Navigation

Weiterbildung in Data Science

Business Analytics als Wettbewerbsfaktor

Die Digitalisierung ist fester Bestandteil des Alltags und hält in immer mehr Lebensbereiche Einzug. Die dabei ablaufenden Prozesse erzeugen zum Teil sehr große Datenmengen, die zunehmend zu einem wichtigen Wert für Unternehmen werden.

Es gibt Technologien, mit denen sich diese Daten analysieren lassen. Es geht darum, entscheidungsrelevante Informationen in hoher Qualität zu extrahieren. Auf dieser Basis lassen sich frühzeitig Gesetzmäßigkeiten erkennen, Prognosen erstellen und Simulationen durchführen. Nutzt ein Unternehmen die Datenanalyse professionell, kann es schneller auf Veränderungen reagieren und so die Effizienz seiner Unternehmensprozesse steigern. Im Wirtschaftsleben sind diese Eigenschaften wesentlich für eine hohe und weiter steigende Wettbewerbsfähigkeit.

Beispiele für die Anwendung der Datenanalyse

Wer kennt es nicht? Beim Online-Shopping erscheinen passende Produktvorschläge oder in sozialen Medien werden personalisierte Anzeigen geschaltet. Grundlage dafür sind Analysen. Viele Unternehmen nutzen bereits entsprechende Technologien. Aus historischen Daten können Prognosen hinsichtlich des zukünftigen Kundenverhaltens erstellen werden. Die Arbeit auf der Grundlage analysierter Daten hat auch in andere Bereiche Einzug gehalten: 

  • Medizin und Forschung: Auswertung von Studien
  • Versicherungen: Risikomanagement und Tarifgestaltung
  • Kriminalistik: Erkennen von Betrugsmustern
  • Finanzwesen: Prognosen über Entwicklungen auf den Kapitalmärkten

Wie funktionieren diese Methoden?

Im Zusammenhang mit der Extraktion nützlicher Informationen aus großen Datenbeständen spricht man auch vom Data Mining. Denn wie im Bergbau geht es dabei um die Schatzsuche. Die Massendaten aus verschiedenen Quellen werden aufbereitet und mithilfe mathematisch-statistischer Methoden analysiert. Beispiele für solche Methoden sind Clusteranalyse, Ausreißer-Erkennung und Klassifikation. Auf diese Weise werden Zusammenhänge und Muster sichtbar. Data Scientists haben die Aufgabe, Tools auszuwählen, anzupassen oder sogar selbst zu entwickeln, die diese Analysen ermöglichen.  Sie optimieren die Datenbasis und entwerfen Datenmodelle. 

Professionelle Datenaufbereitung

Datenressourcen gibt es viele und sie liegen in ganz unterschiedlichen Formaten vor. Data Mining ist auch mit unstrukturierten Datenmengen wie Texten, Videos und Audioaufnahmen möglich. Vom eigenen ERP-System bis zu Internet-Suchanfragen kommen viele Quellen infrage. Data Scientists erschließen Datenquellen und machen sie für das Unternehmen nutzbar. Heute sind dies Controller, Produktdesigner, Marketingspezialisten, Vertriebsmanager oder Produktionsleiter. 

Tools für individuelle Anforderungen

Neben einer breiten Datenbasis in möglichst hoher Qualität braucht es für erfolgreiche Analysen auch die richtigen Soft- und Hardwarevoraussetzungen. Diese Architekturen zu gestalten und zu pflegen, ist Aufgabe der IT in Zusammenarbeit mit den Data Scientists. Gefragt sind Anwendungen, mit denen verschiedene Nutzer intuitiv und ohne Spezialkenntnisse arbeiten können. 

Es gibt verschiedene Tools, die an die jeweils individuellen Strukturen des Unternehmens angepasst werden müssen. Solche Lösungen lassen sich Schritt für Schritt einführen. Wichtig ist, dass ein System zur Datenanalyse möglichst viele Vorgänge und Zusammenhänge erfasst, sowohl die unternehmensinternen als auch die Beziehungen zur Umwelt.

Der Blick in die Zukunft mit Data Science

Aus der Mustererkennung in großen Datenmengen lassen sich Prognosen ableiten, zum Beispiel für Preise auf Absatz- und Beschaffungsmärkten, das Nachfrageverhalten der Kunden, für die Zinsentwicklung oder die Kostenstruktur im eigenen Unternehmen. So lassen sich die Folgen von Entscheidungen durchspielen und Handlungsempfehlungen ableiten. Für diese Form der Entscheidungsunterstützung gibt es ebenfalls automatisierte Lösungen. Eine Weiterbildung in Data Science vermittelt diese und andere Aspekte der Datennutzung. Die Methoden sind für Unternehmen wichtige Bausteine der zukünftigen Konkurrenzfähigkeit.

Fakten

  • Dauer: 1 Jahr 
  • Zielgruppe: Mitarbeiter aus den Bereichen Controlling, Marketing, Vertrieb, Produktion, Einkauf, Human Resources
  • Organisation: 20 Tage à 8 Stunden / Familienfreundlich, keine Vorlesungen in den NRW-Ferien
  • Abschluss: Teilnahmezertifikat
  • Teilnahmegebühren: Die Gebühren inkl. Tagungsunterlagen, Getränken und Pausenverpflegung betragen 12.750 Euro (zzgl. MwSt.) je Teilnehmer. 

Weiterbildungsinhalte

1. Abschnitt: 01.02.2019 – 21.06.2019

  • Daten-Lebenszyklus, Big Data und Werkzeuge
  • Grundlagen der Daten-Analyse
  • Neuronale Netze
  • Regression inkl. Zeitregression
  • Nächste Nachbarn / naive Bayes-Methode
  • Entscheidungsbäume / Dimensionsreduktion Teil 1
  • Daten-Visualisierung
  • Data Lab (Fallbeispiele/Übungen)

2. Abschnitt: 30.08.2019 - 31.01.2020

  • Zeitreihen-Analyse
  • Logistische und nicht-lineare Regression
  • Support Vector Machines / Dimensionsreduktion Teil 2
  • Web- und Text-Mining, Analyse sozialer Netze
  • Daten-Präsentation
  • Daten-Qualität und Governance
  • Data Lab (Abschlussprojekt aus dem betrieblichen Umfeld)


Ansprechpartner