Dozent:
Prof. Dr. Christian Maier

Tutor:
Dr. Jens Mattke

Otto-Friedrich-Universität Bamberg
Fakultät Wirtschaftsinformatik und Angewandte Informatik
Lehrstuhl für Wirtschaftsinformatik, insb. Health and Society in the Digital Age
https://www.uni-bamberg.de/en/ishands/

Turnus & Dauer:
Sommersemester / 1 Semester

Einordnung:
Basistechnologien

Sprache:
Englische Unterlagen / Kommunikation in Deutsch

Dieses Modul steht exklusiv den Studierenden des VAWi-Studiengangs zur Verfügung.

Lehr- & Medienformen

Für dieses Modul steht eine internetbasierte Lernumgebung für die Durchführung der Lehr-/Lernprozesse und der Lernunterstützungsprozesse zur Verfügung. Dabei erfolgt die Betreuung der Studierenden durch die Lehrenden über asynchrone (Foren, E-Mail) und synchrone (Chat, Telefon, Online-Konferenzen) Kommunikationswerkzeuge. Diese stehen auch für die Kommunikation der Studierenden untereinander zur Verfügung.

Die Studierenden werden beim Wissenserwerb sowie zum Aufbau von Fertigkeiten und Kompetenzen durch folgende elektronische Selbstlernmedien unterstützt:

• Erweiterte Foliensätze, ergänzende Literatur

Zudem wird der Aufbau von Fertigkeiten und Kompetenzen gefördert durch:

• Audio- und/oder Videoinhalte, interaktive Onlinekurse und Case-Studies zu Python, Mobile Learning Angebote.
• Es werden praxisbezogene Aufgaben gestellt, die mit Hilfe der erlernten Methoden und Theorien gelöst werden sollen.

Arbeitsaufwand:
150 h: Selbststudium, Aufgabenbearbeitung & Abschlussprüfung

ECTS-Credits:
5

Zuordnung:
5 % Wirtschaftswissenschaften
55 % Informatik
35 % Kerngebiete der Wirtschaftsinformatik
5 % Allg. Grundlagen & Schlüsselqualifikationen

Voraussetzungen

Keine. Insbesondere sind keine Vorerfahrungen mit R, Python oder anderen Programmiersprachen erforderlich.

Angestrebte Lernergebnisse

Das Modul Data Analytics mit Python bietet einen umfassenden Überblick über Datenanalysemethoden und legt einen besonderen Fokus auf die praktische Anwendung. Im Rahmen des Moduls lernen Studierenden die leistungsstarke Programmiersprache Python. Zusätzlich lernen Studierende statistische Ergebnisse korrekt zu interpretieren und Ergebnissen kritisch zu hinterfragen.

Nach Abschluss des Moduls können Studierende:

1) Data-Analytics-Grundlagen sicher anwenden

• zentrale Konzepte und typische Fragestellungen im Data Analytics erklären und einordnen.
• die Bedeutung, Potenziale und Grenzen datenbasierter Entscheidungen kritisch diskutieren (inkl. Datenqualität, Bias, Interpretationsrisiken).

2) Python als Analyse-Tool kompetent nutzen

• Python in einer Analyseumgebung sicher einsetzen (Grundlagen bis „Intermediate“).
• Daten aus unterschiedlichen Quellen importieren und strukturiert weiterverarbeiten.

3) Daten aufbereiten, prüfen und verstehen (Wrangling & EDA)

• Daten mit pandas manipulieren, transformieren, filtern, aggregieren und zusammenführen (Joining/Merging).
• Daten systematisch bereinigen (fehlende Werte, Ausreißer, Inkonsistenzen) und die Folgen für Analysen beurteilen.
• Explorative Data Analysis (EDA) durchführen: Verteilungen, Muster, Gruppenunterschiede, Zusammenhänge.

4) Ergebnisse sichtbar machen und korrekt interpretieren

• passende Visualisierungen mit Matplotlib erstellen und zielgerichtet einsetzen.
• Summary Statistics und Visuals so interpretieren, dass daraus belastbare Aussagen entstehen – inklusive Unsicherheit und Einschränkungen.

5) Inferenz & Regression für empirische Arbeiten einsetzen

• Grundlagen von Inferenz, experimentellem Design und Korrelation erklären und typische Denkfehler vermeiden („Korrelation ≠ Kausalität“).
• Regressionsmodelle mit statsmodels aufsetzen (Einführung bis vertiefend) und Ergebnisse fachlich korrekt interpretieren.
• Analyseentscheidungen transparent dokumentieren und Resultate kritisch hinterfragen (Modellannahmen, Robustheit, Limitationen).

Insofern können Studierende am Ende eine vollständige, nachvollziehbare Analysepipeline in Python umsetzen, d.h. von Rohdaten bis zu interpretierbaren Ergebnissen.

Studienempfehlungen

Dieses Modul ist besonders empfehlenswert für Studierende, die:

• einen niedrigschwelligen, aber fundierten Einstieg in Programmierung suchen,
• für Projekt- und Abschlussarbeiten empirisch arbeiten wollen,
• im Berufsfeld Data Literacy als Wettbewerbsvorteil nutzen möchten. Unabhängig davon, ob Sie in IT, Consulting, Produktmanagement, Controlling oder Forschung arbeiten.
• Wichtig: Sie brauchen kein Vorwissen. 

Durch die interaktive Lernumgebung und die konsequent praxisnahen Übungen bauen Sie Schritt für Schritt Fähigkeiten auf, die sofort einsetzbar sind. 

Inhalte & Gliederung

Das Modul Data Analytics mit Python ist Ihr praxisorientierter Einstieg in datengetriebenes Arbeiten, d.h. von den Grundlagen bis zu Analysen, die Sie in Ihren Unternehmens-Projekten und Abschlussarbeiten wirklich nutzen können. Sie lernen, wie man Daten einliest, bereinigt, strukturiert, exploriert und visualisiert und darauf aufbauend Inference-Modelle sowie Regressionen sinnvoll einsetzt und interpretiert.

Der Kurs ist bewusst so aufgebaut, dass auch Studierende ohne Programmiererfahrung erfolgreich einsteigen: Sie arbeiten in einer interaktiven Lernumgebung, üben Schritt für Schritt an realistischen Datensätzen und entwickeln dabei Routinen, die im Studium (empirische Arbeiten im Rahmen von Projekt- und Masterarbeiten) und im Beruf (Data Literacy, Analysekompetenz) direkt anschlussfähig sind.

Structure of the course:

• Introduction to Data Analytics
• Introduction to Python
• Data Wrangling with Python
• Introduction to Data
• Exploratory Data Analysis
• Building Inference Models and Experimental Design
  
• Correlation and Regression Analysis
  

Structuring the practical exercises using Python

• Introduction to Python
• Intermediate Python
• Introduction to Importing Data in Python
• Data Manipulation with pandas
• Joining Data with pandas
• Summary Statistics
  
• Introduction to Data Visualization with Matplotlib
• Cleaning Data in Python
• Exploratory Data Analysis in Python
  
• Correlation and Experimental Design
  
• Introduction to Regression with statsmodels in Python
• Intermediate Regression with statsmodels in Python
  
  

Studien- & Prüfungsleistungen

• Hausarbeit [90 Punkte / 100 %]

Literatur

Eine Liste empfehlenswerter Literatur wird in den einzelnen Kapiteln angegeben. Der Kurs ist jedoch mit den im LMS zu Verfügung gestellten Unterlagen bearbeitbar. 

Hinweise