Inhalt von Kurs 1
Jeder Kurs ist in Module unterteilt. Hier finden Sie einen kurzen Überblick über die Fähigkeiten, die Sie in jedem der vier Module von Kurs 1 erwerben.
Modul 1: Einführung in Data Analytics und analytisches Denken
Daten helfen uns, Entscheidungen zu treffen, sowohl im Alltag als auch im Geschäftsleben. In diesem Teil des Kurses lernen Sie, wie Fachkräfte für Datenanalyse eine Vielzahl von Tools und Fähigkeiten einsetzen, um diese Entscheidungen zu treffen. Außerdem erfahren Sie mehr über diesen Kurs und die allgemeinen Erwartungen an das Programm.
Modul 2: Die wunderbare Welt der Daten
In diesem Teil des Kurses erfahren Sie etwas über den Datenlebenszyklus und den Datenanalyseprozess. Beide sind für Ihre Arbeit in diesem Programm und im Beruf von Bedeutung. Außerdem lernen Sie Apps kennen, die Ihnen helfen, Daten durch den Datenanalyseprozess zu leiten.
Modul 3: Richten Sie Ihren Data Analytics Werkzeugkasten ein
Tabellen, Abfragesprachen und Tools für die Datenvisualisierung sind ein wichtiger Bestandteil der Arbeit von Fachkräften für Datenanalyse. In diesem Teil des Kurses lernen Sie die grundlegenden Konzepte kennen, um sie für die Datenanalyse einzusetzen. Außerdem werden Sie anhand von interessanten Beispielen verstehen, wie sie funktionieren.
Modul 4: Werden Sie ein fairer und wirkungsvoller Datenexperte
In diesem Teil des Kurses untersuchen Sie verschiedene Arten von Unternehmen und die Jobs und Aufgaben, die Analysten für sie erledigen. Außerdem erfahren Sie, wie ein Google Data Analytics-Zertifikat Ihnen helfen wird, viele der Anforderungen für eine Analystenposition bei diesen Unternehmen zu erfüllen.
Was Sie erwarten können
Jedes Modul umfasst eine Reihe von Lektionen mit vielen Arten von Lernmöglichkeiten. Dazu gehören:
Videos für Ausbilder, um neue Konzepte zu vermitteln und die Verwendung von Tools zu demonstrieren
Fragen im Video, die von Zeit zu Zeit auftauchen und Ihnen helfen, Ihr Verständnis der Schlüsselkonzepte und -fähigkeiten zu überprüfen
Schritt-für-Schritt-Anleitungen, mit denen Sie den Ausbildern bei der Demonstration der Tools folgen können
Lektüre , um Themen zu vertiefen und auf den Konzepten aus den Videos aufzubauen
Diskussionsforen zum Austausch, zur Erkundung und zur Vertiefung der Lektionsthemen
Diskussions-Prompts zur Förderung des Denkens und der Einbindung in die Diskussionsforen
Übungsquiz zur Vorbereitung auf benotete Quizze
Benotete Quizfragen , um Ihren Fortschritt zu messen und Ihnen wertvolles Feedback zu geben
Dieses Programm wurde so konzipiert, dass Sie in Ihrem eigenen Tempo arbeiten können – Ihre persönlichen Fristen sind nur ein Richtwert. Für verspätete Aufgaben gibt es keine Strafe. Um Ihr Zertifikat zu erhalten, müssen Sie lediglich alle Aufgaben erledigen.
Wenn Sie zwei Bewertungstermine hintereinander verpassen oder einen Bewertungstermin um zwei Wochen versäumen, sehen Sie auf der Seite Noten die Option Termine zurücksetzen. Klicken Sie darauf, um zu einem neuen Kursplan mit aktualisierten Fristen zu wechseln. Sie können diese Option so oft nutzen, wie Sie möchten – sie löscht keine Fortschritte, die Sie bereits im Kurs gemacht haben, aber Sie finden möglicherweise neue Kursinhalte, wenn der Kursleiter den Kurs aktualisiert hat, nachdem Sie angefangen haben. Wenn Sie ein Abonnement kündigen und es dann wieder aktivieren, werden Ihre Fristen automatisch zurückgesetzt.
Während des gesamten Programms werden Sie mit benoteten Quizzen und Aktivitäten bewertet. Beide basieren auf der großen Vielfalt an Lernmaterialien und Aktivitäten, die die wichtigen Fähigkeiten, die Sie entwickeln werden, verstärken. Und beide können mehr als einmal absolviert werden.
Herzlichen Glückwunsch, dass Sie sich entschieden haben, Teil der wunderbaren Welt der Data Analytics zu werden!
Die sechs Phasen der Datenanalyse
Der Datenanalyseprozess hilft Analysten dabei, Geschäftsprobleme in eine Reihe von überschaubaren Aufgaben zu zerlegen:
In der Fragephase arbeiten Sie daran, die zu lösende Aufgabe oder die zu beantwortende Frage zu verstehen. Die Aufgabe wird Ihnen wahrscheinlich von Stakeholdern zugewiesen. AS ist die Phase des Fragens, in der Sie viele Fragen stellen werden, die Ihnen bei der Lösung helfen.
In der Vorbereitungsphase finden und sammeln Sie die Daten, die Sie zur Beantwortung Ihrer Fragen benötigen. Sie werden Datenquellen identifizieren, Daten sammeln und überprüfen, ob diese korrekt und für die Beantwortung Ihrer Fragen nützlich sind.
In der Prozessphase bereinigen und organisieren Sie Ihre Daten. Zu den Aufgaben, die Sie hier durchführen, gehören die Beseitigung von Inkonsistenzen, das Ergänzen fehlender Werte und in vielen Fällen das Ändern der Daten in ein Format, mit dem Sie leichter arbeiten können. Im Wesentlichen stellen Sie sicher, dass die Daten bereit sind, bevor Sie mit der Analyse beginnen.
In der Analysephase führen Sie die notwendige Datenanalyse durch, um Antworten und Lösungen zu finden. Je nach Situation und Datenlage kann dies Aufgaben wie die Berechnung von MITTELWERTEN oder das ANZAHLEN von Elementen in Kategorien umfassen, damit Sie Trends und Muster untersuchen können.
Als nächstes folgt die Phase der Weitergabe, in der Sie Ihre Ergebnisse den Entscheidungsträgern in einem Bericht, einer Präsentation oder einer Datenvisualisierung vorstellen. In dieser Phase entscheiden Sie, welches Medium Sie für die Präsentation Ihrer Ergebnisse verwenden möchten und wählen die Daten aus, die Sie einbeziehen möchten. Zu den Tools für die visuelle Präsentation von Daten gehören Diagramme, die in Google Sheets, Tableau und R erstellt wurden.
Die letzte Phase ist die Handlungsphase, in der Sie und andere im Unternehmen die Erkenntnisse aus den Daten in die Tat umsetzen. Das kann die Umsetzung einer neuen Geschäftsstrategie, die Änderung einer Website oder jede andere Maßnahme sein, die das ursprüngliche Problem löst.
Daten sorgen für erfolgreiche Ergebnisse
Video 11
Begriffe und Definitionen für Kurs 1, Modul 1
Analytische Fähigkeiten: Qualitäten und Merkmale im Zusammenhang mit der Nutzung von Fakten zur Lösung von Problemen
Analytisches Denken: Der Prozess, ein Problem zu identifizieren und zu definieren, um es dann mit Hilfe von Daten in einer organisierten, schrittweisen Weise zu lösen
Kontext: Die Bedingung, unter der etwas existiert oder geschieht
Daten: Eine Sammlung von Fakten
Datenanalyse: Die Sammlung, Umwandlung und Organisation von Daten, um Schlussfolgerungen zu ziehen, Vorhersagen zu treffen und fundierte Entscheidungen zu treffen
Fachkraft für Datenanalyse: Jemand, der Daten sammelt, umwandelt und organisiert, um Schlussfolgerungen zu ziehen, Vorhersagen zu treffen und fundierte Entscheidungen zu treffen
Data Analytics (Daten-Analytik): Die Wissenschaft der Daten
Datendesign: Wie Informationen organisiert werden
Datengesteuerte Entscheidungsfindung: Fakten als Grundlage für Unternehmensstrategien
Datenökosystem: Die verschiedenen Elemente, die miteinander interagieren, um Daten zu produzieren, zu verwalten, zu speichern, zu organisieren, zu analysieren und zu teilen
Datenwissenschaft: Ein Feld der Wissenschaft, das Rohdaten verwendet, um neue Wege der Modellierung und des Verständnisses des Unbekannten zu schaffen
Datenstrategie: Das Management der Menschen, Prozesse und Tools, die bei der Datenanalyse eingesetzt werden
Datenvisualisierung: Die grafische Darstellung von Daten
Dataset: Eine Sammlung von Daten, die als eine Einheit manipuliert oder analysiert werden können
Gap-Analyse: Eine Methode zur Untersuchung und Bewertung des aktuellen Zustands eines Prozesses, um Möglichkeiten zur Verbesserung in der Zukunft zu identifizieren
Grundursache: Der Grund, warum ein Problem auftritt
Technische Herangehensweise: Die Fähigkeit, Dinge in kleinere Schritte oder Teile zu zerlegen und sie auf eine geordnete und logische Weise zu bearbeiten
Visualisierung: (siehe Datenvisualisierung)
Mehr zu den Phasen der Datenanalyse und diesem Programm
Jeder Schritt im Prozess der Datenanalyse – fragen, vorbereiten, verarbeiten, analysieren, weitergeben und handeln – spielt eine entscheidende Rolle bei der Gewinnung aussagekräftiger Statistiken aus Daten. Während Sie durch jede Phase navigieren, vom Stellen der richtigen Fragen bis hin zum Ergreifen fundierter Maßnahmen, machen Sie sich die wahre Macht der Daten zunutze. In dieser Lektüre erfahren Sie, wie der Datenanalyseprozess dieses Programm leitet.
Die Fragephase
Am Anfang jeder erfolgreichen Datenanalyse steht die Fachkraft für Datenanalyse:
Er nimmt sich die Zeit, die Erwartungen der Stakeholder vollständig zu verstehen
Definiert das zu lösende Problem
Er entscheidet, welche Fragen zu beantworten sind, um das Problem zu lösen
Die Erwartungen der Stakeholder zu qualifizieren bedeutet zu bestimmen, wer die Stakeholder sind, was sie wollen, wann sie es wollen, warum sie es wollen und wie man am besten mit ihnen kommuniziert. Das Problem zu definieren bedeutet, den aktuellen Zustand zu betrachten und zu ermitteln, inwiefern er sich vom Idealzustand unterscheidet. Wenn Sie die Erwartungen qualifiziert und das Problem definiert haben, können Sie Fragen ableiten, die Ihnen helfen, diese Ziele zu erreichen.
In einem der nächsten Kurse werden Sie lernen, wie Sie in Zusammenarbeit mit Stakeholdern effektive Fragen stellen und das Problem definieren können. Sie werden auch Strategien kennenlernen, die Ihnen helfen, Ihre Erkenntnisse so zu vermitteln, dass das Interesse der Menschen erhalten bleibt.
Die Vorbereitungsphase
In der Vorbereitungsphase liegt die Betonung auf der Identifizierung und Lokalisierung von Daten, die Sie zur Beantwortung Ihrer Fragen verwenden können. In einem der nächsten Kurse erfahren Sie mehr über die verschiedenen Arten von Daten und wie Sie herausfinden, welche Daten für die Lösung eines bestimmten Problems am nützlichsten sind. Sie werden auch erfahren, warum es so wichtig ist, dass Daten und Ergebnisse objektiv und unvoreingenommen sind. Mit anderen Worten: Alle Entscheidungen, die auf der Grundlage einer Analyse getroffen werden, sollten immer auf Fakten beruhen und fair und unparteiisch sein.
Die Prozess-Phase
In dieser Phase geht es darum, die Daten zu verfeinern. Die Fachkräfte für Datenanalyse finden und beseitigen alle Fehler und Ungenauigkeiten, die den Ergebnissen im Wege stehen könnten. Dies bedeutet in der Regel:
Bereinigung der Daten
Umwandlung der Daten in ein nützlicheres Format
Kombinieren von zwei oder mehr Datasets, um die Informationen zu vervollständigen
Entfernen von Ausreißern (Datenpunkte, die die Informationen verzerren könnten)
Nachdem die Fachkräfte für Datenanalyse die Daten verarbeitet haben, prüfen sie die von ihnen aufbereiteten Daten auf Vollständigkeit und Richtigkeit. In dieser Phase geht es darum, die Details richtig zu machen. Dementsprechend verfeinern die Fachkräfte für Datenanalyse Strategien, um ihre Datenbereinigung zu überprüfen und mit den Stakeholdern zu teilen. In einem der nächsten Kurse werden Sie Tabellen und strukturierte Abfragesprache (SQL) verwenden, um Daten zu bereinigen.
Die Analysephase
Mit einer soliden Grundlage aus klar definierten Fragen und bereinigten Daten gehen Sie in die Analysephase über. In dieser Phase verwandeln Sie die Daten, die Sie gesammelt, aufbereitet und verarbeitet haben, in verwertbare Informationen. Fachkräfte für Datenanalyse setzen bei ihrer Arbeit viele leistungsstarke Tools ein. In einem der nächsten Kurse werden Sie zwei von ihnen weiter verwenden: Tabellen und SQL. In einem weiteren Kurs lernen Sie die Programmiersprache R kennen, um mit Daten zu arbeiten und sie zu analysieren.
Die Austauschphase
Diese Phase ist genau das, wonach sie klingt: Es ist an der Zeit, Ihren Stakeholdern mitzuteilen, was Sie gelernt haben! In diesem Teil des Programms lernen Sie, wie Fachkräfte für Datenanalyse die Ergebnisse interpretieren und sie mit anderen teilen, um Stakeholdern zu helfen, effektive, datengesteuerte Entscheidungen zu treffen. In der Phase der Weitergabe ist die Visualisierung der beste Freund der Fachkraft für Datenanalyse. In einem der nächsten Kurse werden Sie erfahren, warum Visualisierung wichtig ist, damit andere verstehen, was Ihre Daten Ihnen sagen. In einem weiteren Kurs werden Sie lernen, wie Sie Daten mit R visualisieren können.
Die Handlungsphase
Der Weg der Datenanalyse gipfelt in der Handlungsphase, in der die Erkenntnisse aus den Daten in die Praxis umgesetzt werden. Für Sie bedeutet dies, dass Sie sich auf die Stellensuche vorbereiten und die Chance haben, ein Fallstudienprojekt abzuschließen. Dies ist eine großartige Gelegenheit für Sie, alles, was Sie in diesem Kurs erarbeitet haben, zusammenzufassen. Außerdem können Sie sich mit einer Fallstudie in Ihrem Portfolio von anderen Bewerbern abheben!
Erfahren Sie mehr über den Prozess durch das Programm:
Erfahren Sie mehr über die Fragephase des Prozesses im Kurs Fragen stellen, um datengesteuerte Entscheidungen zu treffen.
Erfahren Sie mehr über die Vorbereitungsphase des Prozesses im Kurs Daten für die Exploration vorbereiten.
Erfahren Sie mehr über die Prozess-Phase des Prozesses in der Schulung Process Daten from Dirty to Clean.
Erfahren Sie mehr über die Analysephase des Prozesses in den Kursen Daten analysieren, um Fragen zu beantworten und Datenanalyse mit R-Programmierung.
Erfahren Sie mehr über die Share-Phase des Prozesses in den Kursen Share Daten Through the Art of Visualisierung und Daten Analysis with R Programming.
Erfahren Sie mehr über die Handlungsphase des Prozesses im Kurs Google Data Analytics Capstone: Schließen Sie eine Fallstudie ab.
Hinweis: Die Links zu den Kursen sind für Sie als Vorschau gedacht. Bitte schließen Sie die Kurse zu diesem Zeitpunkt noch nicht ab. Sie können diese Aktivität als abgeschlossen markieren, nachdem Sie verstanden haben, wie die Kurse auf den Datenanalyseprozess abgestimmt sind.
Wichtige Tools für Fachkräfte für Datenanalyse
AS: Zu den gängigsten Programmen und Lösungen, die von Fachkräften für Datenanalyse verwendet werden, gehören Tabellen, Abfragesprachen und Tools für die Visualisierung. In dieser Lektüre werden Sie mehr über jedes einzelne Programm erfahren. Sie erfahren, wann Sie sie einsetzen sollten und warum sie für Data Analytics so wichtig sind.
Tabellenkalkulationen
Fachkräfte für Datenanalyse sind auf Tabellen angewiesen, um Daten zu sammeln und zu organisieren. Zwei beliebte Apps für Tabellenkalkulationen, die Sie in Ihrer zukünftigen Rolle als Fachkraft für Datenanalyse wahrscheinlich häufig verwenden werden, sind Microsoft Excel und Google Sheets.
Tabellen strukturieren Daten auf sinnvolle Weise, indem sie es Ihnen ermöglichen
Informationen sammeln, speichern, organisieren und sortieren
Muster zu erkennen und die Daten so zusammenzustellen, dass sie für jedes spezifische Datenprojekt geeignet sind
Hervorragende Datenvisualisierungen wie Diagramme und Tabellen erstellen.
Datenbanken und Abfragesprachen
Eine Datenbank ist eine Sammlung von strukturierten Daten, die in einem Computer gespeichert sind. Zu den populären Programmen für Structured Query Language (SQL) gehören MySQL, Microsoft SQL Server und BigQuery.
Abfragesprachen
Ermöglichen es Analysten, bestimmte Informationen aus einer oder mehreren Datenbanken zu isolieren
Erleichtern Ihnen das Erlernen und Verstehen der Anfragen an Datenbanken
Fachkräfte für Datenanalyse können Daten aus einer Datenbank zur Analyse auswählen, erstellen, hinzufügen oder herunterladen
Tools für die Visualisierung
Fachkräfte für Datenanalyse verwenden eine Reihe von Visualisierungstools, wie Diagramme, Karten, Tabellen, Diagramme und mehr. Zwei beliebte Tools für die Visualisierung sind Tableau und Looker.
Diese Tools
Verwandeln komplexe Zahlen in eine verständliche Story
Helfen Stakeholdern, Schlussfolgerungen zu ziehen, die zu fundierten Entscheidungen und effektiven Geschäftsstrategien führen
Verfügen über mehrere Funktionen
– Mit der einfachen Drag-and-Drop-Funktion von Tableau können Nutzer interaktive Diagramme in Dashboards und
arbeitsblättern
– Looker kommuniziert direkt mit einer Datenbank und ermöglicht es Ihnen, Ihre Daten direkt mit dem visuellen
tool Ihrer Wahl
Eine Karriere als Fachkraft für Datenanalyse beinhaltet auch die Verwendung von Programmiersprachen wie R und Python, die häufig für statistische Analysen, Visualisierung und andere Datenanalysen verwendet werden.
Schlüssel zum Erfolg
Als Fachkraft für Datenanalyse haben Sie eine Menge Tools zur Verfügung. Dies ist nur ein erster Überblick über die Möglichkeiten, und Sie werden viele dieser Tools im Laufe dieses Programms eingehend erforschen.
Arbeit
Als Fachkraft für Datenanalyse müssen Sie in der Regel entscheiden, welches Programm oder welche Lösung für das jeweilige Projekt, an dem Sie arbeiten, die richtige ist. In dieser Lektüre erfahren Sie mehr darüber, wie Sie entscheiden, welches Tool Sie wann benötigen.
Je nachdem, in welcher Phase des Datenanalyseprozesses Sie sich befinden, müssen Sie unterschiedliche Tools verwenden. Wenn Sie sich zum Beispiel auf die Erstellung komplexer und auffälliger Visualisierungen konzentrieren, dann sind die Visualisierungstools, die wir bereits besprochen haben, die beste Wahl. Wenn Sie sich jedoch auf das Organisieren, Bereinigen und Analysieren von Daten konzentrieren, dann werden Sie wahrscheinlich zwischen Tabellen und Datenbanken mit Abfragen wählen. Tabellen und Datenbanken bieten beide Möglichkeiten zum Speichern, Verwalten und Verwenden von Daten. Der grundlegende Inhalt beider Tools sind Sätze von Werten. Dennoch gibt es auch einige Schlüssel-Unterschiede:
Tabellenkalkulationen | Datenbanken |
|---|---|
Zugriff über eine Software-Applikation | Datenbank, auf die über eine Abfragesprache zugegriffen wird |
Strukturierte Daten in einem Zeilen- und Spaltenformat | Strukturierte Daten mit Hilfe von Regeln und Beziehungen |
Organisiert Informationen in Zellen | Organisiert Informationen in komplexen Sammlungen |
Ermöglicht den Zugriff auf eine begrenzte Menge von Daten | Ermöglicht den Zugriff auf große Datenmengen |
Manuelle Dateneingabe | Strenge und konsistente Dateneingabe |
In der Regel ein Nutzer zur gleichen Zeit | Mehrere Nutzer |
Kontrolle durch den Nutzer | Kontrolliert durch ein Datenbank Management System |
Sie müssen sich nicht für das eine oder das andere entscheiden, denn jedes erfüllt seinen eigenen Zweck. Im Allgemeinen arbeiten Fachkräfte für Datenanalyse mit einer Kombination aus beiden, da beide Tools bei der Datenanalyse sehr nützlich sind. Sie können z.B. Daten in einer Datenbank speichern und sie dann zur Analyse in eine Tabelle exportieren. Oder, wenn Sie Informationen in einer Tabellenkalkulation sammeln und diese zu umfangreich für die jeweilige Plattform werden, können Sie sie in eine Datenbank importieren. Im weiteren Verlauf dieses Kurses lernen Sie Programmiersprachen wie R kennen, mit denen Sie eine noch größere Kontrolle über Ihre Daten, deren Analyse und die von Ihnen erstellten Visualisierungen haben.
Die wichtigsten Erkenntnisse
Die Wahl der Tools für die Datenanalyse hängt von der jeweiligen Aufgabe ab. Tabellen eignen sich zum Organisieren, Bereinigen und Analysieren kleiner bis mittlerer Datasets. Datenbanken sind ideal für das Speichern, Verwalten und Analysieren großer und komplexer Datasets. Fachkräfte für Datenanalyse verwenden häufig eine Kombination aus Tabellenkalkulationen, Datenbanken und Programmiersprachen, um einen breiten Bereich von Datenanalyseaufgaben effektiv zu bewältigen.
Begriffe und Definitionen für Kurs 1, Modul 2
Datenbank: Eine Sammlung von Daten, die in einem Computersystem gespeichert sind
Formel: Ein Befehlssatz, der verwendet wird, um eine Berechnung mit den Daten in einer Tabelle durchzuführen
Funktion: Ein voreingestellter Befehl, der automatisch einen bestimmten Prozess oder eine Aufgabe unter Verwendung der Daten in einer Tabelle durchführt
Abfrage: Eine Anfrage nach Daten oder Informationen aus einer Datenbank
Abfragesprache: Eine Computer-Programmiersprache, die zur Kommunikation mit einer Datenbank verwendet wird
Stakeholder: Personen, die Zeit und Ressourcen in ein Projekt investieren und an dessen Ergebnis interessiert sind
Structured Query Language (Strukturierte Abfragesprache): Eine Computer-Programmiersprache, die zur Kommunikation mit einer Datenbank verwendet wird
Tabelle: Ein digitales Arbeitsblatt
SQL: (Siehe Structured Query Language)
Werden Sie ein Daten-Vizzer
Video 23
Begriffe und Definitionen für Kurs 1, Modul 3
Attribut: Eine Eigenschaft oder Qualität von Daten, die zur Beschriftung einer Spalte in einer Tabelle verwendet wird
Funktion: Ein voreingestellter Befehl, der automatisch einen bestimmten Prozess oder eine Aufgabe unter Verwendung der Daten in einer Tabelle durchführt
Beobachtung: Die Attribute, die einen Teil der Daten in einer Zeile einer Tabelle beschreiben
Fairness berücksichtigen
Sie haben bereits gelernt, dass ein Teil der Verantwortung eines Datenexperten darin besteht, dafür zu sorgen, dass seine Analyse fair ist. Fairness bedeutet, dass Sie sicherstellen müssen, dass Ihre Analyse keine Voreingenommenheit hervorruft oder verstärkt. Das kann eine Herausforderung sein, aber wenn die Analyse nicht objektiv ist, können die Schlussfolgerungen irreführend und sogar schädlich sein. In dieser Lektüre werden Sie einige bewährte Praktiken kennenlernen, die Sie bei Ihrer Arbeit für eine faire Analyse nutzen können!
Fairness berücksichtigen
Im Folgenden finden Sie einige Strategien, die eine faire Analyse unterstützen:
Bewährte Methode | Erläuterung | Beispiel |
|---|---|---|
Berücksichtigen Sie alle verfügbaren Daten | Ein Teil Ihrer Aufgabe als Fachkraft für Datenanalyse besteht darin, herauszufinden, welche Daten für Ihre Analyse nützlich sein werden. Oft gibt es Daten, die für das, worauf Sie sich konzentrieren, nicht relevant sind oder nicht mit Ihren Erwartungen übereinzustimmen scheinen. Aber Sie können sie nicht einfach ignorieren. Es ist wichtig, alle verfügbaren Daten zu berücksichtigen, damit Ihre Analyse die Wahrheit widerspiegelt und nicht nur Ihre eigenen Erwartungen. | Das Verkehrsministerium eines Bundesstaates ist daran interessiert, die Verkehrsmuster an Feiertagen zu messen. Zunächst werden nur Metriken zum Verkehrsaufkommen und zur Tatsache, dass es sich um Feiertage handelt, berücksichtigt. Aber das Daten-Team stellt fest, dass es nicht bedacht hat, wie sich das Wetter an diesen Feiertagen auf das Verkehrsvolumen auswirken könnte. Die Berücksichtigung dieser zusätzlichen Daten hilft ihnen, umfassendere Statistiken zu erhalten. |
Identifizieren Sie umgebende Faktoren | Wie Sie in diesen Kursen lernen werden, ist der Kontext für Sie und Ihre Stakeholder der Schlüssel zum Verständnis der endgültigen Schlussfolgerungen einer Analyse. So wie Sie alle Daten berücksichtigen, müssen Sie auch die umgebenden Faktoren verstehen, die Einfluss auf die gewonnenen Statistiken haben könnten. | Eine Personalabteilung möchte die Urlaubszeit ihrer Mitarbeiter besser planen, um den Personalbedarf vorauszusehen. Die Personalabteilung verwendet eine Liste der nationalen Feiertage als Schlüssel für den Prozess der Datenerfassung. Dabei werden jedoch wichtige Feiertage, die nicht im Bankkalender stehen, nicht berücksichtigt, was zu einer Voreingenommenheit gegenüber Mitarbeitern führt, die diese Feiertage feiern. Außerdem erhält die Personalabteilung dadurch weniger nützliche Ergebnisse, da die Feiertage nicht unbedingt auf die tatsächliche Mitarbeiterpopulation zutreffen. |
Berücksichtigen Sie selbst gemeldete Daten | Selbstauskunft ist eine Technik der Datenerhebung, bei der die Teilnehmer Informationen über sich selbst angeben. Selbstauskünfte können eine gute Möglichkeit sein, Fairness in Ihren Prozess der Datenerhebung zu bringen. Menschen bringen bewusste und unbewusste Voreingenommenheit in ihre Beobachtungen über die Welt ein, auch über andere Menschen. Die Verwendung von Selbstauskünften bei der Datenerhebung kann dazu beitragen, diese Voreingenommenheit der Beobachter zu vermeiden. Darüber hinaus bietet die Trennung der selbstberichteten Daten von anderen Daten, die Sie sammeln, einen wichtigen Kontext für Ihre Schlussfolgerungen! | Eine Fachkraft für Datenanalyse arbeitet an einem Projekt für einen stationären Einzelhändler. Sein Ziel ist es, mehr über seine Kunden zu erfahren. Diese Fachkraft für Datenanalyse weiß, dass sie bei der Datenerfassung auf Fairness achten muss. Sie beschließt, eine Umfrage zu erstellen, in der die Kunden Informationen über sich selbst angeben können. Auf diese Weise vermeiden sie Voreingenommenheiten, die bei anderen Methoden zur Erhebung demografischer Daten auftreten können. Wenn sie zum Beispiel die Vertriebsmitarbeiter ihre Beobachtungen über die Kunden berichten lassen würden, könnten sie unbewusste Voreingenommenheiten der Mitarbeiter in die Daten einbringen. |
Nutzen Sie Oversampling effektiv | Wenn Sie Daten über eine Population erheben, ist es wichtig, dass Sie die tatsächliche Zusammensetzung dieser Population kennen. Manchmal kann ein Oversampling Ihnen dabei helfen, Gruppen in der Population zu repräsentieren, die sonst nicht fair vertreten wären. Oversampling ist der Prozess, bei dem die Stichprobengröße der nicht dominanten Gruppen in einer Population erhöht wird. So können Sie sie besser repräsentieren und unausgewogene Datasets korrigieren. | Ein Fitnessunternehmen gibt neue digitale Inhalte für Nutzer seiner Geräte heraus. Sie sind daran interessiert, Inhalte zu entwerfen, die verschiedene Nutzer ansprechen, da sie wissen, dass verschiedene Personen auf unterschiedliche Weise mit ihren Geräten interagieren können. Ein Teil der Nutzer ist zum Beispiel 70 Jahre oder älter. Um diese Nutzer zu repräsentieren, nehmen sie eine Überstichprobe in ihre Daten auf. Auf diese Weise werden die Entscheidungen, die sie über ihre Fitness-Inhalte treffen, umfassender sein. |
Denken Sie an Fairness von Anfang bis Ende | Um sicherzustellen, dass Ihre Analyse und Ihre endgültigen Schlussfolgerungen fair sind, sollten Sie von den frühesten Stadien eines Projekts an bis zu dem Zeitpunkt, an dem Sie die Ergebnisse der Statistiken umsetzen, auf Fairness achten. Das bedeutet, dass die Datenerfassung, -bereinigung, -verarbeitung und -analyse unter dem Gesichtspunkt der Fairness durchgeführt werden. | Ein Datenteam beginnt ein Projekt, indem es Fairness-Maßnahmen in seinen Prozess der Datenerhebung einbezieht. Zu diesen Maßnahmen gehören eine Überstichprobe der Population und die Verwendung von Selbstauskünften. Sie versäumen es jedoch, die Stakeholder bei der Präsentation über diese Maßnahmen zu informieren. Infolgedessen haben die Stakeholder ein verzerrtes Verständnis der Daten. Aus dieser Erfahrung lernen sie und fügen Schlüsselinformationen über Fairness-Erwägungen zu zukünftigen Präsentationen für Stakeholder hinzu. |
Die wichtigsten Erkenntnisse
Als Datenexperte müssen Sie sicherstellen, dass Sie immer auf Fairness achten. So können Sie vermeiden, dass Sie Voreingenommenheit erzeugen oder verstärken oder versehentlich irreführende Schlussfolgerungen ziehen. Die Anwendung dieser Best Practices kann Ihnen bei Ihrer Analyse helfen und Sie zu einem besseren Datenexperten machen!
Begriffe und Definitionen für Kurs 1, Modul 4
Unternehmensbezogene Aufgabe: Die Frage oder das Problem, das die Datenanalyse für ein Unternehmen löst
Oversampling: Der Prozess der Vergrößerung der Stichprobe von nicht dominanten Gruppen in einer Population. Dadurch können Sie sie besser repräsentieren und unausgewogene Datasets behandeln.
Selbstauskunft: Eine Datenerhebungstechnik, bei der die Teilnehmer Informationen über sich selbst angeben
