- Grundprinzipien für zukünftige Data Analyst mit Fokus auf Data Quality
- Verständnis der Datenintegrität, Vollständigkeit und Validität der Analyse
- Bedeutung der Datenqualität für den Erfolg eines Data Analyst
Häufige Herausforderungen der Datenqualität
- Aus Sicht eines Data Analyst: Fehlende Werte, Duplikate und Formatprobleme
- Erkennungsmethoden für Ausreißer und fehlerhafte Daten
- Validierung und Aufbereitung der Datenquellen im Alltag eines Analyst
Python und Pandas für Datenqualitätsprüfungen
- Tools und Methoden für Data Analyst mit Python und Pandas
- Datenprofiling und automatisierte Bereinigung in der Praxis
- Erstellung von Quality Reports mit Jupyter Notebooks für Data Analyst
Data Quality Monitoring mit SQL
- SQL-Basiswissen für Data Analyst zur Qualitätskontrolle großer Datensätze
- Validierung von Relationen, Eindeutigkeit und Vollständigkeit der Daten
- Verwendung von Joins und CTEs zur strukturierten Datenüberprüfung
Praxisprojekt: Datenqualität im Geschäftsumfeld
- End-to-End Projekt zur praktischen Anwendung von Methoden für Data Analyst
- Erstellung eines Data Quality Dashboards mithilfe von Tableau
- Ableitung von Optimierungseinblicken aus Perspektive eines Data Analyst