Der Kurs vermittelt die Rolle und Aufgaben des Scrum Product Owners, einschließlich der Arbeit mit dem Product Backlog. Ergänzend werden Grundlagen von Künstlicher Intelligenz, Python-gestützter Datenanalyse, Big Data, Dashboards und TextMining behandelt. Zudem wird dir der vollständige Machine-Learning-Workflow vermittelt – von der Datenaufbereitung und Modellentwicklung bis zur Bewertung und Interpretation.
-
Abschlussart: Zertifikat „Professional Scrum Product Owner (PSPO I) von Scrum.org“
Zertifikat „Data Analytics“
Zertifikat „Machine Learning“ -
Abschlussprüfung: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
Scrum.org-Zertifizierung PSPO I - Professional Scrum Product Owner (in englischer Sprache) -
Unterrichtszeiten: VollzeitMontag bis Freitag von 8:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)
-
Dauer: 12 Wochen
Agiles Projektmanagement mit Scrum: Product Owner (PSPO I)
Scrum Grundlagen (ca. 2 Tage)
Definition von Scrum
Empirische Prozesssteuerung
Transparenz
Überprüfung
Anpassung
Scrum Values (Commitment, Focus, Openness, Respect, Courage)
Scrum Team (ca. 1 Tag)
Product Owner
Developers
Scrum Master
Accountabilities (Product Owner, Scrum Master, Developers)
Self-managing Teams
Scrum Ereignisse (ca. 3,5 Tage)
Time Box
Sprint
Sprint Planning
Daily Scrum
Sprint Review
Sprint Retrospective
Artefakte (ca. 3 Tage)
Transparenz und Überprüfbarkeit
Product Backlog
Sprint Backlog
Increment
Definition of Done
Scrum Product Owner (ca. 3,5 Tage)
Aufgaben der Scrum Product Owner
Produktvision und Produktstrategie
Anforderungsidentifikation und Analyse
Priorisierung und Wertmaximierung
Risiko- und wertorientierte Produktentscheidungen
Produktmetriken und Erfolgsmessung
KI-gestützte Auswertung von Nutzerfeedback zur Priorisierung
Überarbeitung des Product Backlog
Stakeholdermanagement
Product Backlog Management (ca. 2 Tage)
Einträge formulieren
Einträge sortieren
Ziele und Missionen erkennbar machen
Arbeit des Entwicklungsteams optimieren
Backlog transparent halten
Refinement-Techniken und Splitting
Forecasting (Velocity, Burn-up/-down)
KI-gestützte Datenanalyse für Forecasts
Projektarbeit, Zertifizierungsvorbereitung und Scrum.org-Professional Scrum Product Owner-Zertifizierung (PSPO I) in englischer Sprache (ca. 5 Tage)
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
Machine Learning
Einführung in Machine Learning und ML-Workflow (ca. 3 Tage)
Grundlagen, Anwendungsbereiche und Arten des Machine Learning
Einordnung moderner KI- und Machine-Learning-Verfahren
Machine-Learning-Workflow mit scikit-learn
Trainings-, Validierungs- und Testdaten
Underfitting, Overfitting und Modellevaluation
Cross Validation
Datenaufbereitung und Feature Engineering (ca. 2 Tage)
Datenqualität und Datenvorverarbeitung
Skalierung, Normalisierung und Kodierung
Feature Engineering und Feature Selection
Umgang mit fehlenden Werten, Ausreißern und unausgeglichenen Datensätzen
Überwachtes Lernen – Regression und Klassifikation (ca. 5 Tage)
Regressions- und Klassifikationsverfahren
Lineare und regularisierte Modelle
Distanz-, wahrscheinlichkeits- und baumbasierte Verfahren
Ensemble- und Boosting-Verfahren
Modellvergleich und Hyperparameteroptimierung
Evaluationsmetriken und probabilistische Vorhersagen
Feature Importance und Explainable AI
Unüberwachtes Lernen (ca. 2 Tage)
Dimensionsreduktion und Merkmalsextraktion
Clusterverfahren und Bewertung von Clustering-Ergebnissen
Anomalieerkennung
Zeitreihenanalyse und Prognosen (ca. 1 Tag)
Grundlagen und Analyse von Zeitreihendaten
Prognoseverfahren und Machine Learning für Zeitreihen
Neuronale Netze und moderne KI (ca. 2 Tage)
Grundlagen neuronaler Netze und Deep Learning
Machine Learning für Textdaten und Natural Language Processing
Foundation Models, Large Language Models und generative KI
Bereitstellung von ML-Modellen (ca. 1 Tag)
Speicherung und Bereitstellung trainierter Modelle
Entwicklung einfacher ML-Anwendungen
Schnittstellen und Plattformen für Machine-Learning-Modelle
Projektarbeit (ca. 4 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.
Nach diesem Lehrgang beherrschst du das Scrum-Rahmenwerk sicher und kannst als Product Owner die Produktentwicklung steuern. Du bist mit Scrum-Artefakten vertraut und kannst das Backlog Management übernehmen.
Des Weiteren kannst du Daten mit Python und SQL aufbereiten und analysieren, aussagekräftige Visualisierungen und interaktive Dashboards mit Power BI erstellen sowie Analyseergebnisse interpretieren und adressatengerecht kommunizieren. Du kannst generative KI gezielt zur Unterstützung von Datenanalysen einsetzen.
Zudem kannst du Daten für Machine-Learning-Anwendungen aufbereiten, geeignete Verfahren des überwachten und unüberwachten Lernens auswählen und Modelle trainieren, evaluieren und optimieren. Du kannst Modellergebnisse interpretieren und grundlegende Machine-Learning-Anwendungen umsetzen. Auch kennst du aktuelle Entwicklungen im Bereich Deep Learning und generativer KI.
Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-)Ingenieurwissenschaften
Mit Scrum erlernst du ein Vorgehensmodell des Projekt- und Produktmanagements, das ursprünglich besonders zur agilen Softwareentwicklung, inzwischen aber auch in vielen anderen Fachbereichen eingesetzt wird. Als skalierbare Projektmanagement- und Entwicklungsmethode wird es erfolgreich in zahlreichen Großprojekten mit mehreren hundert Team-Mitgliedern verwendet. Mit dem offiziellen Zertifikat von Scrum.org erwirbst du einen international anerkannten Nachweis über deine erworbenen Qualifikationen als Scrum Product Owner.
Machine Learning wird branchenübergreifend eingesetzt, um große Datenmengen auszuwerten, Muster zu erkennen, Prozesse zu optimieren und Prognosen zu erstellen. Entsprechende Kenntnisse werden unter anderem in der IT, Industrie, Logistik, im Finanzwesen und Marketing eingesetzt. Kenntnisse in Python sowie in der Entwicklung, Bewertung und Anwendung von Machine-Learning-Modellen eröffnen Einsatzmöglichkeiten in daten- und KI-orientierten Tätigkeitsfeldern.
Zudem spielen datenbasierte Entscheidungen in Unternehmen und Organisationen eine zunehmend wichtige Rolle. Entsprechend werden Fachkräfte benötigt, die Daten aus unterschiedlichen Quellen aufbereiten, analysieren und verständlich visualisieren können. Kenntnisse in Python, SQL und Business Intelligence eröffnen Einsatzmöglichkeiten im Bereich Data Analytics sowie in datenorientierten Fach- und Unternehmensbereichen.
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.