Dataanalytiker
Utbildningen förbereder framtida dataanalytiker för att omvandla verksamhetens frågor till tydliga insikter som ger underlag för välgrundade beslut. Genom praktiska projekt lär sig de studerande att samla in, analysera och presentera data med Python, SQL och Power BI.
Utbildningen i korthet
Företag behöver tillförlitliga svar från data som finns i kalkylblad, databaser och externa system. Programmet utvecklar den praktiska förmågan att förbereda dessa data, undersöka en verksamhetsfråga och förklara resultatet för kollegor som behöver använda det.
Relevanta yrkesroller
Junior dataanalytiker, rapporteringsanalytiker och roller som stödjer dataförberedelse, analys och verksamhetsrapportering.
Lärandemål
- Översätta en verksamhetsfråga till en analysplan, relevanta mått och nödvändiga datakällor.
- Skriva läsbar Pythonkod och strukturera en analys i återanvändbara funktioner och notebooks.
- Hämta och kombinera data från CSV-filer, SQL-databaser och API:er.
- Använda Pandas för att granska, rensa, filtrera, sammanfoga och aggregera datamängder samt kontrollera saknade värden och inkonsekvenser.
- Skapa tydliga diagram med Pandas och Matplotlib och förklara resultat, antaganden och begränsningar.
- Bygga interaktiva rapporter i Power BI med Power Query, en tydlig datamodell och DAX-mått.
- Leverera en reproducerbar analys med Jupyter, Git och GitHub och samarbeta kring förbättringar.
Centrala tekniker
Python · Pandas · SQL · Matplotlib · Power BI · Jupyter · Git/GitHub
Förväntad självständighet
Efter utbildningen ska den studerande kunna genomföra en avgränsad analysuppgift i ett team: precisera frågan, förbereda data, undersöka mönster och presentera underlag med granskning. Personen ska kunna upptäcka otillförlitliga indata och söka stöd när underlaget inte räcker för en slutsats.
Innehåll och upplägg
Programmeringsgrunder med Python
Huvudsakligt innehåll
Bygga en grund i programmering och logisk problemlösning. Arbeta med variabler, datatyper, villkor, loopar, funktioner och grundläggande objektorienterade begrepp. Öva på att dela upp problem i små, testbara steg.
Lärandemål
- Skriva, köra och felsöka läsbara Pythonprogram.
- Använda kontrollflöde, funktioner och lämpliga datastrukturer för att lösa en definierad uppgift.
- Förklara hur enkla klasser och objekt samlar relaterade data och beteenden.
Arbeta med data i Python
Huvudsakligt innehåll
Gå från enskilda programmeringsövningar till strukturerade datamängder. Läsa vanliga dataformat, granska poster och datatyper, identifiera kvalitetsproblem och strukturera förberedelserna i repeterbara steg.
Lärandemål
- Läsa in och granska en datamängd samt beskriva dess struktur och datatyper.
- Upptäcka saknade värden, inkonsekventa format och dubbla poster.
- Separera rådata, bearbetningssteg och utdata så att analysen kan köras om.
Dataanalys med Pandas
Huvudsakligt innehåll
Använda DataFrames i Pandas för att utforska och bearbeta data. Öva på filtrering, sortering, kolumnurval, hantering av saknade värden, sammanfogning av datamängder och gruppering till meningsfulla sammanställningar.
Lärandemål
- Filtrera och bearbeta data för att besvara en specificerad analysfråga.
- Kombinera relaterade datamängder och kontrollera att sammanfogningar inte oväntat tappar bort eller mångdubblar poster.
- Beräkna grupperade antal, summor och medelvärden och kontrollera hur resultatet har tagits fram.
- Bygga ett läsbart analysflöde som går att underhålla och granska.
Datavisualisering och kommunikation
Huvudsakligt innehåll
Skapa visuella förklaringar med Pandas och Matplotlib. Koppla varje diagram till en fråga, välja en lämplig framställning och förbättra läsbarheten med etiketter, enheter, rubriker och layout. Kombinera diagram med kortfattad skriftlig tolkning.
Lärandemål
- Skapa lämpliga linje-, stapel-, fördelnings- eller sambandsdiagram från förberedda data.
- Göra diagram begripliga med tydliga etiketter, skalor, enheter och rubriker.
- Förklara observerade mönster och skilja underlag från antaganden.
- Presentera resultat och begränsningar för en icke-teknisk målgrupp.
Databaser, filer och API:er
Huvudsakligt innehåll
Hämta data från CSV-filer, relationsdatabaser och externa API:er. Använda SQL för urval, filtrering, sammanfogning och sammanställning av poster och föra resultaten vidare till en analys i Python. Dokumentera antaganden om källorna och kontrollera att rätt data har hämtats.
Lärandemål
- Skriva SQL-frågor som hämtar och kombinerar de poster som behövs för en analys.
- Importera CSV-data och omvandla API-svar till användbara tabelldata.
- Kombinera källor och kontrollera identifierare, format och fullständighet.
- Dokumentera varifrån data kommer och hur den har hämtats.
Power BI och verksamhetsrapportering
Huvudsakligt innehåll
Använda Power BI för att omvandla förberedda data till interaktiva verksamhetsrapporter. Arbeta med Power Query, relationer mellan tabeller, DAX-mått och visualiseringar som hjälper kollegor att undersöka en verksamhetsfråga.
Lärandemål
- Importera och bearbeta data med Power Query.
- Bygga en datamodell med lämpliga relationer och DAX-mått.
- Skapa interaktiva rapporter med relevanta visualiseringar och filter.
- Kontrollera rapportens siffror mot källdata och förklara resultaten för verksamhetens intressenter.
Projektbaserad dataanalys
Huvudsakligt innehåll
Tillämpa analysflödet på verkliga datamängder från olika områden: formulera en fråga, förbereda underlaget, analysera det och kommunicera resultatet. Projekt löper genom utbildningen och ökar i komplexitet när kunskaperna utvecklas.
Lärandemål
- Planera en analys utifrån en verksamhetsfråga och tydliga kriterier för resultatet.
- Genomföra ett helt arbetsflöde med dokumenterad dataförberedelse och kvalitetskontroller.
- Bearbeta en analys efter återkoppling och förklara hur ändringarna påverkar resultatet.
Jupyter, Git och samarbete
Huvudsakligt innehåll
Använda Jupyter för utforskning och rapportering, Git för versionshantering och GitHub för att dela och granska projektarbete. Dessa arbetssätt introduceras tidigt och används i uppgifter och projekt genom utbildningen.
Lärandemål
- Strukturera notebooks så att en annan analytiker kan följa kod, förklaringar och resultat.
- Spåra ändringar med Git och dela ett projekt via GitHub.
- Dokumentera beroenden, indata och körinstruktioner för en reproducerbar överlämning.
- Samarbeta kring ändringar och hantera återkoppling från granskning konstruktivt.
Lärande i arbete (LIA)
Huvudsakligt innehåll
Tillämpa analysflödet på en arbetsplats med handledning: förbereda verkliga datamängder, bidra i analys eller rapportering och samarbeta med analytiker, utvecklare och verksamhetsrepresentanter. Uppgifter väljs utifrån lärandemålen och värdorganisationens behov.
Lärandemål
- Genomföra en överenskommen uppgift inom dataförberedelse, analys eller rapportering med handledning.
- Använda teamets arbetssätt och kommunicera framsteg och frågor.
- Dokumentera arbetet, omsätta återkoppling och förklara det praktiska resultatet.
Förkunskaper och målgrupp
Nybörjare och karriärbytare som vill arbeta med data, uppskattar logisk problemlösning och vill stödja verksamhetsbeslut. Progressionen börjar med programmeringsgrunder och leder vidare mot juniora analysuppgifter.
Behörighet och förkunskapskrav
- Engelska på en nivå som gör det möjligt att följa undervisning, läsa teknisk dokumentation och kommunicera analysresultat.
- Matematik på gymnasienivå som grund för beräkningar, mått och kvantitativa resonemang.
- Ingen tidigare erfarenhet av programmering eller dataanalys krävs; Python introduceras från grunden.
Förväntade kunskaper vid start
De studerande bör vara vana vid att hantera filer och använda en dator. Kännedom om procent, medelvärden, enkla formler och diagram är användbar.
Så omsätts kunskaperna i praktiken
Undervisning och studieupplägg
Lärarledda genomgångar introducerar varje område och följs av handledda övningar, kodutmaningar och allt mer självständiga projekt. De studerande arbetar med verkliga datamängder, får konkret återkoppling och övar på att förklara sitt arbete för andra. Jupyter, Git och GitHub används genom hela utbildningen.
Så visas kunskaperna
- Läsbar Pythonkod och en analys i Jupyter som kan köras om med dokumenterade indata.
- SQL-frågor och importer via API eller fil som hämtar rätt data.
- Bearbetning med Pandas med kontroller av saknade data, dubbletter, sammanfogningar och aggregeringsfel.
- Visualiseringar i Matplotlib med lämpliga diagramtyper, etiketter, enheter och tydlig skriftlig tolkning.
- En rapport i Power BI med dokumenterad dataförberedelse, kontrollerade relationer och mått samt användbara rapportinteraktioner.
- Ett versionshanterat projekt och en kort presentation som kopplar resultaten till den ursprungliga frågan.
Vill ni stödja utbildningen?
Motsvarar de här kunskaperna ert företags behov? Era perspektiv hjälper oss att göra utbildningen relevant för arbetslivet.
Ni behöver inte
- Undervisa eller ta fram kursmaterial.
- Anställa studerande.
- Ta emot LIA-studerande eller praktikanter.
- Delta i återkommande möten.
Så kan ni stödja oss
- Beskriv era nuvarande och framtida kompetensbehov.
- Ge kort återkoppling på innehåll och lärandemål.
- Bekräfta utbildningens relevans utifrån er egen bedömning.
Att ge er inledande återkoppling tar högst 1 timme.
Ge återkoppling och stöd utbildningen