Zusammenführung mehrerer Datenquellen ist ein Kurs, der explizit die Zusammenarbeit und Integration unterschiedlichster Data-Formate, Tools und Technologien in den Mittelpunkt stellt. Anders als allgemeine Data Science Angebote arbeitet dieses Kursformat gezielt mit Python, SQL, Panda, MangoDB, Tableau, PowerBI und APIs zur Synchronisation und Analyse verschiedenartiger Datenquellen wie Relationale Datenbanken, NoSQL, Excel, Cloud-Plattformen und Echtzeit-Streaming. Die Teilnehmer lernen, Daten aus Marketing-, Business- und Start-up-Umgebungen zusammenzuführen und für komplexe Machine Learning Modelle, Business Intelligence Dashboards und Data Analysis Szenarien nutzbar zu machen. Besonderes Augenmerk liegt auf Lösungsmethoden für Analysten, Business Analysten, Anfänger und Quereinsteiger, um einen klaren Kompetenzaufbau für Data-Projekte zu sichern.
Grundlagen von Data- Data zusammenführen: Verschiedene Datenquellen erkennen, klassifizieren und Datenqualität sicherstellen
- Historische Entwicklung von Business Intelligence und deren Einfluss auf heutige Data Science
- Markttrends: Verfügbarkeit und Umgang mit Big Data, Herausforderungen bei Data-Integration
- Frameworks wie ETL-Prozesse, Data Pipelines und relevante Python Libraries (Panda, Numpy)
- Modellbildung, Visualisierung (Tableau, PowerBI) und Kompatibilität zwischen Tools
- Wichtige regulatorische und ethische Aspekte im Bereich Datensicherheit und Compliance
Praktische Implementierung mit Data
- API-Integration zur Zusammenführung von Echtzeit- und Bestandsdaten
- Daten-Upload und -Migration mit SQL, MangoDB und modernen Data-Stacks
- Analyse von Fallstudien: Auswertung und Visualisierung realer Szenarien
- Überwindung von Dateninkonsistenzen, Problembehandlung bei Datenmodellen
- Auswahl geeigneter Analyse-Modelle für spezifische Business- und Marketing-Fragestellungen
- Optimierung von Data-Flows, Monitoring sowie iterative Verbesserungsmaßnahmen
- Dokumentation und Reporting für Analysten und Professionals
Data: Technologie und Infrastruktur
- Aufbau und Verwaltung von Data Lakes und Data Warehouses
- Einsatz von Python und Numpy für effizientes Data Processing
- Anbindung von Analyse- und Visualisierungs-Tools an verschiedene Datenquellen
- Integration von Machine Learning und AI-Komponenten
- Sicherheitsschritte und Compliance im Umgang mit großen Datenmengen
- Erfassung und Monitoring der System-Performance
Fortgeschrittene Data-Strategien und Trends
- Einführung neuer Technologien für automatisierte Datenintegration
- Machine Learning und Deep Learning für fortschrittliche Data Analysis