Zertifikatslehrgang Data Science

Rechnen Sie mit
besseren Chancen

Daten sind immer und überall. Wer mit diesem zentralen Produktivfaktor gekonnt umgehen, Chancen erkennen und Mehrwert generieren kann, gehört zu den gefragtesten Fachkräften der Wirtschaft. Mit dem erfolgreichen Abschluss dieses Lehrgangs auf Hochschul-Niveau qualifizieren Sie sich für verantwortliche Positionen.

Wie Sie Datenschätze heben
und Mehrwert schaffen

Data Science gehört zu den attraktivsten und wichtigsten IT-Trendbereichen unserer Zeit. Die Analyse und Aufbereitung großer Datenmengen ist Voraussetzung für die erfolgreiche digitale Transformation. In vielen deutschen Unternehmen fehlt jedoch nach wie vor Know-how für ein erfolgreiches Big Data Management.

Verkörpert durch das Berufsbild des Data Scientists, umfasst der Themenbereich mittlerweile verschieden Rollen und Arbeitsprofile wie bspw. Data Analysten, Data Architects, Data Engineers, Data Manager oder Business Developer. Sie alle beschäftigen sich mit der Erhebung, Visualisierung oder Auswertung von Big Data und helfen somit Unternehmen, ihre Prozesse zu optimieren und Geschäftsmodelle auszubauen.

Das notwendige Fachwissen, um Datenprojekte in Unternehmen zu initiieren, zu steuern und erfolgreich umzusetzen, wird im Rahmen des Lehrgangs durch Fachexperten von Parametric Technology GmbH (PTC), adesso SE und Mindfuel vermittelt. Der Lehrgang richtet sich dabei branchenübergreifend an Entscheidungstragende, Manager*innen, Unternehmensentwickler*innen, IT-Fachleute, Projekt- und Datenmanager*innen sowie Mitarbeitende mit Teamverantwortung außerhalb der IT. Programmierkenntnisse werden nicht vorausgesetzt.

Weiterbildung für die Digitalwirtschaft:
die Bitkom Akademie

Die Bitkom Akademie ist seit 2005 der erste Ansprechpartner für die Qualifizierung von Fach- und Führungskräften zu IT-Themen und digitalen Trends in Deutschland. Zu den Kunden zählen vorwiegend Unternehmen aus der Digitalwirtschaft, von innovativen Start-ups bis zu multinationalen Konzernen. Jährlich führt die Akademie ca. 250 Veranstaltungen mit mehr als 5.000 Teilnehmer*innen durch.

Der Digitalverband Bitkom bildet ein großes, leistungsfähiges Netzwerk und bündelt das Know-how der digitalen Welt. Er schafft einen permanenten Austausch zwischen Fach- und Führungskräften und ist bekannt für seine regelmäßigen Publikationen, Studien und Marktanalysen. Als Tochterunternehmen des Verbands ist die Bitkom Akademie damit stets auf dem neuesten Stand und teilt den Wissensvorsprung mit den Teilnehmer*innen dieses Lehrgangs.

Mit dem IOM verbindet die Bitkom Akademie zudem das Grundanliegen, dass jede Weiterbildungsmaßnahme zu konkreten Ergebnissen im beruflichen Umfeld der Teilnehmer*innen führt. Neben theoretischen Grundlagen vermitteln die Referent*innen in erster Linie Methoden und Techniken für den praktischen Einsatz.

Zeichenfläche 1
Bewerbungsbogen
Key Facts downloaden
Broschuerenanfrage
Broschüre anfordern
Bewerbung
Am IOM bewerben

Zielgruppe

Der Zertifikatslehrgang ist branchenunabhängig konzipiert und richtet sich hauptsächlich an Entscheidungstragende, Manager*innen, Unternehmensentwickler*innen, IT-Fachleute, Projekt- und Datenmanager*innen sowie Mitarbeitende mit Teamverantwortung außerhalb der IT. Programmierkenntnisse werden nicht vorausgesetzt.

Abschluss

Diploma of Advanced Studies (DAS) mit 450 h Workload (äquivalent zu 15 ECTS-Points)

Studiendauer

6 Monate

Lernform

Kombination aus Präsenzphasen, selbständigem Lernen und Praxistransfer ins Unternehmen

Starttermine

Halbjährlich, Februar und September

Präsenzphasen und Veranstaltungsort

5 Präsenzphasen à 2 Tage, Berlin
Die Präsenzphasen enden i.d.R. am Dienstag

Leistungsnachweise

Transferarbeiten

Teilnahmegebühren

  • 5.900 € (zzgl. MwSt.)
  • 5.400 € (zzgl. MwSt.) Mitglieder des Bitkom e. V. und Privatzahler*innen

Zusätzliche Kosten: Übernachtungs- und Reisekosten

Aufbaustudiengang

Wenn die Zulassungsvoraussetzungen für den Masterstudiengang Business Management am IOM erfüllt sind, kann der Zertifikatslehrgang angerechnet werden.

Daten sind Chancen: die Module

Data Science

Die Ausbildung zum Data Scientist setzt sich aus fünf Modulen zusammen, orientiert an einem typischen Zyklus von Data Science-Projekten, vom professionellen Datenmanagement angefangen bis hin zur Erstellung prädiktiver Analysen und der Nutzbarmachung von Ergebnissen.

Wenn es um Daten geht, denkt man heute in der Regel „Datenschutz“ mit. Die gesetzlichen Datenschutz-Standards, national und international, verändernden sich häufig. Mit Blick darauf wird der Datenschutz als Querschnittsthema verfolgt, d.h. datenschutzrechtliche Aspekte werden modulübergreifend in unterschiedlichen Kontexten behandelt.

Die Module dieses Zertifikatslehrgangs bauen aufeinander auf, die Reihenfolge ist deshalb weitgehend verbindlich. Abweichungen vom Curriculum sind bei individueller Begründung und Absprache möglich.

5 Module
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 – 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

Summer School Nordamerika

Studienreise zum Annual Meeting der Academy of Management in den USA oder Kanada mit Schwerpunkt auf Beiträgen zur Leadership und Change-Management-Forschung.

Zusatzmodul