Customer Data Manager:in

Kurs-ID 7680-0108-20230130
Datum 30.01.2023 bis 14.07.2023
Dauer 24 Wochen
Unterrichtszeiten Montag bis Freitag von 08:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)
Kosten k. A.
Zielgruppe <p>Dieser Lehrgang richtet sich an (Wirtschafts-)Informatiker:innen aus den Bereichen Marketing, Einkauf, Vertrieb und Kundenmanagement.</p>
Voraussetzung Kenntnisse in der Programmiersprache Python werden vorausgesetzt.
Abschluss Zertifikat/Teilnahmebestätigung
Förderung Arbeitsagentur, Jobcenter, Beschäftigungs- und Qualifizierungsgesellschaften, BFD, DRV
Präsenzkurs Keine Angabe.
mind. Teilnehmerzahl 6
max. Teilnehmerzahl 25
URL des Kurses Details beim Anbieter
Anmelde URL des Kurses Direkte Anmeldung beim Anbieter
spezielles Angebot für Dozenten Nein.
Veranstaltungsort
 
alfatraining Bildungszentrum GmbH
In der Vorstadt 35
72488 Sigmaringen

 

AbendkursBildungsgutscheinBarierrefreier Zugang
NeinJaNein

 

Beschreibung
Customer Data Manager:in:

Kundenservice mit CRM-Software
Grundlagen Customer Relationship Management (ca. 3 Tage)
Einführung in das Customer Relationship Management
Strategisches, analytisches, operatives CRM
Integrierte CRM-Lösungen: ERP-System, Datawarehouse, Data Mining und OLAP

Grundlagen Datenschutz (ca. 1 Tag)
Umgang mit Kundendaten
Speicherung und Weitergabe von Kundendaten
Datenschutz im Bereich Marketing/Werbemaßnahmen

Gewinnung und Bindung von Kundschaft (ca. 4 Tage)
Analyse der Kundenbedürfnisse
Kundenzufriedenheitsmanagement
Kundenkommunikation
Psychologie der Kundenbeziehungen
Aufbau und Pflege von Kundendatenbanken
360 Grad-Kundenansicht
Ganzheitliches Fallmanagement

Umgang mit Kundendaten (ca. 4 Tage)
Verwaltung von Terminen, Verträgen und Budget
Kundenadministration
Workflows zwischen Teams
Bereinigung der Datenbank
Analytisches CRM (Zielgruppenanalyse, Kundenwertanalyse, Forecasts)
Echtzeit-Dashboards
Überblick über Leistungskennzahlen
Drilldown-Analyse
Inline-Datenvisualisierung
Auswertung von Verkaufschancen

Steigerung der Kundenprofitabilität (ca. 3 Tage)
Marketing
Gezielte Rückmeldungen
Segmentierungstools
Kampagnen-Management
Workflows
Lead-to-Cash-Transparenz
Echtzeit-Verkaufsprognosen
Pipeline-Berichte

Einführung CRM Software (ca. 2 Tage)
Übersicht in die CRM Systemlandschaft
Vorstellung und Positionierung verschiedener CRM-Systeme
Prozessabläufe abbilden

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse


Big Data Grundlagen
Grundlagen Datenmanagement (ca. 2 Tage)
Anforderungen an Daten
Data Governance
Datenbereinigung

Was ist Big Data? (ca. 4 Tage)
Die fünf Vs: Volume, Velocity, Variety, Value, Veracity
Chancen und Risiken großer Datenmengen
6 Schritte des CRISP-DM Industriestandards
Data Warehouse, Data Lake
Abgrenzung: Business Intelligence, Data Analytics, Data Science
Was ist Data Mining?

Verteilte Systeme (ca. 3 Tage)
SQL/NoSQL
Was ist Web 2.0?
Begriffserläuterung Cloud-Computing
Einsatzmöglichkeiten von Google, Hadoop, Spark
MapReduce

Datenmanagement (ca. 2 Tage)
ETL (extract, transform, load)
Datenerfassung, -speicherung, -analyse und
-verwendung

Relationale Datenbanken, SQL (ca. 2 Tage)
Entitätsmengen
Relationen
Datenbanken/Tabellen
Schlüsselfelder
Einsatz Indizes
Datenbanksystemtypen
Datentypen: Standard- und spezielle Datentypen
Beziehungen zwischen Relationen
Entity-Relationship-Modell

NoSQL (ca. 2 Tage)
Grenzen von relationalen Abfragesprachen
Cap-Theorem
ACID vs. Base
No-SQL Technologien

Rechtliche Grundlagen (ca. 2 Tage)
GDPR
Datenschutz und -sicherheit
DSGVO
Das Bundesdatenschutzgesetz

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse


Statistik
Statistische Grundlagen (ca. 6 Tage)
Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Stichprobenarten, Messung und Skalenniveaus)
Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwerte, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme und Boxplots)
Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme und gruppierte Balkendiagramme)
Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilung, Normalverteilung, Mittelwerteverteilung, Signifikanztest, Nullhypothesentest nach Fisher, Signifikanz, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalysen und Ermittlung des optimalen Stichprobenumfangs)

Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)
z- und t-Test für eine Stichprobe (Abweichung von einem vorgegebenen Wert)
t-Test für den Mittelwertsunterschied von zwei unabhängigen/ verbundenen Stichproben
Prüfung der Wirksamkeit von Aktionen, Maßnahmen, Interventionen und anderen Veränderungen mit t-Tests (Pretest-Posttest-Designs mit zwei Gruppen)
Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonnet-Test, Signifikanztest für Korrelationen)
Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test
Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen mit Assoziationsmaße)

Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 5 Tage)
Ein- und zweifaktorielle Varianzanalyse (einfache und balancierte ANOVA)
Mehrfaktorielle Varianzanalyse (Allgemeines Lineares Modell)
Feste, zufällige, gekreuzte und geschachtelte Faktoren
Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)
Interaktionsanalyse (Analyse von Wechselwirkungseffekten)
Trennschärfe und Poweranalyse bei Varianzanalysen

Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)
Voll- und teilfaktorielle Versuchspläne

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse


SQL - Relationale Datenbanken
Grundlagen von Datenbanksystemen mit Access (ca. 3 Tage)
Redundante Daten
Datenintegrität
Normalisierung
BCNF
DB-Entwurf
Beziehung 1:n, m:n
Datentypen
Tabellen
Primär- und Fremdschlüssel
Referentielle Integrität
Beziehungen zwischen Relationen
Entity-Relationship-Modell
Index, Standartwert
Einschränkungen (Check)
Abfragen
Formulare, Berichte
Zirkelbezug

Einführung in SQL Server Management Studio (SSMS) (ca. 2 Tage)
Übersicht
Phys. DB-Design
Tabellen erstellen
Datentypen in MS SQL
Primary Key
Einschränkungen, Standartwerte, Diagramm, Beziehungen
Backup und Restore

Einführung in DDL (ca. 8 Tage)
SQL Grundlagen
Syntax
Befehle
Mehrere Tabellen
Operatoren
Ablaufkontrolle
Skalarwertfunktionen
Tabellenwertfunktionen
Systemfunktionen
Prozeduren mit und ohne Parameter
Fehlertypen
Transaktionen, Sperren, DeadLock

DCL – Data Control Language (ca. 1 Tag)
Anmeldungen
Benutzer
Rollen
Berechtigungen

Datentypen, Datenimport und -export (ca. 1 Tag)
Datentyp geography
Datenexport, Datenimport

Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse


Data Engineer
Grundlagen Business Intelligence (ca. 2 Tage)
Aufgaben eines Data Engineers
Data Warehousing (DWH): Umgang und Verarbeitung von strukturierten, semi-strukturierten und unstrukturierten Daten
OLAP
OLTP

Anforderung von Daten (ca. 2 Tage)
Aufgaben, Ziele und Vorgehensweise in der Anforderungsanalyse
Einführung/Modellierung in der UML
- Use-Case Analyse
- Klassendiagramme
- Aktivitätsdiagramme
- Modellierung mit ERM

Datenbanken (ca. 2 Tage)
Grundlagen von Datenbanksystemen
Einführung/Modellierung in der UML
Architektur von Datenbankmanagementsystemen
Praktische und theoretische Einführung in SQL
Verwendung von Datenbanken (SQLite, PostgreSQL)
Grenzen von Relationalen Datenbanken

Data Warehouse Modellierung (ca. 4 Tage)
Star Schema
Snowflake Schema
Galaxy Schema
Data Vault 2.0
- Hubs
- Satellites
- Links im Raw- und Business Vault
- Hash Key
- Hash Diff
Slowly Changing Dimension Tables Typ 1 bis 5 (Restating, Stacking, Reorganizing, Mini Dimension und Typ 5
Einführung in normal, causal, mini und monster, heterogeneous und subdimensions
Vergleich von state und transaction oriented Faktentabellen
Density und Storage vom DWH

ETL (ca. 5 Tage)
Data Cleansing
- Null Values
- Aufbereitung von Daten
- Harmonisierung von Daten
- Anwendung von Regular Expressions
Datensicherheit/Datenschutz
Data Understanding
- Datenvalidierung
- Statistische Datenanalyse
Praktischer Aufbau von ETL-Strecken
Praktischer Aufbau eines Data Vault Modells - Business und Raw Vault
Praktische Umsetzung von Hash-Verfahren
json
csv

Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse


Data Analytics
Einführung Datenanalyse (ca. 1 Tag)
CRISP-DM Referenzmodell
Data Analytics Workflows
Begriffsabgrenzung Künstliche Intelligenz, Machine Learning, Deep Learning
Anforderungen und Rolle im Unternehmen des Data Engineers, Data Scientists und Data Analysts

Wiederholung Grundlagen Python (ca. 1 Tag)
Datentypen
Funkti

 

Gelistet in folgenden Rubriken: