- Verstehen der Rolle von Data Analysts im modernen Business
- Einsetzen von typischen Data Analytics Tools wie Google Sheets, GitHub, Python
- Initiieren erster Analyseprozesse in Jupyter Notebooks
- Nutzung von deskriptiver Statistik zur Datenbeschreibung
Programmierung & Data Analytics mit Python & Pandas
- Datenbereinigung und -manipulation als zentrale Aktivitäten in der Data Analytics
- Verwendung von Pandas für detaillierte Analysen
- Datenvisualisierung zur Darstellung analytischer Ergebnisse
- Projektabschluss zur praktischen Anwendung von Data Analytics
Erweiterte Analytics: Statistik, A/B-Tests & Machine Learning Grundlagen
- Statistische Methoden als Basis für Data Analytics einsetzen
- Modellieren von linearen Beziehungen und Clustering
- Durchführung von A/B-Tests zur Hypotheseprüfung im Geschäftskontext
- Projekt, das Analytics mit Unternehmenszielen vereint
Datenbanken, SQL & Cloud Lösungen
- SQL als Schlüsselwerkzeug in der Data Analytics-Kette
- Erstellung komplexer Abfragen und Datenaggregation mit SQL
- Nutzung von cloud-basierten Datenquellen
- Datenintegration in analytische Prozesse
Analytical Engineering mit DBT & Data Pipelines
- Automatisierung wiederholbarer Prozesse in Data Analytics mittels DBT
- Bildung von Pipelines von Rohdaten zu analysierbaren Strukturen
- Verknüpfung von APIs und Datenmodellen mit Python und SQL
- Projekt zur Erstellung eines Analytics-Modells via DBT
KPI-Entwicklung & Visualisierung mit Tableau
- Erstellung interaktiver Visualisierungen für Data Analytics
- Nutzung von LODs, Sets und Berechnungen in Dashboards
- Entwicklung und Kommunikation von KPI-basierten Berichten
- Praxisprojekt: Business-Dashboard in Tableau
Capstone Projekt & Karrierestrategie
- Selbstständige Durchführung eines vollumfänglichen Data Analytics-Projekts
- Integrierte Tool-Nutzung in einer realistischen Datenszene
- Erstellung eines professionellen Portfolios mit Schwerpunkt Analytics
- Vorbereitung auf Bewerbungsprozesse und Interviews