- Grundlagen für angehende Data Analyst, inklusive Rolle der Data Quality
- Verständnis von Datenintegrität, Vollständigkeit und Analysevalidität
- Warum Datenqualität für einen erfolgreichen Data Analyst unverzichtbar ist
Typische Data Quality Herausforderungen
- Fehlende Werte, Duplikate und Formatprobleme aus Sicht eines Data Analyst
- Methoden zur Erkennung von Ausreißern und fehlerhaften Einträgen
- Validierung und Aufbereitung von Datenquellen im Analystenalltag
Python & Pandas für Data Quality Checks
- Tools und Techniken für Data Analyst mit Pandas und Python
- Datenprofiling und automatisierte Bereinigung in der Praxis
- Jupyter Notebooks zur Erstellung von Quality Reports für Data Analyst
Data Quality Monitoring mit SQL
- SQL-Grundlagen für Data Analyst zur Qualitätsprüfung großer Datenmengen
- Validierung von Relationen, Eindeutigkeit und Vollständigkeit
- Nutzung von Joins und CTEs zur strukturierten Datenkontrolle
Praxisprojekt: Data Quality im Business-Kontext
- End-to-End-Projekt zur Anwendung von Data Analyst-Methoden in der Praxis
- Erstellung eines Data Quality Dashboards mit Tableau
- Ableitung von Insights zur Optimierung aus Sicht eines Data Analyst