-
Abschlussart: Zertifikat „Statistik und Datenanalyse“
Zertifikat „Big Data Analyst“ -
Zusatzqualifikationen: Zertifikat „Data Engineer“
Zertifikat „Data Analytics“
Zertifikat „Big Data Specialist“ -
Abschlussprüfung: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Unterrichtszeiten: VollzeitMontag bis Freitag von 8:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)
-
Dauer: 16 Wochen
Statistik und Datenanalyse
Statistische Grundlagen (ca. 6 Tage)
Messtheoretische Grundlagen (Grundgesamtheit, Stichprobe, Stichprobenarten, Messung, Skalenniveaus)
Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardisierung, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme, Boxplots)
Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme, gruppierte Balkendiagramme)
Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilungen, Normalverteilung, Stichprobenverteilung des Mittelwerts, Signifikanztest, Nullhypothesentest, Signifikanzniveau, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalyse, Stichprobenumfang)
Datenaufbereitung und Datenbereinigung mit geeigneter Software
Deskriptive Analyse
Visualisierung statistischer Ergebnisse
KI-gestützte Analyse und Interpretation statistischer Ergebnisse
Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)
z-Test, t-Test für eine Stichprobe
t-Test für unabhängige und verbundene Stichproben
Pretest-Posttest-Designs mit zwei Gruppen
Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonett-Test, Signifikanztest für Korrelationen)
Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test)
Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen, Assoziationsmaße)
Interpretation von Testergebnissen
KI-gestützte Ergebnisinterpretation
Grundlagen der Regressionsanalyse (ca. 2 Tage)
Lineare Regression
Modellinterpretation
KI-gestützte Modellinterpretation
Zusammenhangsanalyse
Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 3 Tage)
Einfaktorielle und zweifaktorielle Varianzanalyse (ANOVA)
Post-hoc-Analysen
Interpretation von Gruppenunterschieden
Mehrfaktorielle Varianzanalyse (Allgemeines Lineares Modell)
Feste, zufällige, gekreuzte und geschachtelte Faktoren
Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Games-Howell)
Interaktionsanalyse
Poweranalyse bei Varianzanalysen
Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)
Vollfaktorielle und teilfaktorielle Versuchspläne
Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Data Engineer
Grundlagen Data Engineering und Datenarchitekturen (ca. 2 Tage)
Aufgaben und Anwendungsfelder im Data Engineering
Grundlagen moderner Datenarchitekturen und Datenplattformen
Grundlagen und Vergleich cloudbasierter Datenarchitekturen
OLTP und OLAP
Verarbeitung strukturierter, semistrukturierter und unstrukturierter Daten
Anforderungsmanagement und Datenmodellierung (ca. 1 Tag)
Anforderungen an Daten und Datenquellen
Konzeptionelle Datenmodellierung
Modellierung von Datenstrukturen und Datenflüssen
Data Contracts, Data Governance und Data Lineage
Datenbanken und Datenverarbeitung (ca. 1 Tag)
Architektur von Datenbanksystemen
SQL vs. NoSQL vs. NewSQL im Vergleich
Relationale Datenmodellierung
SQL zur Abfrage und Verarbeitung von Daten
Data Warehousing und moderne Datenarchitekturen (ca. 2 Tage)
Grundlagen und Architektur von Data-Warehouse-Systemen
Dimensionale Datenmodellierung und Schema-Design
Fakten, Dimensionen und historische Datenhaltung
Data Warehouse, Data Lake und Lakehouse im Vergleich
Einführung in dbt
Praxisorientierte Umsetzung von Datenmodellen
Datenintegration und Data Pipelines (ca. 5 Tage)
Datenintegration und Datenbereitstellung
ETL- und ELT-Prozesse
Aufbau und Orchestrierung von Data Pipelines
Datenbereinigung, -validierung und Datenqualität
Batch- und Streaming-Verarbeitung
Praxisorientierter Einsatz von Airflow und Spark
Programmierung und automatisierte Datenverarbeitung (ca. 4 Tage)
Python-Umgebungen und Paketverwaltung
Verarbeitung und Transformation von Daten mit Python
Automatisierung von Datenverarbeitungsprozessen
Anbindung unterschiedlicher Datenquellen und Schnittstellen
Entwicklung von Data-Engineering-Workflows
Containerisierung mit Docker
KI-gestützte Unterstützung im Entwicklungs- und Datenverarbeitungsprozess
Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Data Analytics
Einführung in Data Analytics (ca. 1 Tag)
Aufgaben, Anwendungsbereiche und typische Anwendungsfälle von Data Analytics
Data-Analytics-Prozesse und CRISP-DM
Rolle des Data Analysts und Abgrenzung zu Data Science, Data Engineering und Business Intelligence
Einordnung von Künstlicher Intelligenz und Machine Learning
Python für Data Analytics (ca. 1 Tag)
Arbeiten mit Jupyter Notebooks
NumPy und Pandas für die Datenanalyse
Import und Export verschiedener Datenquellen, z. B. Excel und CSV
Auswahl und Transformation von Daten
Datenaufbereitung und explorative Datenanalyse (ca. 3 Tage)
Datenbereinigung und -transformation mit Pandas
Umgang mit fehlenden, fehlerhaften und auffälligen Daten
Zusammenführen, Gruppieren und Aggregieren von Daten
Explorative Datenanalyse und Ableitung erster Erkenntnisse
Grundlagen statistischer Auswertungen
SQL und Datenmanagement (ca. 2 Tage)
Relationale Datenbanken und Datenmodelle
Datenabfragen und -aufbereitung mit SQL
Joins, Aggregationen und analytische Abfragen
Zusammenspiel von SQL und Python in der Datenanalyse
Datenqualität und Datenschutz
Anbindung und Nutzung cloudbasierter Datenbanken
Datenvisualisierung und Data Storytelling (ca. 2 Tage)
Visualisierung mit Matplotlib, Seaborn und Plotly
Auswahl geeigneter Diagramme und Visualisierungsformen
Aufbereitung und Interpretation von Analyseergebnissen
Data Storytelling und adressatengerechte Kommunikation
Power BI und interaktive Dashboards (ca. 2 Tage)
Datenimport und -aufbereitung mit Power Query
Datenmodellierung und Beziehungen
Grundlagen von DAX und Kennzahlen
Erstellung interaktiver Reports und Dashboards
Visualisierung und Kommunikation von Business-KPIs
Überblick über alternative Business-Intelligence- und Visualisierungslösungen
KI-gestützte Datenanalyse (ca. 2 Tage)
Einsatz generativer KI im Data-Analytics-Workflow
KI-gestützte Datenaufbereitung, Analyse und Visualisierung
Unterstützung bei Python- und SQL-Abfragen
Prompting für Datenanalysen und Interpretation von Ergebnissen
Kritische Bewertung von Datenquellen sowie Erkennung synthetischer und unplausibler Daten
Qualitätssicherung, Datenschutz und verantwortungsvoller KI-Einsatz
Business Analytics und statistische Grundlagen (ca. 2 Tage)
Kennzahlen und KPIs im Unternehmenskontext
Deskriptive Statistik und statistische Zusammenhänge
Korrelation, Kausalität und einfache Regressionsanalysen
Grundlagen von Konfidenzintervallen und Hypothesentests
Interpretation von Analyseergebnissen und Ableitung datenbasierter Handlungsempfehlungen
Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Big Data Specialist
Was ist Big Data? (ca. 1 Tag)
Volume, Velocity, Variety, Value, Veracity
Chancen und Risiken großer Datenmengen
Abgrenzung: Business Intelligence, Data Analytics, Data Science
Einführung in Data Mining
Rolle von KI und datengetriebenen Systemen im Big-Data-Umfeld
Einführung in Big-Data-Frameworks (ca. 2 Tage)
Big-Data-Lösungen in der Cloud (Überblick AWS, Azure, GCP)
Datenzugriffsmuster
Datenspeicherung
Einführung in Data Lakes und Data Warehouses
Überblick Apache Hadoop und Spark
Verteilte Datenverarbeitung mit Spark (ca. 3 Tage)
Grundlagen verteilter Systeme
Apache Spark (Core und SQL)
Vergleich verschiedener Ansätze der Datenverarbeitung
Verarbeitung großer Datenmengen
Einführung in einfache ML-Workflows mit Spark
Datenpipelines und Datenintegration (ca. 2 Tage)
ETL- und ELT-Prozesse
Batch- vs. Streaming-Verarbeitung
Grundlagen von Datenpipelines
Einführung in Orchestrierung (z. B. Airflow Überblick)
Datenqualität und -aufbereitung
Komponenten (ca. 2 Tage)
Kurzvorstellung von verschiedenen Tools
Datenübertragung
Überblick Ressourcenverwaltung in Big-Data-Systemen
Hadoop-Ökosystem
Apache Spark Vertiefung
Einführung in Streaming-Technologien
NoSQL und Datenspeicher (ca. 2 Tage)
CAP-Theorem
ACID und BASE
Typen von Datenbanken
HBase
Einführung dokumentenorientierter Datenbanken
Einführung in Speicherformate
Überblick Data Lakehouse-Ansätze
Big Data Visualisierung (ca. 2 Tage)
Theorien der Visualisierung
Diagrammauswahl
Neue Diagrammarten
Werkzeuge zur Datenvisualisierung
Einführung in BI-Tools (z. B. Power BI, Tableau)
Grundlagen datengetriebener Entscheidungsfindung
Data Governance und Datenschutz (ca. 1 Tag)
Grundlagen der DSGVO im Datenkontext
Datenethik und verantwortungsvoller Umgang mit Daten
Datenqualität und Governance-Konzepte
Zugriffskontrollen und Sicherheit
Grundlagen verantwortungsvoller KI-Nutzung
Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.
Du beherrscht die Prozesse rund um die Zusammenführung, Aufbereitung, Anreicherung und Weitergabe von Daten und verstehst Big Data Analysen mit Hilfe grundlegender Python-Programmierungen, SQL und NoSQL-Datenbankkonzepten. Kenntnisse in branchenspezifischer Software zur Verarbeitung und Strukturierung von großen, unstrukturierten Daten sowie deren Visualisierung runden dein Wissen ab.
Nach diesem Lehrgang bist du in der Lage, Daten aufzubereiten, statistisch auszuwerten und die Ergebnisse fachgerecht zu interpretieren. Du führst statistische Analysen eigenständig mit geeigneter Software durch, visualisierst Ergebnisse und nutzt Verfahren zur Hypothesenprüfung und Entscheidungsunterstützung. Zudem kannst du Stichproben planen und Poweranalysen durchführen.
Der Lehrgang richtet sich an Personen mit abgeschlossenem Studium in der Informatik, Wirtschaftsinformatik, BWL, Mathematik oder vergleichbarer Qualifikation.
Eine systematische Auswertung von Datenmengen ist für Unternehmen unabdingbar, um Informationen über das eigene Produkt und Kundenverhalten zu generieren. Big Data Analysts werden vor diesem Hintergrund branchenübergreifend zunehmend nachgefragt.
Fundierte Kenntnisse in der Statistik stellen eine wertvolle Zusatzqualifikation dar, die in der industriellen Forschung und Entwicklung, in der Arzneimittelentwicklung, in der Betreuung medizinischer Studien, im Bereich Finanz- und Versicherungswesen, in der Informationstechnologie oder in der öffentlichen Verwaltung sehr gefragt.Dein aussagekräftiges Zertifikat gibt detaillierten Einblick in deine erworbenen Qualifikationen und verbessert deine beruflichen Chancen.
Didaktisches Konzept
Deine Dozierenden sind sowohl fachlich als auch didaktisch hoch qualifiziert und werden dich vom ersten bis zum letzten Tag unterrichten (kein Selbstlernsystem).
Du lernst in effektiven Kleingruppen. Die Kurse bestehen in der Regel aus 6 bis 25 Teilnehmenden. Der allgemeine Unterricht wird in allen Kursmodulen durch zahlreiche praxisbezogene Übungen ergänzt. Die Übungsphase ist ein wichtiger Bestandteil des Unterrichts, denn in dieser Zeit verarbeitest du das neu Erlernte und erlangst Sicherheit und Routine in der Anwendung. Im letzten Abschnitt des Lehrgangs findet eine Projektarbeit, eine Fallstudie oder eine Abschlussprüfung statt.
Virtueller Klassenraum alfaview®
Der Unterricht findet über die moderne Videotechnik alfaview® statt - entweder bequem von zu Hause oder bei uns im Bildungszentrum. Über alfaview® kann sich der gesamte Kurs face-to-face sehen, in lippensynchroner Sprachqualität miteinander kommunizieren und an gemeinsamen Projekten arbeiten. Du kannst selbstverständlich auch deine zugeschalteten Trainer:innen jederzeit live sehen, mit diesen sprechen und du wirst während der gesamten Kursdauer von deinen Dozierenden in Echtzeit unterrichtet. Der Unterricht ist kein E-Learning, sondern echter Live-Präsenzunterricht über Videotechnik.
Die Lehrgänge bei alfatraining werden von der Agentur für Arbeit gefördert und sind nach der Zulassungsverordnung AZAV zertifiziert. Bei der Einreichung eines Bildungsgutscheines oder eines Aktivierungs- und Vermittlungsgutscheines werden in der Regel die gesamten Lehrgangskosten von deiner Förderstelle übernommen.
Eine Förderung ist auch über den Europäischen Sozialfonds (ESF), die Deutsche Rentenversicherung (DRV) oder über regionale Förderprogramme möglich. Als Zeitsoldat:in besteht die Möglichkeit, Weiterbildungen über den Berufsförderungsdienst (BFD) zu besuchen. Auch Firmen können ihre Mitarbeiter:innen über eine Förderung der Agentur für Arbeit (Qualifizierungschancengesetz) qualifizieren lassen.