Modulbeschreibung
Data Analystics Lab
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Lernziele:
Leitidee: Das Modul „Data Analytics Lab“ vermittelt im ersten Semester eine praxisorientierte Einführung in die Datenanalyse. Im Zentrum steht die explorative Datenanalyse (EDA) als grundlegender Prozess, um Daten zu verstehen, zu strukturieren und erste Erkenntnisse zu gewinnen. Programmierung (Python) und deskriptive Statistik werden integriert und anwendungsnah vermittelt.
Ausbildungsziel: Studierende erwerben die Fähigkeit, reale Datensätze eigenständig zu analysieren – von Datenbeschaffung und -import über die strukturierte Exploration bis zur Visualisierung und Interpretation. Sie können grundlegende statistische Methoden anwenden und geeignete Werkzeuge (pandas, Jupyter, seaborn) zielgerichtet einsetzen. Ziel ist nicht formale Statistik, sondern praktische Analysekompetenz entlang eines klaren Workflows.
Vision: Studierende sind in der Lage, fundierte Entscheidungen auf Basis von Daten zu treffen. Sie verstehen Daten als zentrale Ressource in Produktions. und Geschäftsprozessen und können erste analytische Lösungen eigenständig entwickeln und kommunizieren.
Verantwortliche Person:
Standort (angeboten):
Skriptablage:
Modultyp:
Semester Empfehlung:
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während des Semesters:
Die Leistungsbewertung erfolgt durch ein individuelles Datenprojekt, das folgende Komponenten umfasst: Datenimport und -aufbereitung (20%) Explorative Datenanalyse und Visualisierung (30%) Erkennung von Mustern und Ausreißern (20%) Präsentation und Dokumentation der Ergebnisse (30%)
Bewertungsart:
Kurse in diesem Modul
Data Analystics Lab
Kürzel:
Semester:
ECTS-Credits:
Lernziele:
Fachkompetenzen:
Studierende verfügen über:
- Verständnis der explorativen Datenanalyse (EDA) als zentraler Analyseprozess
- Kenntnisse über Datenstrukturen (DataFrames, tabellarische Daten, Variablentypen)
- Anwendung grundlegender deskriptiver Statistik: Lagemasse (Mittelwert, Median ..), Streuungsmasse (Varianz, Standardabweichung, IQR), Quantile und Perzentile
- Fähigkeit zur Analyse von Datenverteilungen: Histogramme, Dichteplots, Boxplots und Ausreissererkennung
- Fähigkeit zur Analyse von Zusammenhängen: Korrelationen, Visualisierung von Beziehungen (Scatterplots etc.)
- Kenntnisse im ETL-Prozess (Extract, Transform, Load)
- Fähigkeit zur Durchführung eines eigenständigen Datenanalyseprojekts
- Erkennung von Ausreissern sowie fehlerhafter Daten
- Anwendung von Python, Jupyter, pandas und seaborn zur Datenanalyse und -visualisierung.
Methodenkompetenzen:
Studierende sind in der Lage
- einen strukturierten Datenanalyseprozess durchzuführen (EDA als Leitprinzip)
- geeignete Visualisierungsmethoden auszuwählen und kritisch zu interpretieren
- Daten systematisch zu: bereinigen, transformieren, explorieren
- einfache analytische Fragestellungen in Python umzusetzen
- Ergebnisse adressatengerecht aufzubereiten und zu präsentieren
- Annahmen und Ergebnisse kritisch zu hinterfragen (z. B. Ausreisser, Verzerrungen)
- Einsatz von Data Frames und Tabellen zur strukturierten Datenverarbeitung.
Selbstkompetenzen:
Studierende entwickeln
- Fähigkeit zum selbstständigen Arbeiten an offenen Problemstellungen
- strukturierte Herangehensweise an datengetriebene Fragestellungen
- kritische Reflexionsfähigkeit gegenüber eigenen Analyseergebnissen
- Ausdauer im Umgang mit unvollständigen oder „unordentlichen“ Daten
Sozialkompetenzen:
Studierende können
- Analyseergebnisse klar und verständlich kommunizieren
- Ergebnisse zielgruppengerecht präsentieren
- Feedback aufnehmen und in die eigene Arbeit integrieren
- analytische Entscheidungen begründen und verteidigen
Plan und Lerninhalt:
1.Grundlagen & Tools
- Einführung in Python für Datenanalyse
- Jupyter Notebook, VS Code
- DataFrames und Datenstrukturen
2. Explorative Datenanalyse (EDA)
- Rolle der EDA im Analyseprozess
- Datenverständnis und erste Exploration
- Datenqualität und einfache Bereinigung
3. Deskriptive Statistik
- Lagemasse
- Streuungsmasse
- Quantile und Perzentile
4. Datenvisualisierung
- Histogramme, Dichteplots
- Boxplots und Ausreisser
- Visualisierung mit seaborn/matplotlib
5. Analyse von Zusammenhängen
- Korrelation
- Scatterplots
- Analyse mehrerer Variablen
6. Anwendungskontexte
- Fallstudien aus: Produktions- und Geschäftsprozessen
7. Projektarbeit
- Eigenständige Datenanalyse (Einzelarbeit)
- Nutzung realer Datensätze
- Präsentation und Verteidigung
Unterrichtssprache:
Lehr- und Lernmethoden:
(ggf. mit englischen Fachbegriffen und Dokumentation)
Kursart:
Durchführung gemäss Stundenplan