Kursbeschreibung

Customer Data Manager:innen sind für die Erfassung, Analyse und Aufbereitung von (Kunden-)Daten zuständig. Daher behandelt der Lehrgang zunächst das strategische, analytische und operative Customer Relationship Management für eine kompetente Kundenbetreuung, -bindung und -akquise anhand einer CRM-Software. In einem weiteren Schritt werden verschiedene AWS Cloud-Konzepte bezüglich Wirtschaftlichkeit, Sicherheit und Compliance sowie Methoden zur Bereitstellung und zum Betrieb in der AWS Cloud, außerdem statistische Methoden zum Vergleich von unterschiedlichen Datengruppen und die Versuchsplanung erläutert. Kenntnisse im Aufbau und der Verwendung relationaler Datenbanken mit SQL sowie in der Programmierung mit Python und dem Einsatz von Künstlicher Intelligenz runden dein Profil ab.

Kundenservice mit CRM

Grundlagen & Strategisches CRM (ca. 2 Tage)
CRM als strategische Unternehmensfunktion
Companyblueprint: Unternehmensprozesse
CRM vs. reine Softwarelösung

Businessmodelle & Zielgruppenanalyse (ca. 1 Tage)
Geschäftsmodelle im CRM-Umfeld
Markt- und Zielgruppendefinition
Personas für differenzierte Kundenansprache
Vertriebskanäle im strategischen CRM

Kundenwelten & individuelle Beziehungen (ca. 1 Tage)
Definition der Kundenwelt
Customer Journey, Customer Experience 
Customer-Needs-Demands-Motive 

ERP & operatives CRM (ca. 1 Tage)
Ressourcenplanung und BWL Zusammenhänge
CRM in der Wertschöpfungskette
Synergie zwischen Vertrieb, Marketing & Service

Datenschutz & DSGVO (ca. 1 Tag)
Datenschutz
DSGVO im Marketing
DSGVO-Praxisfälle

CRM-Software-Systeme (ca. 2 Tage)
Einführung in CRM-Systeme
Implementierung von Software
Prozesse abbilden, Workflows automatisieren

Künstliche Intelligenz (KI) im CRM (ca. 1 Tag)
Vorstellung von konkreten KI-Technologien
Predictive Analytics 
Sentiment Analytics 
KI-Humanizer zur Kundenbindung

Analytisches CRM (ca. 2 Tage)
KPIs zur Erfolgsmessung
Data Mining, OLAP 
SWOT-Analyse im CRM
Drill-Down-Analyse 

Customer Relationship Cycle & Kundenzufriedenheit (ca. 2 Tage)
Customer Relationship Cycle
Zufriedenheitsmanagement: NPS, CSAT, KANO & Stellgrößen zur Optimierung

Kundengewinnung, Kundenbindung & Profitabilitätssteigerung (ca. 2 Tage)
Account-Based Marketing (ABM)
Strategische Akquiseprozesse
Loyalty-Programme 
Profitabilität steigern

Kundenkommunikation als Beziehungsgarant (ca. 2 Tage)
Gesprächsführung und Empathie im Kundenkontakt 
Psychologie der Kundenbeziehungen 
Deeskalationstechniken für kritische Kundenmomente
Wie authentische Kommunikation langfristige Beziehungen schafft

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



AWS Cloud Administrator

Cloud-Konzepte (ca. 3,5 Tage)
Vorteile der AWS Cloud
Prinzipien des AWS Cloud-Designs
Migration zur AWS Cloud
Konzepte der Cloud-Wirtschaftlichkeit

Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Sicherheit und Compliance (ca. 4,5 Tage)
AWS-Modell als geteilte Verantwortung
AWS Cloud-Sicherheits-, Governance- und Compliance-Konzepte
AWS Access Management-Funktionen
Komponenten und Ressourcen für die Sicherheitsunterstützung

Cloud-Technologie und -Services (ca. 5 Tage)
Methoden zur Bereitstellung und zum Betrieb in der AWS Cloud
Globale AWS-Infrastruktur
AWS-Computing-Services, -Datenbank-Services, -Netzwerkservices, und -Speicherservices
AWS-Service für künstliche Intelligenz und maschinelles Lernen sowie Analytik-Services
Services aus anderen abgedeckten AWS-Services-Kategorien

Fakturierung, Preisgestaltung und Support (ca. 2 Tage)
Vergleich von AWS-Preismodellen
Ressourcen für Fakturierung, Budget und Kostenmanagement
Techn. Ressourcen und Supportoptionen von AWS

Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung (ca. 5 Tage)
AWS Certified Cloud Practitioner CLF-C02 (in englischer Sprache)



Statistik

Statistische Grundlagen (ca. 6 Tage)
Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Stichprobenarten, Messung und Skalenniveaus)
Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwert, 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, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalysen und Ermittlung des optimalen Stichprobenumfangs)

Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld

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



Relationale Datenbanken mit SQL

Grundlagen von Datenbanksystemen und SQL (ca. 3 Tage)
Überblick über Datenbanksysteme und -modelle
Redundante Daten und Datenintegrität
Normalisierung und BCNF
Datenbankentwurf und Entity-Relationship-Modell (ERM)
Primär- und Fremdschlüssel
Beziehungen zwischen Relationen
Datentypen in SQL
Indizes und Performance
Einschränkungen und Validierung
Abfragen (SQL)
Formulare und Berichte in modernen DBMS
Zirkelbezug und Abhängigkeitsmanagement

Einführung in SQL Server Management Studio (SSMS) (ca. 2 Tage)
Überblick über SQL Server und SSMS
Physisches Datenbankdesign
Erstellen von Tabellen und Definieren von Datentypen
Einschränkungen, Standardwerte und Beziehungen
Datenbankdiagramme und Beziehungen
Backup und Restore

Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Einführung in DDL (Data Definition Language) (ca. 8 Tage)
SQL-Grundlagen und erweiterte Syntax
Erstellen von Tabellen und Definieren von Constraints
Operatoren und Funktionsdefinitionen
Abfragen und Manipulation von Daten
Fehlerbehandlung und Transaktionsmanagement

DCL – Data Control Language und Sicherheit (ca. 1 Tag)
Benutzerverwaltung und Berechtigungen
Rollen, Berechtigungen und Auditing

Datentypen, Datenimport und -export in modernen Systemen (ca. 1 Tag)
Datenimport und -export
Moderne Datentypen

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



Programmierung mit Python

Grundlagen Python (ca. 1 Tag)
Geschichte, Konzepte
Verwendung und Einsatzgebiete
Syntax
Lexis, Semantik
PEP-8-Konventionen
Interpreter vs. Compiler

Erste Schritte mit Python (ca. 5 Tage)
Zahlen
Zeichenketten
Datum und Zeit
Standardeingabe und -ausgabe
Numerische Operatoren
Vergleichs-, logische und bitweise Operatoren
Datentypumwandlung
list, tuple dict, set
List-Funktionen und -Methoden
Verzweigungen und Schleifen (if, for, while)
Mitgliedsoperatoren

Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Funktionen (ca. 5 Tage)
Eigene Funktionen definieren
Variablen
Parameter und Argumente
Rückgabewerte
Rekursion
Namensräume
Funktionale Programmierung

Fehlerbehebung (ca. 0,5 Tage)
try, except
Fehlerarten
Programmunterbrechungen abfangen
Fehlerweitergabe zwischen Funktionen

Objektorientierte Programmierung (ca. 4,5 Tage)
Python-Klassen
Methoden
Unveränderliche Objekte
Datenklasse
Vererbung

Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung „PCEP™ - Certified Entry-Level Python Programmer” in englischer Sprache (ca. 4 Tage)



Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.