Business Intelligence Analyst

Zielgruppe: Der Lehrgang richtet sich an Personen mit abgeschlossenem Studium in der Informatik, Wirtschaftsinformatik, BWL, Mathematik oder vergleichbarer Qualifikation.

Zunächst werden die statistischen Methoden zum Vergleich von unterschiedlichen Datengruppen erlernt und eine Einführung in die Versuchsplanung gegeben. Im Anschluss erläutert der Lehrgang das Thema der mathematischen Simulation mit MATLAB und vermittelt die Modellierung von Systemen mit Simulink. Des Weiteren wird mit Python eine Programmiersprache vorgestellt, die sich besonders zur Datenauswertung, -manipulation und -visualisierung eignet. Kenntnisse in der Data Warehouse Modellierung und dem ETL-Prozess sowie in der Datenanalyse, -visualisierung und dem Datenmanagement runden den Kurs ab.

Lehrgangsinhalte:

Statistik
Statistische Grundlagen (ca. 6 Tage)

• Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Stichprobenarten, Messung und Skalenniveaus)
• Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwerte, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme und Boxplots)
• Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme und gruppierte Balkendiagramme)
• Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilung, Normalverteilung, Mittelwerteverteilung, Signifikanztest, Nullhypothesentest nach Fisher, Signifikanz, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalysen und Ermittlung des optimalen Stichprobenumfangs)

Künstliche Intelligenz (KI) im Arbeitsprozess

• Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
• Anwendungsmöglichkeiten und Praxis-Übungen

Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)

• z- und t-Test für eine Stichprobe (Abweichung von einem vorgegebenen Wert)
• t-Test für den Mittelwertsunterschied von zwei unabhängigen/ verbundenen Stichproben
• Prüfung der Wirksamkeit von Aktionen, Maßnahmen, Interventionen und anderen Veränderungen mit t-Tests (Pretest-Posttest-Designs mit zwei Gruppen)
• Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonnet-Test, Signifikanztest für Korrelationen)
• Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test
• Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen mit Assoziationsmaße)

Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 5 Tage)

• Ein- und zweifaktorielle Varianzanalyse (einfache und balancierte ANOVA)
• Mehrfaktorielle Varianzanalyse (Allgemeines Lineares Modell)
• Feste, zufällige, gekreuzte und geschachtelte Faktoren
• Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)
• Interaktionsanalyse (Analyse von Wechselwirkungseffekten)
• Trennschärfe und Poweranalyse bei Varianzanalysen

Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)

• Voll- und teilfaktorielle Versuchspläne

Projektarbeit (ca. 3 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

Mathematische Modellierung mit MATLAB und Simulink
Grundlagen MATLAB (ca. 2 Tage)

• MATLAB-Oberfläche
• Auslesen von Daten aus einer Datei
• Variablen, Arrays, Operatoren, Grundfunktionen
• Grafische Darstellung von Daten
• Anpassen von Diagrammen
• Exportieren von Grafiken

Variablen und Befehle (ca. 2 Tage)

• Relationale und logische Operatoren
• Mengen, Mengen bei 2D Körpern (Polyshape)
• Durchführung mathematischer und statistischer Berechnungen mit Vektoren
• Grafiken in der Statistik

Analyse und Visualisierung (ca. 1 Tag)

• Erstellen und Verändern von Matrizen
• Mathematische Operationen mit Matrizen
• Grafische Darstellung von Matrixdaten
• Matrixanwendungen: Abbildungen, Rotation,
• Lineare Gleichungssysteme, Least Square Verfahren

Künstliche Intelligenz (KI) im Arbeitsprozess

• Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
• Anwendungsmöglichkeiten und Praxis-Übungen

Datenverarbeitung (ca. 1 Tag)

• Datentypen: Structure Arrays, Cell Arrays, String vs. Char, Categorical, Datetime u.v.m.
• Anlegen und Organisieren tabellarischer Daten
• Bedingte Datenauswahl
• Importieren/Exportieren mit Matlab:
• Ordnerstrukturen, .mat-Daten, Tabellendaten,
• Fließtexte

MATLAB-Programmierung (ca. 3 Tage)

• Kontrollstrukturen: Schleifen, if-else, Exceptions
• Funktionen
• Objektorientierte Programmierung
• App Design

Simulation in MATLAB (ca. 5 Tage)

• Numerische Integration und Differenziation
• Grundlagen der Simulation gewöhnlicher Differentialgleichungen, Matlab ODE und
• Solveroptionen.
• Simulationstechnik in Matlab: Eingabeparameter, Dateninterpolation, Simulationsstudien
• Simulationssteuerung: Eventfunctions (Zero Crossing), Outputfunctions.
• Anwendungsbeispiele: z.B.: Simulation eines Elektromotors, Simulation einer Rakete

Simulink (ca. 4 Tage)

• Grundlagen in Simulink: Schaubilder, Funktionen, Signale und Differentialgleichungen
• Funktionen, Subsysteme und Bibliotheken
• Import/Export, Lookup-Tabellen, Regelung
• Zero-Crossing, Automatisierung von Simulationsaufgaben (Matlab Zugriff),
• Anwendungsbeispiele: z.B. Simulation eines Flugzeugtriebstrangs

Projektarbeit (ca. 2 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

Programmierung mit Python
Grundlagen Python (ca. 1 Tag)

• Geschichte, Konzepte
• Verwendung und Einsatzgebiete
• Syntax

Erste Schritte mit Python (ca. 5 Tage)

• Zahlen
• Zeichenketten
• Datum und Zeit
• Standardeingabe und -ausgabe
• list, tuple dict, set
• Verzweigungen und Schleifen (if, for, while)

Künstliche Intelligenz (KI) im Arbeitsprozess

• Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
• Anwendungsmöglichkeiten und Praxis-Übungen

Funktionen (ca. 5 Tage)

• Eigene Funktionen definieren
• Variablen
• Parameter, Rekursion
• Funktionale Programmierung

Fehlerbehebung (ca. 0,5 Tage)

• try, except
• Programmunterbrechungen abfangen

Objektorientierte Programmierung (ca. 4,5 Tage)

• Python-Klassen
• Methoden
• Unveränderliche Objekte
• Datenklasse
• Vererbung

Grafische Benutzeroberfläche (ca. 1 Tag)

• Buttons und Textfelder
• grid-Layout
• Dateiauswahl

Projektarbeit (ca. 3 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

Data Engineer

Grundlagen Business Intelligence (ca. 2 Tage)

• Anwendungsfelder, Dimensionen einer BI Architektur
• Grundlagen Business Intelligence, OLAP, OLTP, Aufgaben eines Data Engineers
• Data Warehousing (DWH): Umgang und Verarbeitung von strukturierten, semistrukturierten und unstrukturierten Daten

Anforderungsmanagement (ca. 2 Tage)

• Aufgaben, Ziele und Vorgehensweise in der Anforderungsanalyse
• Datenmodellierung, Einführung / Modellierung mit ERM
• Einführung/Modellierung in der UML
• Klassendiagramme
• Use-Case Analyse
• Aktivitätsdiagramme

Künstliche Intelligenz (KI) im Arbeitsprozess

• Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
• Anwendungsmöglichkeiten und Praxis-Übungen

Datenbanken (ca. 3 Tage)

• Grundlagen von Datenbanksystemen
• Architektur von Datenbankmanagementsystemen
• Anwendung RDBMS,
• Umsetzung Datenmodell in RDBMS, Normalformen
• Praktische und theoretische Einführung in SQL
• Grenzen von Relationalen Datenbanken, csv, json

Data Warehouse (ca. 4 Tage)

• Star Schema
• Datenmodellierung
• Erstellung Star Schema in RDBMS
• Snowflake Schema, Grundlagen, Datenmodellierung
• Erstellung Snowflake Schema in RDBMS
• Galaxy Schema: Grundlagen, Datenmodellierung
• Slowly Changing Dimension Tables Typ 1 bis 5 - Restating, Stacking, Reorganizing, mini Dimension und Typ 5
• Einführung in normal, causal, mini und monster, heterogeneous und sub Dimensions
• Vergleich von state und transaction oriented Faktentabellen, Density und Storage vom DWH

ETL (ca. 4 Tage)

• Data Cleansing
• Null Values
• Aufbereitung von Daten
• Harmonisierung von Daten
• Anwendung von Regular Expressions
• Data Understanding
• Datenvalidierung
• Statistische Datenanalyse
• Datenschutz, Datensicherheit
• Praktischer Aufbau von ETL-Strecken
• Data Vault 2.0, Grundlagen, Hubs, Links, Satellites, Hash Key, Hash Diff.
• Datavault Datenmodellierung
• Praktischer Aufbau eines Data Vault Modells - Raw Vault, Praktische Umsetzung von Hash-Verfahren

Projektarbeit (ca. 5 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

Data Analytics
Einführung Datenanalyse (ca. 1 Tag)

• CRISP-DM Referenzmodell
• Data Analytics Workflows
• Begriffsabgrenzung Künstliche Intelligenz, Machine Learning, Deep Learning
• Anforderungen und Rolle im Unternehmen des Data Engineers, Data Scientists und Data Analysts

Wiederholung Grundlagen Python (ca. 1 Tag)

• Datentypen
• Funktionen

Datenanalyse (ca. 3 Tage)

• Zentrale Python-Module im Kontext Data Analytics (NumPy, Pandas)
• Prozess der Datenaufbereitung
• Data Mining Algorithmen in Python

Datenvisualisierung (ca. 3 Tage)

• Explorative Datenanalyse
• Insights
• Datenqualität
• Nutzenanalyse
• Visualisierung mit Python: Matplotlib, Seaborn, Plotly Express

Datenmanagement (ca. 2 Tage)

• Big Data Architekturen
• Relationale Datenbanken mit SQL
• Vergleich von SQL- und NoSQL-Datenbanken
• Business Intelligence
• Datenschutz im Kontext der Datenanalyse

Datenanalyse im Big Data Kontext (ca. 1 Tag)

• MapReduce-Ansatz
• Spark
• NoSQL

Dashboards (ca. 3 Tage)

• Bibliothek: Dash
• Aufbau von Dashboards – Dash Components
• Customizing von Dashboards
• Callbacks

TextMining (ca. 1 Tag)

• Data Preprocessing
• Visualisierung
• Bibliothek: SpaCy

Projektarbeit (ca. 5 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.

Präsenzlehrgänge mit Videotechnik der neuesten Generation
Der Einsatz von Videokonferenzsystemen gehört zum Lehrgangskonzept von alfatraining. Diese Form von Unterricht trainiert das Arbeiten in einer vernetzten Arbeitsumgebung, wie sie in Industrie und Wirtschaft existiert. In der globalisierten Arbeitswelt arbeiten Firmen heutzutage sowohl firmenintern als auch mit anderen Unternehmen deutschlandweit, europaweit oder weltweit über moderne Kommunikationstechniken und Netzwerke zusammen. Sie lernen im Unterricht den Umgang und Einsatz dieser modernen Techniken kennen.

Wie funktioniert der Unterricht bei alfatraining?
Bei alfatraining findet der Unterricht via alfaview®, einer Videokonferenzsoftware, statt. Die Dozierenden und die Teilnehmenden können sich gegenseitig sehen, hören und miteinander sprechen – live, lippensynchron und in Fernsehqualität! Über den virtuellen Klassenraum alfaview® ist es möglich, dass Sie sowohl mit Dozierenden als auch mit allen Teilnehmerinnen und Teilnehmern Ihres Kurses sprechen und im Team standortübergreifend gemeinsam an Projekten arbeiten. Zusätzliche separate Online-Besprechungsräume eignen sich zur vertraulichen Kommunikation in Kleingruppen.

Nach diesem Lehrgang verfügen Sie über wesentliche Kenntnisse in der Statistik, können mit MATLAB und Simulink umgehen und beherrschen die Programmiersprache Python. Verbunden mit dem im Kurs vermittelten Fachwissen des Data Engineerings und der Datenanalyse sind Sie in der Lage, umfangreiche Datensätze zu managen, statistisch effizient auszuwerten und die Ergebnisse anschaulich und leicht verständlich zusammenzufassen.

Kenntnisse in relationalen Datenbanken werden vorausgesetzt.

keine Einschränkungen

keine Einschränkungen

• Berufsförderung der Bundeswehr
• Bildungsgutschein (auch für Weiterbildung während Kurzarbeit)
• Leistungen zur Teilhabe am Arbeitsleben (berufliche Rehabilitation)
• auf Anfrage

• auf der Internetseite des Bildungsanbieters