Data Analytics mit Schwerpunkt Marketing und Zusatzqualifikation SQL und Cloud Computing In dieser Weiterbildung vertiefen Sie Ihre Kenntnisse in der Datenanalyse mit Fokus auf Marketinganwendungen. Sie lernen, große Datenmengen zu analysieren, Muster zu erkennen und daraus fundierte Marketingstrategien abzuleiten. Sie erwerben Fähigkeiten in der Anwendung von SQL zur effizienten Abfrage und Manipulation von Datenbanken. Zudem werden Sie in die Grundlagen des Cloud Computing eingeführt, um Datenanalysen in skalierbaren und flexiblen Umgebungen durchzuführen. Durch praxisorientierte Übungen und Fallstudien wenden Sie die erlernten Methoden der Datenanalyse direkt an. Dies ermöglicht Ihnen, theoretisches Wissen in realen Marketingkontexten zu erproben und zu festigen. Nach Abschluss der Weiterbildung sind Sie in der Lage, datenbasierte Entscheidungen im Marketing zu treffen und moderne Technologien wie SQL und Cloud Computing effektiv einzusetzen.

Grundlagen der Datenanalyse
  • Kenntnisse im Bereich der Datenanalyse durch die Behandlung von Datenstrukturen
  • Standard-Datentypen
  • Erste Anwendungen aus der Datenanalyse bei der Arbeit mit Datenbanken
  • Testen und Tuning
  • Modellieren mit Kellern, Schlangen und Graphen unter Berücksichtigung von Methoden der Datenanalyse
  • Installation und Einrichtung von Python
  • Python-Skripte mit Fokus auf datenanalytische Prozesse
  • Funktionen

Datenverarbeitung und -management in Python
  • Einführung in NumPy und Messdatenverarbeitung mit Bezug zur Datenanalyse
  • Textverarbeitung
  • Analyse strukturierter Datenformate aus Sicht der Datenanalyse: XML und JSON
  • Einführung in Pandas und Dataframes
  • Effiziente Datenreinigung zur Unterstützung der Datenanalyse
  • Datenvisualisierung

Machine Learning und neuronale Netzwerke
  • Einführung in Machine Learning und seine Rolle in der Datenanalyse
  • Lineare Regression
  • Logistische Regression als Methode der Datenanalyse
  • Einführung in Unsupervised Machine Learning
  • Vertiefte Kenntnisse zu neuronalen Netzen im Kontext der Datenanalyse
  • Praxisarbeit: Programmierung Neuronales Netzwerk
  • Einführung in PyTorch mit Anwendungen aus der Datenanalyse
  • Automatische Bilderkennung
  • Praxisarbeit: Optimierung Neuronales Netzwerk
  • Transfer Learning

Marketinggrundlagen und -strategien
  • Marketing-Mix: die vier Ps mit Blick auf datenbasierte Analysen im Marketing
  • Marketingziele
  • Planung von Marketingkampagnen unter Anwendung von Datenanalyse
  • Einführung ins Online-Marketing: Suchmaschinenoptimierung (SEO)
  • Social Media Marketing, Content Marketing, E-Mail Marketing und Employer Branding mit Fokus auf datenanalytische Auswertung
  • Customer Journey im Online-Shop und Display Marketing
  • Einführung ins Offline-Marketing

SQL-Datenbanken und Abfragen
  • Einführung in relationale Datenbanken mit Anwendungsbeispielen aus der Datenanalyse
  • Datenbankmodellierung und Namenskonventionen
  • Normalisierung und Normalformen mit Fokus auf die Optimierung der Datenanalyse
  • Datentypen und Keys
  • SELECT, JOIN und GROUP BY als Werkzeuge für datenanalytische Auswertungen
  • Ändern von Daten über INSERT, UPDATE und DELETE
  • Anwendung von verschiedenen komplexen SELECTs im Rahmen der Datenanalyse

Datenanalyse und Berichterstellung
  • Verstehen und Anwenden von Verweisfunktionen im Zusammenhang mit Datenanalyse
  • Datenanalyse mit Pivot
  • Datenvisualisierung geographischer Daten als Teil der datenanalytischen Auswertung

Datenschutz und DSGVO
  • Anwendungsbereich der DSGVO unter besonderer Berücksichtigung der Datenanalyse
  • Datenschutzrechtliche Pflichten
  • Verarbeitungsgrundsätze im Hinblick auf datenanalytische Prozesse
  • Löschung und Datenübertragbarkeit
  • Widerspruch, Entscheidungsfindung und Beschränkung mit Bezug zur Datenanalyse
  • Zusammenarbeit mit den Aufsichtsbehörden

Cloud Computing Grundlagen und Werkzeuge
  • Einführung in die Terminologie von Cloud Computing unter Einbeziehung von Datenanalyse-Aspekten
  • Kostenkalkulation von Cloud Computing
  • Grundlagen und Verwendung von Docker im datenanalytischen Kontext
  • Grundlagen und Verwendung von Kubernetes
  • Auswahl von IaaS-Anbietern mit Bezug auf analytische Anforderungen an Datenanalyse

Einrichtung und Management von Cloud-Umgebungen
  • Einrichtung von Cloud Computing mit Ansible unter datenanalytischen Gesichtspunkten
  • Der Docker-Workflow
  • Erstellen und Verwenden von Docker-Images mit Anwendungen aus der Datenanalyse
  • Verwenden von Docker-Containern
  • Debuggen von Containern mit Fokus auf Analyse anfallender Daten