Datenmanagement - Data Steward

Das Ziel des ersten Moduls besteht in der Optimierung der Datenverwaltung. In diesem Abschnitt wird Data Governance als funktionsübergreifender Rahmen für die Verwaltung von Daten als strategisches Gut vorgestellt. Das übergeordnete Ziel von Data Excellence besteht darin, den Wert der vorhandenen Daten bestmöglich zu maximieren. Die Bereitstellung und Qualitätssicherung von Datenbeständen sowie der zugehörigen Metadaten werden dabei in verschiedene Phasen eines "Datenlebenszyklus" unterteilt und die Ansätze, die in diesem Rahmen Anwendung finden, werden erörtert. Zudem wird im Rahmen dieses Moduls auf die rechtlichen Belange des Datenschutzes und der Informationssicherheit eingegangen. 

Nach Absolvierung des Moduls können die Studierenden:   

• Daten im Unternehmen organisieren, um sicherzustellen, dass sie qualitativ hochwertig und effektiv verwaltet werden, sowie eine Datenkultur fördern.  

• Auswirkungen der Informationssicherheit, des Datenschutzrechts und des Urheberrechtsrechtes einschätzen die Rolle des Data Steward im Kontext Data Governance beurteilen.  

• Aus Sicht der Fachdatenperspektive eine Data Excellence Strategie ableiten.  

• gängige Datenarchitekturen und Werkzeuge zur Umsetzung von ETL-Prozessen auswählen.  

• die (Meta-)Datenqualität durch Verwendung von Qualitätsmetriken bewerten. 

Das Ziel des zweiten Moduls besteht in der Steigerung der technischen Kompetenz. Ein besonderer Schwerpunkt liegt hierbei auf der Datenmodellierung in einem organisatorischen Umfeld sowie der damit einhergehenden Verarbeitungslogik. Des Weiteren werden architektonische Überlegungen zur Datenhaltung und den zugrundeliegenden Modellen behandelt. Modul 2 widmet sich auch der Integration und dem Einsatz von Big-Data-Systemen in einer Unternehmens- oder Organisationsumgebung sowie der Datenerfassung und -verarbeitung im IoT (Internet der Dinge) und anderen eingebetteten Systemen. 

Nach Absolvierung des Moduls können die Studierenden:  

• Datenmodelle und Architekturen entwerfen, die am besten für die Verarbeitung der vorhandenen Daten, einschließlich Big Data oder Echtzeitdaten, geeignet sind.  

• aus einem gegebenen relationalen Datenmodell ein für die technische Implementierung geeignetes relationales Datenbankschema erstellen.  

• Moderne (Meta-) Datenspeichermanagementsystemen auswählen.  

• Kernkonzepte wie DWH, Data Mesh oder Data Lake einschätzen.  

• Grundkonzepte der Datenerfassung in IoT und Embedded Systems beurteilen. 

Das Ziel des dritten Moduls besteht darin, das betriebswirtschaftliche Verständnis von Daten zu fördern. Ein besonderer Fokus wird dabei auf Entscheidungsprozesse in Unter-nehmen und Organisationen gelegt, welche auf internen und externen Daten basieren. Um die Entscheidungsfindung bestmöglich zu unterstützen, wird ein besonderes Augenmerk auf statistische Methoden gelegt, beginnend mit der Datenerhebung bis hin zur Datenanalyse. Des Weiteren werden das Potenzial von Visualisierungen zur Analyse und Kommunikation von Daten erläutert und ein erweitertes Spektrum an Visualisierungstechniken vor-gestellt. Dabei wird der Gender- und Diversity-Aspekt besonders berücksichtigt. Zudem werden Informationen zu Deep Learning und der Verarbeitung natürlicher Sprache und den dafür benötigten Daten bereitgestellt. 

Nach Absolvierung des Moduls können die Studierenden:   

• Daten visualisieren, um Entscheidungsfindung und Deep-Learning-Projekte zu unterstützen.  

• quantitative Daten, welche z.B. durch einen Fragebogen erhoben worden sind, für die Datenanalyse vor- und aufzubereiten  

• geeignete Visualisierungstechniken für die vorliegenden Daten, Zielgruppen und Aufgaben unter Berücksichtigung von Gender & Diversity Aspekten auswählen.  

• Prozesse zur Erstellung von Machine Learning Projekten definieren.   

• grundlegende Konzepte neuronaler Netze einschätzen. 

Das Ziel des vierten Moduls besteht darin, die bisher vermittelten theoretischen Konzepte in konkrete Umsetzungsprojekte zu überführen, die möglichst aus den Unternehmen oder Organisationen der Studierenden stammen sollten. 

Nach Absolvierung des Moduls können die Studierenden:   

• Betriebswirtschaftliche Problemstellungen strukturieren, indem Praxisbeispiele genutzt, Daten gesammelt und entsprechende Analysen entwickelt werden.  

• Datenmanagementpläne in Ihrer Organisation einführen und leben, damit Daten auch nach Projekteende gefunden und weiterverwendet werden können.  

• Daten aus dem eigenen Unternehmen oder externe Daten mittels Datenpipelines und Analyseprozessen so zu gestalten, damit fundierte datengestützte Entscheidungen getroffen werden können.