- Vertrautheit mit der Rolle von Daten modellierung in der Datenanalyse
- Differenzen zwischen logischer, physischer und konzeptioneller Datenmodellierung
- Integration von Daten modellen in Workflows der Datenanalyse
- Wesentlichkeit von Datenqualität, Datenquellen und relationalen Strukturen
Einführung in Python & Data Analysis
- Python-Grundlagen: Variablen, Schleifen, Listen, Dictionaries und Funktionen
- Datenstrukturierung mit Python zur Vorbereitung auf die Modellierung
- Verwendung von Python zur deskriptiven Datenanalyse und Visualisierung
- Erste simple Projekte zur Analyse und Strukturierung von Daten
Modellierung mit SQL & relationalen Datenbanken
- Entwicklung von relationalen Daten modellen mit SQL und DBeaver
- Verständnis von Primary Keys, Foreign Keys und SQL-Joins
- SQL-Anwendung für Aggregationen, CTEs und Datenbeziehungen
- Modellierung praktischer Use Cases mit SQL für Zwecke der Datenanalyse
Analytical Engineering & Pipelines für Datenmodellierung
- Überblick über Analytical Engineering und Bedeutung von Daten modellen
- DBT (Data Build Tool) Einsatz zur Implementierung von DBT Stages & Marts
- Dynamische Daten modellierung durch Integration von SQL in Python
- Kooperation mit Stakeholdern zur Definition von Datenstrukturen
Visualisierung und Datenfluss mit Tableau
- Dashboard-Erstellung basierend auf modellierten Daten
- Entwicklung komplexer KPI-Systeme aus Daten modellen
- Power BI-ähnliche Tools zur Validierung der Datenstruktur nutzen
- Verknüpfung von Tableau mit SQL-Modellen für Echtzeitanalyse