Foundation of Data Analytics — Datentypen, Statistik, Visualisierung

Wer in Data Analytics einsteigt, sollte zuerst die Grundlagen verstehen, bevor er sich auf Tools (Excel, Power BI, Python, SQL) stürzt. Dieser Kurs ist die konzeptionelle Basis und richtet sich an alle, die Datenanalyse erstmals systematisch lernen wollen — ohne sofort tief in Tools einzusteigen. Block Wert der Daten: Was sind Daten (strukturiert vs. unstrukturiert vs. semi-strukturiert), warum sind Daten wertvoll (Entscheidungs-Grundlage, Wettbewerbs-Vorteil, neue Geschäftsmodelle), Data Driven Decision Making, Wann sind Daten NICHT die Antwort (Werte-Entscheidungen, kreative Aufgaben, Black Swan-Events). Block Datentypologien und Datenmanagement: Strukturierte Daten (in Tabellen, mit Schema — SQL-Datenbanken), Unstrukturierte Daten (Texte, Bilder, Videos, Audio — 80 % aller Unternehmensdaten), Semi-strukturierte Daten (JSON, XML, CSV), Datenformate (CSV, JSON, Parquet, Avro), Datentyp-Konzepte (kategorisch, numerisch, ordinal, kontinuierlich, diskret), Time-Series-Daten als Spezialfall. Block Datensammlung und -speicherung: Quellen (Operative Systeme, IoT, Web, Surveys, External Vendors), Datenpipelines (ETL vs. ELT), Data Lake vs. Data Warehouse vs. Lakehouse als Architektur-Pattern, OLTP vs. OLAP. Block Datenqualität: Vollständigkeit, Genauigkeit, Konsistenz, Aktualität, Eindeutigkeit, Gültigkeit — die 6 Dimensionen. Datenqualitäts-Probleme erkennen (Missing Values, Duplikate, Inkonsistenzen, Outlier), Cleaning-Strategien. Block Unternehmens-Statistik: deskriptive Statistik (Mittelwert, Median, Modus, Standardabweichung, Quartile, Varianz), Verteilungen (Normal, Schiefe, Wölbung), Korrelation vs. Kausalität (häufiger Fehlschluss!), Konfidenzintervalle, Hypothesen-Tests Grundlagen, Stichproben vs. Vollerhebung. Block Datenvisualisierung: Visualisierungs-Prinzipien (Story Telling with Data nach Knaflic), wann welcher Chart-Typ (Balken für Vergleiche, Linien für Trends über Zeit, Kreis für Anteile bis 5, Streudiagramm für Korrelationen, Heatmap für Matrix-Daten), Anti-Patterns (3D-Pies, abgeschnittene Achsen, irreführende Skalen), Color-Theory (Color-Blindness berücksichtigen, Highlight wichtiger Daten). Block Optimierung und Insights: Wie aus Daten Insights werden (Hypothese → Analyse → Visualisierung → Story → Action), KPI-Definition (SMART, Leading vs. Lagging Indicators), Reporting vs. Analysis vs. Predictive vs. Prescriptive Analytics. Block Tools-Übersicht: Excel als universelles Tool, Power BI / Tableau als Self-Service-BI, SQL für Datenabfrage, Python/R für komplexe Analysen, Cloud-Analytics (BigQuery, Snowflake, Synapse).