. Anders als generische Data Science-Kurse fokussiert dieser Kurs auf spezifische Methoden und Modelle zur Identifikation von Trends, Saisonalitäten und Prognosemodellen in zeitabhängigen Datensätzen. Sie setzen professionelle Lösungen wie Tableau, PowerBI und MangoDB praktisch ein, lernen Visualisierungstechniken für Daten via vizualisation und analysieren Anwendungsfälle aus Marketing, Business Intelligence und Startups. Das Curriculum ist optimal für Analysten, Quereinsteiger, Anfänger und erfahrene Professionals, die ihre Skills in Time Series Analysis systematisch erweitern wollen.
Grundlagen von Data- Grundbegriffe: Data, Zeitreihendaten, Data Science im Kontext von Analysis
- Spezielle Rolle der Zeitdimension in Data für Business Intelligence und Marketing
- Relevante Modelle: Moving Average, Smoothing, stationäre und nicht-stationäre Daten
- Einführung in Python, Numpy und Pandas für die Analyse und Vorbereitung von Daten
- Unterscheidung von strukturierten und unstrukturierten Daten für Business Analysten
- Ethische Aspekte und regulatorische Anforderungen im Data-Umfeld
- Hinweise zur Datenaufbereitung für Machine Learning und AI-Anwendungen
Praktische Implementierung mit Data
- Zeitreihen mit Python, Pandas und SQL analysieren und visualisieren
- Operationalisierung: Auswahl von Modellen und Anpassung an echte Business-Cases
- Einsatz von Tableau, PowerBI und APIs zur Datenvisualisierung und Dashboard-Erstellung
- Umgang mit MangoDB für flexible Speicherung von Zeitreiheninformationen
- Herausforderungen bei langen Datenserien und saisonalen Mustern erkennen und adressieren
- Erfolgsmessung durch spezifische Metriken und Visualisierung der Ergebnisse
- Entwicklung einer individuellen Data-Strategie für kontinuierliche Verbesserung
Data: Technologie und Infrastruktur
- Integration von Python, Pandas, Numpy und SQL in bestehende Data Science-Stacks
- Nutzung automatisierter Workflows zur Datenanalyse und Berichterstellung
- Erstellung interaktiver Reports mit Tableau, PowerBI und Visualisierung komplexer Daten
- Einsatz von APIs zur Datenbeschaffung und Erweiterung der Datenbasis
- Daten-Governance und Qualitätssicherung in heterogenen Systemumgebungen
- Schutz sensibler Daten, Security und gesetzliche Compliance im Data-Bereich