Datenpipeline für Wiener Kulturbetrieb-Analytics aufsetzen
Übersicht
Worum es bei diesem Projekt geht.
Baue eine Datenpipeline aus drei Ticketsystemen in ein Star-Schema mit dbt und DuckDB. Erstelle drei Reports als Notebooks. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich aus drei unterschiedlichen Ticketsystemen eine wöchentlich aktualisierbare, reproduzierbare Analytics-Basis schaffen, die ein zweiköpfiges Team eigenständig betreibt?
Earning criteria — what you'll demonstrate
- Heterogene Datenquellen in ein konsistentes Datenmodell überführen
- dbt als Werkzeug für reproduzierbare Transformationen einsetzen
- Pipeline-Dokumentation so schreiben, dass eine andere Person sie übernehmen kann
- Standard-Reports gegen ein klares Datenmodell aufsetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Applied Data Analysis and Practical Data Science
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Engineer
Eine reproduzierbare Pipeline aus drei Quellsystemen in ein sauberes Datenmodell zu überführen und übergabefähig zu dokumentieren ist die Kerntätigkeit einer Junior-Data-Engineerin.
Dieses Projekt schärft
- data-modeling
- sql
- reproducibility
Data Scientist
Auf einem sauberen Star-Schema aufzusetzen statt auf rohen Exporten ist die Grundlage seriöser Analytics — und eine Erfahrung, die Data Scientists früh machen sollten.
Dieses Projekt schärft
- data-wrangling
- sql
- documentation
MLOps Engineer
Idempotente Pipelines mit Tests und klarer Versionsverwaltung sind das Fundament, auf dem MLOps-Engineers später ML-Pipelines aufbauen.
Dieses Projekt schärft
- reproducibility
- python
- data-modeling
Noch eine Sache