Der Kurs startet mit dem Modul „Grundlagen der Datenanalyse & Python“, in dem die Teilnehmenden systematisch in die Welt der Datenanalyse eingeführt werden. Zu Beginn werden Kursziele, Erwartungen und Tools gemeinsam besprochen, bevor es direkt in die methodischen und technischen Grundlagen geht. Neben einem Überblick über das Berufsfeld Data Analytics und die gängigen Technologien stehen vor allem der Einstieg in die Programmierung mit Python und der Umgang mit Daten im Mittelpunkt. Schritt für Schritt erwerben die Teilnehmenden fundierte Kenntnisse zu Variablen, Datentypen, Bedingungen, Schleifen, Funktionen und Bibliotheken. Ergänzend werden die wichtigsten Konzepte im Umgang mit Pandas behandelt – darunter das Arbeiten mit DataFrames, Filtern, Gruppieren sowie das Bereinigen und Transformieren von Daten. Abgerundet wird das Modul durch eine praxisnahe Einführung in relationale Datenbanken und SQL, inklusive der Einbindung von SQL-Daten in Python-Workflows.

Im zweiten Modul „Datenvisualisierung, -analyse & A/B Testing“ vertiefen die Teilnehmenden ihre Analysefähigkeiten und lernen, komplexe Daten visuell und statistisch auszuwerten. Dabei erstellen sie mit modernen Visualisierungstechniken Diagramme und Dashboards – von klassischen Balken- und Liniendiagrammen bis hin zu interaktiven Dashboards mit Tools wie Tableau oder Power BI. Es folgen grundlegende Methoden der explorativen Datenanalyse, wie Korrelationen, Verteilungen, Outlier-Erkennung und Feature Engineering. Darüber hinaus erhalten die Teilnehmenden eine fundierte Einführung in die deskriptive Statistik, Wahrscheinlichkeiten und Inferenzstatistik. Das Modul schließt mit der Konzeption und Simulation von A/B-Tests, inklusive Hypothesenerstellung und statistischer Auswertung.

Modul drei trägt den Titel „Machine Learning & KI-Grundlagen“ und führt die Teilnehmenden in die grundlegenden Konzepte des maschinellen Lernens ein. Sie lernen, welche Arten von Algorithmen es gibt, wie sie in der Praxis angewendet werden und wie man Modelle in Python implementiert und bewertet. Neben linearen und logistischen Regressionsmodellen stehen auch Entscheidungsbäume, Random Forests, Clustering-Verfahren und erste Einblicke in neuronale Netze auf dem Programm. Themen wie Bias und Fairness in KI-Modellen sowie die sinnvolle Nutzung von LLMs (Large Language Models) für Analyse- und Automatisierungsprozesse im Alltag einer:eines Data Analyst-Expert:in runden das Modul ab.

Das abschließende Modul „Plus-Skills, Coaching & Abschlussprojekt“ legt den Fokus auf die Anwendung und technische Umsetzung der zuvor erlernten Inhalte. Im Rahmen eines realitätsnahen Gruppenprojekts bearbeiten die Teilnehmenden einen vollständigen Analyseprozess – von der Datenakquise über die Modellierung und Visualisierung bis hin zur Präsentation der Ergebnisse. Dabei werden Machine-Learning-Modelle implementiert, Dashboards gebaut und eine technische Dokumentation erstellt. Zusätzlich werden agile Arbeitsmethoden und Teamprozesse trainiert, um die Projektarbeit unter praxisnahen Bedingungen zu gestalten. Die Ergebnisse werden im Rahmen einer Abschlusspräsentation vorgestellt. Flankierend findet ein Bewerbungscoaching statt, das gezielt auf den Berufseinstieg in der IT- und Datenbranche vorbereitet – inklusive Profilanalyse, Bewerbungstraining, Portfolioarbeit und technischer Selbstpräsentation.