zurück

ITS – Data Analytics

Hersteller
Certiport
Prüfungsdauer
50 Minuten
Anzahl der Fragen
35–45 Fragen
Prüfungssprachen
Englisch, Französisch und andere Sprachen

Zielgruppe

Kandidatinnen und Kandidaten dieser Prüfung möchten einführende Kenntnisse darin nachweisen, wie Daten verantwortungsvoll bearbeitet und analysiert und die Ergebnisse einer Datenanalyse vermittelt werden. Sie sollten über mindestens 150 Stunden Unterricht oder praktische Erfahrung mit Datenbearbeitung, Analyse, Visualisierung und Vermittlung verfügen. Sie sollten mit allgemeinen Datenkonzepten, datenbezogenen Gesetzen und verantwortungsvollen Analysepraktiken vertraut sein.

Kompetenzbereiche und Prüfungsziele

1Datengrundlagen

  1. 1.1Den Begriff Data Science definieren
  2. 1.2Grundlegende Typen von Datenvariablen beschreiben
    • Boolean, numerisch, String, Datum/Uhrzeit
  3. 1.3Grundlegende Strukturen in der Datenanalyse beschreiben
    • Tabellen, Zeilen, Spalten, Listen, Tupel
  4. 1.4Daten erheben und Daten kategorisieren
    • Kategorien: qualitativ, quantitativ, strukturiert, unstrukturiert, Metadaten, Big Data

2Datenbearbeitung

  1. 2.1Daten importieren, speichern und exportieren
    • Grundlegendes Verständnis von ETL-Prozessen (extract, transform and load), Sprachen zur Datenbearbeitung (SQL, R, Python, Microsoft Excel einschließlich Aspekten von Power Query) und gängigen Dateiformaten zur Datenspeicherung (Dateien mit Trennzeichen, XML, JSON)
  2. 2.2Daten mit SQL, R, Python und Excel bereinigen
    • Zweck und gängige Verfahren (Umgang mit NULL, Sonderzeichen, Entfernen von Leerzeichen, uneinheitliche Formatierung, Entfernen von Duplikaten, Imputation von Daten usw.); Daten validieren
  3. 2.3Daten mit SQL, R, Python und Excel organisieren
    • Zweck und gängige Verfahren (Sortieren, Filtern, Slicing, Transponieren, Anhängen, Kürzen usw.)
  4. 2.4Daten mit SQL, R, Python und Excel aggregieren
    • Zweck und gängige Verfahren (Gruppieren, Verknüpfen/Zusammenführen, Zusammenfassen, Pivotieren usw.)

3Datenanalyse

  1. 3.1Arten der Datenanalyse beschreiben und voneinander abgrenzen
    • Deskriptive Analyse, diagnostische Analyse, Hypothesentests, prädiktive Analyse, präskriptive Analyse, Hauptkomponentenanalyse, Clusteranalyse und Assoziationsanalyse
  2. 3.2Kennzahlen zur Datenaggregation und -interpretation beschreiben und voneinander abgrenzen
    • Suchen, Filtern, eindeutige Werte, Aggregatfunktionen wie Sum, Max, Min, Count, Avg/Mean, Mode, Median, Std Dev
  3. 3.3Methoden der explorativen Datenanalyse beschreiben und voneinander abgrenzen
    • Datenbeziehungen erkennen, Konzepte des Data Drilling beschreiben (Granularität usw.), Konzepte des Data Mining beschreiben (Anomalien, Korrelationsanalyse, Muster, Ausreißer usw.)
  4. 3.4Die Ergebnisse von Datenanalysen bewerten und erläutern
    • Trends berechnen, Erwartungswerte bestimmen, Ergebnisse prädiktiver Modelle interpretieren, p-Werte, t-Tests und Regressionsanalysen
  5. 3.5Die Rolle künstlicher Intelligenz in der Datenanalyse definieren und beschreiben
    • Künstliche Intelligenz, maschinelles Lernen und Algorithmus definieren; beschreiben, wie KI in der Datenanalyse eingesetzt wird; beschreiben, wie Algorithmen des maschinellen Lernens in der Datenanalyse eingesetzt werden (Hinweis: Bestimmte Algorithmen sind nicht Gegenstand der Prüfung)

4Datenvisualisierung und Vermittlung

  1. 4.1Daten berichten
    • Informationen wirkungsvoll in Tabellen und Diagrammen darstellen; erläutern, wann und warum Daten disaggregiert werden
  2. 4.2Visualisierungen aus Daten erstellen
    • Verfahren der Datenvisualisierung erkennen, die die Gefahr von Fehldeutungen verringern; Visualisierungsarten erkennen, die die zugrunde liegende Datenstruktur und die Analysefragen abbilden (darunter Vergleich, Zeit/Trend, Teil-Ganzes, Beziehung, Verteilung, Korrelationsdiagramme, Box-and-Whisker-Diagramm, Streudiagramm, Scatter Plot, Balkendiagramm, Sankey-Diagramm, Histogramm, Kreisdiagramm, Säulendiagramm usw.)
  3. 4.3Schlussfolgerungen aus einer Datenvisualisierung ableiten
    • Eine visuelle Darstellung von Daten in Worte übersetzen; Unterschiede zwischen Aussagen auf Grundlage einer Analyse und ihrer grafischen Darstellung erkennen

5Verantwortungsvolle Analysepraktiken

  1. 5.1Datenschutzgesetze und bewährte Verfahren beschreiben
    • DSGVO, FERPA, HIPAA, IRB, PCI usw.
  2. 5.2Bewährte Verfahren für den verantwortungsvollen Umgang mit Daten beschreiben
    • Verfahren zum Umgang mit personenbezogenen Daten (PII), zur Absicherung von Daten und zum Schutz der Anonymität in kleinen Datensätzen; Bedeutung der Anonymisierung von Daten; Abwägungen zwischen Interpretierbarkeit und Genauigkeit; Schwächen von Verallgemeinerungen auf Populationsebene bei begrenzten Stichprobendaten
  3. 5.3Anhand eines Szenarios Arten von Verzerrungen beschreiben, die Erhebung und Interpretation von Daten beeinflussen
    • Bestätigungsfehler (confirmation bias), menschliche kognitive Verzerrung, motivationale Verzerrung, Stichprobenverzerrung; Visualisierungen und Datendarstellungen so wählen, dass Verzerrungen vermieden werden