Umfassendes Data-Analytics-Curriculum, das die gesamte Datenwertschöpfungskette abdeckt. Von der Datenmanipulation mit Google Sheets und SQL bis zur Erstellung interaktiver Dashboards mit Power BI und Looker Studio, über Automatisierung mit ELT-Tools (dbt, Zapier) und prädiktive Analyse mit Python (Pandas, Scikit-Learn). Lerne, Datenquellen zu identifizieren, Funnels aufzubauen, Kundenbindung zu analysieren und konkrete Handlungsempfehlungen aus deinen Analysen abzuleiten.
Datenmanipulation mit Google Sheets und erweiterten Formeln
Erweitertes SQL mit BigQuery: Analytische Abfragen, CTEs, Window Functions
Datenmodellierung für Marketing-, Vertriebs- und Produktteams
ELT-Tools: dbt für Transformation, Zapier für Automatisierung
Web-Tracking mit Google Tag Manager und Tracking-Plänen
APIs und Webhooks zur Datenextraktion
Datenvisualisierung mit Power BI und Looker Studio (Google Data Studio)
Statistische Analyse und A/B-Testing
Python für Analyse: Pandas, Plotly, Jupyter, Google Colab
Angewandtes Machine Learning: Churn-Vorhersage, Kundensegmentierung mit Scikit-Learn
Analysemethodik: KPIs, Verkaufstrichter, Retention, Kohorten
End-to-End-Projekt: Von der Problemidentifikation zum automatisierten Dashboard
Die wichtigsten Konzepte, um diese Technologie zu verstehen und deine Interviews zu bestehen
Google Sheets: Erweiterte Formeln (VLOOKUP, INDEX/MATCH, ARRAYFORMULA), Pivot-Tabellen, Automatisierung
SQL: SELECT, JOIN, GROUP BY, HAVING, Window Functions (ROW_NUMBER, RANK, LAG/LEAD), CTEs, Unterabfragen
BigQuery: Partitionierung, Clustering, verschachtelte Abfragen, Kostenoptimierung, UDFs
Datenmodellierung: Sternschema, Fakten- und Dimensionstabellen, Normalisierung, Denormalisierung
KPIs und Metriken: CAC, LTV, MRR, ARR, Churn Rate, NPS, Conversion Rate, ARPU
Funnels und Kohorten: Konversionsanalyse, Kohortenretention, RFM-Analyse
ELT und Data Pipeline: Extract-Load-Transform, dbt (Models, Tests, Sources), Orchestrierung
Zapier und Automatisierung: Triggers, Actions, mehrstufige Workflows, Webhooks
Google Tag Manager: Tags, Triggers, Variablen, dataLayer, Tracking-Pläne
Power BI: DAX, berechnete Measures, Beziehungen, Visualisierungen, Filter, Drill-Down
Looker Studio: Datenquellen, berechnete Felder, Filter, Parameter, Blending
Visualisierung: Die richtige Grafik wählen, Data Storytelling, Designprinzipien (Tufte)
A/B-Testing: Hypothesen, Stichprobengröße, statistische Signifikanz, p-Wert, t-Test
Python und Pandas: DataFrames, Series, groupby, merge, pivot_table, Bereinigung
Plotly: Interaktive Diagramme, Subplots, Animationen, Dashboards
Scikit-Learn: Regression, Klassifikation, Clustering (K-Means), Train/Test Split, Metriken
Methodik: Problemstellung, Quellenidentifikation, Bereinigung, Analyse, Empfehlungen
Entdecke unsere neuesten Artikel und Anleitungen zu Data Analytics
Fortgeschrittenes SQL fuer Data-Analyst-Interviews 2026: korrelierte Unterabfragen, Pivot-Abfragen mit bedingter Aggregation, EXPLAIN-ANALYZE-Plaene und Indexierungsstrategien auf PostgreSQL 17 mit praxisnahen Codebeispielen.
Pandas 3.0 führt Copy-on-Write als Standard ein, einen PyArrow-gestützten String-Datentyp und den neuen pd.col()-Ausdrucks-Builder. Dieser Artikel behandelt die wichtigsten Änderungen, Migrationsmuster und Interviewfragen für Data Engineers.
Python-Datenvisualisierung mit Matplotlib und Seaborn meistern. Praxisorientiertes Tutorial mit Diagrammen, Styling, Subplots und häufigen Interviewfragen für Data-Analytics-Positionen 2026.