TÜV Süd zertifiziert | TUM Partner | Seminare in MBA-Qualität
Hast du Fragen?
FAQ
📞 089 416126990
Suche schließen

Data-Science-Schulung: Daten-Analyse für Einsteiger

mit Tom Alby
5 Sterne 284 Google-Bewertungen

Entdecke in unserem zweitägigen Data-Science-Seminar auf MBA-Niveau, wie du praxisnah Daten analysierst, ohne ein Mathe- oder Statistik-Experte sein zu müssen. Anhand zahlreicher B2B- und B2C-Praxisbeispiele sowie Best Practices zeigen wir dir, wie du große Datenmengen bereinigst, analysierst, visualisierst, interpretierst und daraus fundierte Entscheidungen ableitest. Du wirst die Rolle der KI in der Datenanalyse verstehen und lernen, wie du R, RStudio und Tidyverse nutzt. Außerdem erfährst du, wie du A/B- und multivariate Tests durchführst. Egal ob B2B oder B2C, unser Seminar bietet dir praxisnahe Kenntnisse für bessere Entscheidungen im Unternehmen. Vorkenntnisse im Online-Marketing und in der Webanalyse sind hilfreich, aber nicht zwingend erforderlich.

Teil der Seminarreihe:
Data Science I Online Marktforschung I Data Science mit KI

Weitere für dich relevante Seminare:
Google Analytics 4 I Matomo I Persona-Seminar

  • Datenanalyse, Data Science, Data-Mining, Künstliche Intelligenz, Analytics: Was ist unter den einzelnen Begriffen zu verstehen?
  • Statistik-Programmiersprache R: Du erfährst, wie du die Programmiersprache R interaktiv in der Konsole und in der Entwicklungsumgebung RStudio nutzen kannst.
  • Datenbereinigung und Datentransformation: Du lernst anhand von praxisnahen Beispielen, wie du Daten selektieren, filtern, verändern und zusammenfassen kannst.
  • Daten zielführend visualisieren: Du erfährst, welche Visualisierung in welchem Kontext die beste Wirkung erzielt.
  • Statistik-Grundlagen für Machine Learning: Von der Standardabweichung bis zur Korrelation.
  • Fortgeschrittene Visualisierungen: Du erhältst eine Einführung in die Erstellung besonderer Grafiken wie Lollipop-Diagramme und Circular Bar Plots.

Agenda im Überblick

Einführung

  • Daten sind keine Informationen – Aber wie werden aus Daten „actionable Insights“?
  • Datenanalyse, Data Science, Data Mining, Künstliche Intelligenz oder Analytics: Was ist was und für was ist was gut?
  • Das Ziel dieses Kurses: Data Science ohne Mathematikstudium – Wie erweiterte Datenkompetenz in Form von Citizen Data Scientists Unternehmen hilft, bessere Entscheidungen zu treffen
  • Der schnelle Einstieg mit R: Was hat R, was andere nicht haben?

Die Statistik-Programmiersprache R

  • Das „nackte“ R und sein Grundvokabular: R interaktiv in der Konsole nutzen
  • Die Entwicklungsumgebung RStudio: Alle Datenanalyse- und Data Science-Aufgaben in einer Oberfläche lösen
  • Nachvollziehbarkeit und Transparenz von Analysen und Modellen: Die zentrale Bedeutung von Notebooks
  • Daten einlesen: Von CSV bis zur MySQL-Datenbank
  • Datentypen: Ist eine Postleitzahl eine Zahl oder nicht?

Datenreinigung und -transformation mit dem Tidyverse

  • Daten selektieren und filtern
  • Daten gruppieren und zusammenfassen
  • Statistik-Exkurs: Lageparameter und ihr korrekter Einsatz
  • Strategien zur Datenreinigung: Probleme erkennen und beheben
  • Daten modifizieren: Ein kurzer Exkurs zu Regulären Ausdrücken

Daten zielführend visualisieren

  • Grundlegende Überlegungen bei der Datenvisualisierung
  • Die Verteilung erkennen mit der univariaten Visualisierung in Histogrammen
  • Wie verhalten sich mehrere Variablen zueinander: Multivariate Visualisierungen mit Streudiagrammen und ihre Verwandten
  • Der Alleskönner: Boxplots
  • Ggplot2: Das Schweizer Taschenmesser der Datenvisualisierung

Von der Beschreibung der Daten zur Gewinnung von Erkenntnissen

  • Statistik-Exkurs: Standardabweichung, Standardfehler und andere Maße
  • Statistik-Exkurs: Verteilungen und Erwartungswerte

Wie hängen Daten zusammen?

  • Regressionsanalyse: Mehr Budget gleich mehr Klicks? Von linearen und nicht-linearen Zusammenhängen und daraus resultierenden Prognosen
  • Korrelationsanalyse: Korreliert das Wetter mit Shop-Verkäufen?
  • Zusammenhänge bei nicht-numerischen Daten berechnen
  • Von Scheinkorrelationen und anderen Daten-Phänomen

Hypothesentests

  • Der klassische Hypothesentest: A/B- und multivariate Tests: Welche Landingpage funktioniert besser?
  • Statistik-Exkurs: Der Zentrale Grenzwertsatz und was ist eigentlich ein p-Wert?
  • Wie sicher sind wir uns eigentlich? Alles über Konfidenzintervalle!
  • Alles ganz anders: Bayessche Inferenzstatistik im A/B-Testing

Erweiterte Ansätze

  • Zeitreihenanalysen
  • Fallstricke in der Analyse
  • Fortgeschrittene Visualisierungen: Lollipop-Diagramme und Circular Bar Plots
  • Ausblick auf das Folge-Seminar