Modul 1:
Der Data Scientist – Berufsbild mit Zukunft

Der Data Scientist – Profilanalyse, Anforderungen, Anwendungsfelder

• Big Data und Data Science
• Vom Datenanalyst zum Datenmanager – Profil und Anforderungen an den Data Scientist
• Anwendungsgebiete für Data Science im Unternehmen
• Von der explorativen bis zur präskriptiven Datenanalyse
• Vorstellung des Querschnittsthemas – Data Science und der Datenschutz

Data Science im Unternehmen – Das Potential datengetriebener Geschäftsmodelle

• Datengetriebene Geschäftsprozesse und Anwendungsfelder für Data Science
• Datengetriebenes Management – Mithilfe von Data Science die richtigen Entscheidungen treffen
• Unternehmensanalyse – Wie lassen sich Sweet Spots im eigenen Unternehmen finden?
• »Data-Driven Companies« – Best Practice Beispiele

Chancen und Risiken von Data Science – Ausblick und Exkurs

• Zwischen Back-Office und Management – Welche Verantwortung wird der Data Scientist zukünftig haben?
• Karrierechancen im Unternehmen
• Branchen- und Marktanalyse
• Praxisbeispiel: Data Science und Internet of Things (IoT)

Modul 2:
Datenhaltung & Data Governance

Analyse von Datenstrukturen

• Datenstrukturen: von strukturiert bis unstrukturiert (Datenbanktabellen, JSON, Blogs) – Analysemöglichkeiten
• Verfügbarkeit von Daten – Welche Daten existieren? Wer darf wann und wo darauf zugreifen?
• Von der Unternehmensdatenbank zu Open Data – Big Data Analytics Geschäftsmodelle und industriespezifische Anwendungsfälle
• Die 4 Vs von Big Data: Ab welchen Kriterien werden Big Data IT-Technologien benötigt?

Anwendungsoptionen für Datenhaltung

• Datenbankmanagementsysteme – klassisch und Big Data: RDBMS, JSON, noSQL, CAP Theorem
• Hadoop – Ein Zoo voller Werkzeuge (Apache Hadoop, Projekte, Treiber, Einsatz)
• Data Lake – Definition, Konzepte, Kundenbeispiele
• Überblick von Referenzarchitekturen von Technologieanbietern
• Cloud Computing und Anbieter – Mit welcher Cloud-Umgebung lassen Data Science Projekte sinnvoll starten?
• Iaas/Paas/Saas, Private/Hybrid/Public, Verbreitung in Deutschland, Anbieter

Data Security & Risk Management – Die Rolle des Data Scientists im Umfeld der Datensicherheit

• Datenschutz: Definitionen & Gesetze, Beispiele Datenschutzvorfälle, Sicht Bürger & Politik, Überwachung und Verschlüsselung
• Datensicherheit: Bedrohungsarten, Risikominimierung, Betrug & Cyber-Kriminalität
• Praxisübung: Connected Car – Datenhaltung, Governance und Analysen

Modul 3:
Datenakquisition & Datenintegration im Unternehmen

Datenakquise und Erstellung von Datenarchitekturen

• Unstrukturierte Daten analysieren und aufbereiten
• Das WWW als Datenlieferant – Ein Überblick über die technischen Hürden
• Überblick Datenschnittstellen

Datenintegration: Management und Weiterentwicklung des Datenbestands im Unternehmen

• Praktische Anwendung von Datenbankmanagementsystemen
• Data Warehouse Anbieter, Architektur und Trends
• Einführung in ETL-Prozesse (Extract – Transform – Load) und ETL-Tools
• Data Modeling mit ETL-Tools
• Praxisbeispiele: Best Practice der Datentransformation

Datenanalyse, -exploration und komplexe Datenabfragen

• Was ist möglich? Methoden zur Erkennung komplexer Zusammenhänge und Korrelation von Daten
• Technische Voraussetzungen
• Anwendungsbeispiele Click-Stream Analyse
• Anwendungsbeispiele Information Mining: Extrahieren von Informationen aus Rohdaten

Modul 4:
Data Science Algorithmen – Analytische Verarbeitung & Resultate

Analytische Verarbeitungsmöglichkeiten

• Historie und Entwicklung der analytischen Verarbeitungsmethoden – der Weg zu Big Data
• Bedeutung von Statistik, Mathematik und Wahrscheinlichkeitsrechnung
• Analytische Verarbeitungsmöglichkeiten 2016 – ein Überblick
• Integrationsmöglichkeiten der analytischen Komponente in verschiedene Datenhaltungssysteme

Anomalie-Detektion, Korrelation und Kausalitäten, Clustering, Prädiktive Modellierung

• Anomalie-Detektion: Auswahl von Algorithmen und Implementierung, Konzepte für die Evaluierung der Algorithmen
• Korrelation und Kausalität: die trügerische Sicherheit der Statistik
• Clustering und Klassifizierung: Techniken und Methoden
• Prädiktive Modellierung

Advanced Analytics – Machine Learning, Neuronale Netze, Naive Bayes, Recommender Systems

• Machine Learning – automatisierte Algorithmenentwicklung: Anwendungsfelder & Beispiele
• Data Mining und neuronale Netze – Anwendungsfelder & Beispiele
• Naive Bayes – Anwendungsfelder & Beispiele
• Das Potential von Recommender Systems für Unternehmen – Anwendungsfelder & Beispiele

Modul 5:
Generierung von Business Values und Outcome

Analyseergebnisse erfolgreich visualisieren – Management und Kommunikation von Data Science nach außen

• Das 1×1 der Visualisierung
• Die Kunst des Storytellings
• Herausforderung: komplexe Analysen verständlich kommunizieren
• Praxisteil: Visualisierung mit verschiedenen state of the art tools

Return of Investment (RoI) von Data Science – Der Weg zur Schaffung von Business Value

• Wie werden Ergebnisse aus Analysen zu wertvollen Informationen für Unternehmen
• Data Science integriert im Unternehmensprozess – ein Beispiel
• Widerstand im eigenen Unternehmen: Was, wenn die Ergebnisse vom Management ignoriert werden?
• Interaktive Diskussionsrunde – warum scheitern noch viele Big Data Projekte?

Big Data – Small Project: PM-Voraussetzungen zur erfolgreichen Integration von Data Science im Unternehmen

• Wie starte ich erfolgreich in meinem Unternehmen mit Data Science
• Administrative Hürden
• Leadership-Management: Aufbau einer funktionierenden Abteilung