KI und Datenanalyse im Unternehmen

1. Grundlagen datengetriebener Entscheidungen
   • Die vier Analyse-Stufen: deskriptiv, diagnostisch, prädiktiv und präskriptiv.
   • Data Science, KI, Machine Learning und Large Language Models einordnen.
   • CRISP-DM als Vorgehensmodell für Datenprojekte.
   • Von der Geschäftsfrage zur analysierbaren Fragestellung.
      
2. Data Literacy und Datenverständnis
   • Datenquellen, Datenqualität und typische Herausforderungen.
   • Datensätze verstehen und bewerten.
   • Data Profiling und erste Analysen.
   • Datenqualität als Grundlage belastbarer Ergebnisse.
      
3. Datenanalyse mit Google Colab, Gemini und Python
   • Arbeiten mit Google Colab als Analyseumgebung.
   • Grundlagen von Python für Datenanalysen.
   • Arbeiten mit Pandas zur Datenaufbereitung und Auswertung.
   • KI-Unterstützung durch Gemini bei Analyse, Code und Interpretation.
      
4. Explorative Datenanalyse (EDA)
   • Kennzahlen, Verteilungen und Zusammenhänge analysieren.
   • Daten filtern, gruppieren und aggregieren.
   • Korrelationen und Auffälligkeiten erkennen.
   • Analyseergebnisse kritisch bewerten.
      
5. KI-gestützte Datenanalyse und Machine Learning
   • Einsatzmöglichkeiten von KI in Analyseprozessen.
   • Prompts für Datenanalyse und Datenverständnis.
   • Chancen und Grenzen KI-generierter Analysen.
   • Grundlagen des Machine Learning anhand praxisnaher Beispiele.
      
6. Datenvisualisierung und Dashboarding
   • Grundlagen guter Datenvisualisierung.
   • Geeignete Diagrammtypen auswählen.
   • Dashboards mit Tableau und/oder Power BI erstellen.
   • Kennzahlen verständlich präsentieren.
      
7. Data Storytelling und Ergebniskommunikation
   • Analyseergebnisse zielgruppengerecht aufbereiten.
   • Von Erkenntnissen zu Handlungsempfehlungen.
   • Unsicherheiten und Risiken transparent kommunizieren.
   • Storytelling für Management- und Fachbereichsentscheidungen.
      
8. Transfer in die Unternehmenspraxis
   • Daten- und KI-Use-Cases identifizieren.
   • Business Value datengetriebener Projekte bewerten.
   • Priorisierung von Analyse- und KI-Initiativen.
   • Roadmap für die Umsetzung im eigenen Unternehmen entwickeln.

Python wird bewusst nicht als eigenständiges Programmierlernziel behandelt, sondern als Analysevehikel. Ein kurzes erstes Notebook macht zentrale Syntaxelemente verständlich, damit Code nicht wie schwarze Magie wirkt. CRISP-DM dient während des gesamten Seminars als methodischer Kompass und wird in einer abschließenden Transferübung mit praxisnahen Daten- und KI-Use-Cases angewendet.