azena data
Du kannst Daten abfragen, transformieren und sichtbar machen — von SQL über eine kleine Pipeline bis zum Dashboard, das eine echte Entscheidung stützt — und nutzt KI, um schneller die richtigen Fragen an deine Daten zu stellen.
Was du danach kannst
- Daten mit SQL abfragen, filtern und aggregieren
- Eine einfache Pipeline denken: Quelle → Transformation → Insight
- Kennzahlen sauber definieren (was misst du wirklich?)
- Daten ehrlich visualisieren (richtiger Chart, keine Irreführung)
- KI als Co-Pilot für Abfragen und Auswertung einsetzen
Das Curriculum
19 Lektionen · Schritt für Schritt
- 01
Die Datenpipeline — Rohdaten → Transformation → Insight
9′Analytics ist kein Zaubertrick, sondern ein Fluss: roh rein, nützlich raus.
- 02
SQL — die Sprache, um Daten zu fragen
12′Mit fünf Bausteinen fragst du fast alles aus deinen Daten heraus.
- 03
Kennzahlen & ehrliche Visualisierung
11′Die richtige Kennzahl, der richtige Chart — und wie man sich nicht selbst belügt.
- 04
Vom Insight zum Dashboard — mit Claude bauen
10′Eine wiederkehrende Auswertung wird zum lebendigen Dashboard — KI-gestützt gebaut.
- 05
Sprich mit deinen Daten — Text-to-SQL und seine stillen Tücken
10′Eine Frage in normaler Sprache, das LLM schreibt die SQL: bequem — aber die gefährlichste Abfrage läuft sauber und liefert trotzdem eine falsche Zahl.
- 06
Statistik-Grundlagen — Zahlen richtig lesen
11′Durchschnitt, Streuung, Stichprobe — und die Fallen, die selbst Profis übersehen.
- 07
A/B-Tests — Entscheidungen statt Meinungen
11′Zwei Varianten, echte Nutzer, ein sauberes Experiment — so beweist man, was wirkt.
- 08
Daten-Cleaning — Garbage in, Garbage out
10′Der unspektakulärste Teil der Analyse entscheidet über ihre Richtigkeit.
- 09
Datenquellen & Sammeln — CSV, API und Tracking sauber zusammenführen
11′Bevor du auswertest, musst du die Daten erst einmal sauber an einen Ort bringen.
- 10
Joins richtig nutzen — Tabellen verbinden, ohne Zeilen zu vervielfachen
12′Ein JOIN verbindet Tabellen — und kann dir unbemerkt die Zahlen aufblähen.
- 11
Aggregation & GROUP BY — von Rohzeilen zu Kennzahlen
11′GROUP BY verdichtet tausende Einzelzeilen zu der einen Zahl, die du eigentlich willst.
- 12
Zeitreihen & Trends — Saisonalität und gleitende Durchschnitte lesen
11′Geht es wirklich bergauf — oder ist es nur Montag? Trends von Rauschen trennen.
- 13
Segmentierung & Kohorten — wer verhält sich wie, über die Zeit
11′Ein Durchschnitt über alle Nutzer versteckt mehr, als er zeigt. Teile, um zu verstehen.
- 14
Mit Daten überzeugen — Storytelling für Stakeholder
10′Die beste Analyse nützt nichts, wenn niemand sie versteht. Eine Botschaft pro Chart.
- 15
Datenschutz & Ethik bei Daten — DSGVO, Anonymisierung, Grenzen
11′Nur weil du Daten auswerten KANNST, heißt das nicht, dass du es DARFST oder solltest.
- 16
Window-Funktionen — laufende Summen, Rang und Vergleich zur Vorperiode
12′Rechnen über eine Zeile hinaus, ohne die Zeilen zu verdichten — der nächste Schritt nach GROUP BY.
- 17
Explorative Datenanalyse (EDA) — der erste strukturierte Blick auf neue Daten
11′Bevor du eine Frage beantwortest, lernst du die Daten kennen — Form, Verteilung, Lücken, Ausreißer.
- 18
Anomalie-Erkennung — auffällige Werte finden, bevor sie die Analyse verfälschen
11′Ein einziger Ausreißer kann jede Kennzahl kippen. So findest du sie systematisch statt zufällig.
- 19
Metrik-Design — die richtige Zahl statt vieler Zahlen
10′Vanity-Metriken fühlen sich gut an und steuern nichts. Gute Metriken verändern Entscheidungen.
Was du baust
Echte Artefakte, keine Theorie
Eine Frage in SQL beantworten
Ergebnis: Die Query + deine Erklärung in eigenen Worten, was sie tut, und wie du gegengeprüft hast.
Eine Kennzahl sauber definieren & visualisieren
Ergebnis: Die Kennzahl-Definition + Query + Chart-Komponente, mit Begründung des Chart-Typs und der ehrlichen Achse.
Ein Mini-Dashboard bauen
Ergebnis: Das Dashboard (Live-URL oder Screenshot) + die drei Kennzahl-Definitionen, die du im UI sichtbar gemacht hast.
Capstone: Von Rohdaten zum entscheidungsreifen Dashboard
Ergebnis: Das Dashboard (Live/Screenshot) + die 3 Kennzahl-Definitionen + dein Cleaning-Protokoll + das A/B-Test-Design + welche Metrik deine North-Star ist und warum.
Belege & Quellen
Jede Aussage ist belegt — echte, geprüfte Quellen statt Behauptungen.
Reinschnuppern
Gratis-VorschauGO vs. NO-GO — ein echtes Beispiel aus dem Track.
Wie der Track läuft
Mit Nova als Mentor
Dein KI-Mentor erklärt jedes Konzept, gibt dir fertige Claude-Code-Prompts und hilft bei jeder Frage.
Geprüftes Siegel
Nimm eine echte Frage an Daten (z.B. 'Wie entwickeln sich zahlende Nutzer?') und erkläre Nova den ganzen Weg: Wie definierst du die Kennzahl präzise, wie übersetzt du die Frage in SQL (mit Aggregation/JOIN), welchen Chart wählst du und warum, und wie stellst du sicher, dass die Visualisierung ehrlich ist? Wo könnte KI-generierter SQL plausibel-falsche Zahlen liefern — und wie prüfst du das?
In deinem Tempo
Rund 209 Minuten Kerninhalt — plus deine eigenen Projekte. Jederzeit pausierbar.
Fehler, die du vermeidest
- Zu früh visualisieren, bevor die Frage und die Transformation klar sind.
- Kennzahlen nicht definieren ('aktiv' = ?) — Streit und Fehlentscheidungen.
- Generierter SQL blind vertrauen (falsche JOIN/WHERE = plausibel falsch).
- Alles in Tortendiagramme pressen statt den passenden Chart zu wählen.
- Y-Achse abschneiden / Stichprobe verstecken — unabsichtliche Irreführung.
- Dashboards jede Rohzeile abfragen lassen statt Aggregate.
Bereit für azena data?
250 Token · 19 Lektionen · von der KI geprüft.