Customer Data Manager:in

Zielgruppe: Dieser Lehrgang richtet sich an (Wirtschafts-)Informatiker:innen aus den Bereichen Marketing, Einkauf, Vertrieb und Kundenmanagement.

Customer Data Manager:innen sind für die Erfassung, Analyse und Aufbereitung von (Kunden-) Daten zuständig. Daher vermittelt der Lehrgang zunächst den strategischen, analytischen und operativen Umgang mit CRM für eine kompetente Kundenbetreuung, -bindung und -akquise mithilfe einer CRM-Software. In einem weiteren Schritt führt der Kurs durch die grundlegenden Themen im Bereich Big Data, in der Statistik und der Verwendung relationaler Datenbanken mit SQL. Kenntnisse in der Data Warehouse Modellierung und dem ETL-Prozess sowie in der Datenanalyse, -visualisierung und dem Datenmanagement runden den Kurs ab.

Lehrgangsinhalte:

Kundenservice mit CRM-Software
Grundlagen Customer Relationship Management (ca. 3 Tage)

• Einführung in das Customer Relationship Management
• Strategisches, analytisches, operatives CRM
• Integrierte CRM-Lösungen: ERP-System, Datawarehouse, Data Mining und OLAP

Grundlagen Datenschutz (ca. 1 Tag)

• Umgang mit Kundendaten
• Speicherung und Weitergabe von Kundendaten
• Datenschutz im Bereich Marketing/Werbemaßnahmen

Künstliche Intelligenz (KI) im Arbeitsprozess

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

Gewinnung und Bindung von Kundschaft (ca. 4 Tage)

• Analyse der Kundenbedürfnisse
• Kundenzufriedenheitsmanagement
• Kundenkommunikation
• Customer Experience (CX)
• Psychologie der Kundenbeziehungen
• Aufbau und Pflege von Kundendatenbanken
• 360 Grad-Kundenansicht
• Ganzheitliches Fallmanagement

Umgang mit Kundendaten (ca. 4 Tage)

• Verwaltung von Terminen, Verträgen und Budget
• Kundenadministration
• Workflows zwischen Teams
• Bereinigung der Datenbank
• Analytisches CRM (Zielgruppenanalyse, Kundenwertanalyse, Forecasts)
• Echtzeit-Dashboards
• Überblick über Leistungskennzahlen
• Drilldown-Analyse
• Inline-Datenvisualisierung
• Auswertung von Verkaufschancen

Steigerung der Kundenprofitabilität (ca. 3 Tage)

• Marketing
• Gezielte Rückmeldungen
• Segmentierungstools
• Kampagnen-Management
• Workflows
• Lead-to-Cash-Transparenz
• Echtzeit-Verkaufsprognosen
• Pipeline-Berichte

Einführung CRM Software (ca. 2 Tage)

• Übersicht in die CRM Systemlandschaft
• Vorstellung und Positionierung verschiedener CRM-Systeme
• Prozessabläufe abbilden

Projektarbeit (ca. 3 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

Big Data Grundlagen
Grundlagen Datenmanagement (ca. 2 Tage)

• Anforderungen an Daten
• Data Governance
• Datenbereinigung

Was ist Big Data? (ca. 4 Tage)

• Die fünf Vs: Volume, Velocity, Variety, Value, Veracity
• Chancen und Risiken großer Datenmengen
• 6 Schritte des CRISP-DM Industriestandards
• Data Warehouse, Data Lake
• Abgrenzung: Business Intelligence, Data Analytics, Data Science
• Was ist Data Mining?

Künstliche Intelligenz (KI) im Arbeitsprozess

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

Verteilte Systeme (ca. 3 Tage)

• SQL/NoSQL
• Was ist Web 2.0?
• Begriffserläuterung Cloud-Computing
• Einsatzmöglichkeiten von Google, Hadoop, Spark
• MapReduce

Datenmanagement (ca. 2 Tage)

• ETL (extract, transform, load)
• Datenerfassung, -speicherung, -analyse und -verwendung

Relationale Datenbanken, SQL (ca. 2 Tage)

• Entitätsmengen
• Relationen
• Datenbanken/Tabellen
• Schlüsselfelder
• Einsatz Indizes
• Datenbanksystemtypen
• Datentypen: Standard- und spezielle Datentypen
• Beziehungen zwischen Relationen
• Entity-Relationship-Modell

NoSQL (ca. 2 Tage)

• Grenzen von relationalen Abfragesprachen
• Cap-Theorem
• ACID vs. Base
• No-SQL Technologien

Rechtliche Grundlagen (ca. 2 Tage)

• GDPR
• Datenschutz und -sicherheit
• DSGVO
• Das Bundesdatenschutzgesetz

Projektarbeit (ca. 3 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

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

SQL - Relationale Datenbanken
Grundlagen von Datenbanksystemen mit Access (ca. 3 Tage)

• Redundante Daten
• Datenintegrität
• Normalisierung
• BCNF
• DB-Entwurf
• Beziehung 1:n, m:n
• Datentypen
• Tabellen
• Primär- und Fremdschlüssel
• Referentielle Integrität
• Beziehungen zwischen Relationen
• Entity-Relationship-Modell
• Index, Standartwert
• Einschränkungen (Check)
• Abfragen
• Formulare, Berichte
• Zirkelbezug

Einführung in SQL Server Management Studio (SSMS) (ca. 2 Tage)

• Übersicht
• Phys. DB-Design
• Tabellen erstellen
• Datentypen in MS SQL
• Primary Key
• Einschränkungen, Standartwerte, Diagramm, Beziehungen
• Backup und Restore

Künstliche Intelligenz (KI) im Arbeitsprozess

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

Einführung in DDL (ca. 8 Tage)

• SQL Grundlagen
• Syntax
• Befehle
• Mehrere Tabellen
• Operatoren
• Ablaufkontrolle
• Skalarwertfunktionen
• Tabellenwertfunktionen
• Systemfunktionen
• Prozeduren mit und ohne Parameter
• Fehlertypen
• Transaktionen, Sperren, DeadLock

DCL – Data Control Language (ca. 1 Tag)

• Anmeldungen
• Benutzer
• Rollen
• Berechtigungen

Datentypen, Datenimport und -export (ca. 1 Tag)

• Datentyp geography
• Datenexport, Datenimport

Projektarbeit (ca. 5 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

Anforderung von Daten (ca. 2 Tage)

• Aufgaben, Ziele und Vorgehensweise in der Anforderungsanalyse

Einführung/Modellierung in der UML

• Use-Case Analyse
• Klassendiagramme
• Aktivitätsdiagramme
• Modellierung mit ERM

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 Modellierung (ca. 4 Tage)

• Star Schema
• Snowflake Schema
• Galaxy Schema

Data Vault 2.0

• Hubs
• Satellites
• Links im Raw- und Business Vault
• Hash Key
• Hash Diff
• 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 subdimensions
• 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

Künstliche Intelligenz (KI) im Arbeitsprozess

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

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.

Dieser Kurs vermittelt Ihnen ein ganzheitliches Verständnis von CRM. Sie sind dazu in der Lage, Kundenbeziehungen zu analysieren und zu optimieren. Weiterhin kennen Sie die wesentlichen Begrifflichkeiten zum Thema Big Data sowie die Herausforderungen, die im Umgang mit großen Datenmengen anfallen. Mit Statistik und SQL können Sie mit zwei essenziellen Werkzeugen zur Verarbeitung, Darstellung und Analyse von Daten umgehen. 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 der Programmiersprache Python 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