- Verständnis der Rolle von Daten modellierung innerhalb von Data Analytics
- Unterschiede zwischen logischer, physischer und konzeptioneller Datenmodellierung
- Einbettung von Daten modellen in Data Analysis Workflows
- Bedeutung von Datenqualität, Datenquellen und relationalen Strukturen
Grundlagen in Python & Datenanalyse
- Python-Grundlagen: Variablen, Listen, Dictionaries, Schleifen und Funktionen
- Strukturierung von Daten mit Python für spätere Modellierung
- Deskriptive Datenanalyse und Visualisierung mit Python
- Erste Mini-Projekte zur Analyse und Strukturierung von Data
Datenmodellierung mit SQL & relationalen Datenbanken
- Erstellung relationaler Daten modelle mit SQL und DBeaver
- Verständnis von Primary Keys, Foreign Keys und SQL-Joins
- Nutzung von SQL für Aggregationen, CTEs und Datenbeziehungen
- Modellierung realer Use Cases mit SQL für Datenanalysezwecke
Analytical Engineering & Datenpipelines für Daten modellierung
- Einführung in Analytical Engineering und Rolle von Daten modellen darin
- Nutzung von DBT (Data Build Tool) zur Umsetzung von DBT Stages & Marts
- SQL-Integration in Python für dynamische Daten modellierung
- Zusammenarbeit mit Stakeholdern zur Definition von Datenstrukturen
Visualisierung und Datenfluss mit Tableau
- Erstellung datengestützter Dashboards auf Basis modellierter Daten
- Aufbau komplexer KPI-Systeme aus Daten modellen
- Nutzung von PowerBI-ähnlichen Tools zur Validierung der Datenstruktur
- Verknüpfung von Tableau mit SQL-Modellen zur Echtzeitanalyse
Daten modellierung umfasst die Erstellung und Einbettung von Daten modellen in Data Analysis Workflows und die Nutzung von SQL und Python.