Ihre Zahlen liegen in fünf Systemen, die nicht miteinander sprechen. In drei Tagen bauen Ihre Leute den Weg von diesen fünf Systemen zu einer Kennzahl, die jede Nacht von selbst entsteht — und die man in einer Sitzung verteidigen kann.
3 Tage
09:00–17:00, Präsenz
6 bis 12 Personen
ein Team, ein Fall
Python-Grundlagen
mehr braucht es nicht
Ihre Daten ab Tag 1
eigene Quellen im Kurs
Antwort innerhalb von einem Arbeitstag.
Wofür dieses Training gemacht ist
Es gibt in fast jedem technischen Bereich eine Person, die „das mit den Daten macht“. Sie exportiert aus dem MES, zieht eine Liste aus SAP, öffnet den Schichtplan in Excel, kopiert alles in ein Notebook und rechnet eine Zahl aus. Die Zahl stimmt meistens. Reproduzieren kann sie niemand sonst, und wenn die Person in den Ferien ist, steht die Auswertung still.
Der Kurs setzt genau dort an: nicht bei den Grundlagen von Python, sondern bei dem Schritt danach — von der einmaligen Auswertung zur Pipeline, die morgen früh jemand anders abfragen kann.
- Verstreute Quellen anzapfen — SQL-Datenbanken, SAP-Exporte, Excel-Dateien mit verschobenen Kopfzeilen, Ordner mit sechzig Tagesdateien, REST-APIs mit Paginierung, SharePoint-Listen.
- Bereinigung als Code schreiben, die auch dann noch läuft, wenn die Quelle sich ändert — und die laut scheitert, statt still falsche Zahlen zu liefern.
- Ein kleines Data Warehouse bauen, das einmal rechnet und oft gelesen wird, mit einem Qualitätstor vor jedem nächtlichen Neuaufbau.
- Kennzahlen definieren, bevor sie sie rechnen — und die Definition in einem Test festhalten, den jemand prüfen kann.
- Ergebnisse hergeben: ein Streamlit-Cockpit für die Kolleginnen, geplante Läufe, Protokolle statt
print - Den KI-Assistenten einsetzen und kontrollieren — inklusive der Fehlerklasse, die er zuverlässig produziert und die keine Fehlermeldung erzeugt.
Die drei Tage
Ein durchgehender Fall über alle drei Tage. Vormittags arbeiten wir gemeinsam am Code — live, mit Fehlern, die absichtlich passieren. Nachmittags arbeiten die Teilnehmenden selbst, ab Tag 1 an den eigenen Quellen.
Tag 1
Von der Quelle zur verlässlichen Tabelle
Welches Werkzeug für welche Aufgabe — und wie man an Daten kommt, die niemand für eine Auswertung vorgesehen hat.
- 09:30Abgrenzung Excel, Power Query M, Power BI und Python: ein Entscheidungsraster, das Sie Ihrem Vorgesetzten zeigen können
- 10:45Quellen anzapfen: SQL mit Pushdown, SAP-CSV, Excel über mehrere Blätter, Ordner, API mit Rate-Limit, SharePoint, DLL-Zugriff
- 12:45Bereinigung als Code: Schema-Verträge, die vier typischen Defekte, Neuerungen in pandas 3.0
- 14:00Lab: die eigene Quelle anbinden, mit Sprechstunde
Tag 2
Von der Tabelle zur Kennzahl, der man glaubt
Der anspruchsvollste Tag. Aus einem Notebook wird ein Paket mit Tests, aus Zahlen werden Kennzahlen mit Definition.
- 09:30Data Warehouse light: staging und mart, materialisieren oder View, das Qualitätstor vor dem nächtlichen Lauf
- 11:00Live-Refactoring in vier Zügen: aus einer Zelle wird eine Funktion, aus der Funktion ein Paket, dann der erste Test — und er findet sofort etwas
- 12:45Kennzahlen mit Aussage: drei korrekte Definitionen derselben Grösse, Ausbeutekennzahlen, Pareto, Fallzahlen
- 14:00Independent Analytics Lab — ohne Trainer im Raum
Tag 3
Vom Ergebnis zur Wirkung
Was aus der Auswertung wird, wenn sie den eigenen Rechner verlässt. Und die Planung für den eigenen Anwendungsfall.
- 09:00Debrief des Labs, Code-Review zu zweit
- 09:45Automatisierung und Betrieb: Zeitsteuerung, Power Automate, Zugangsdaten, Protokollierung
- 11:00Teilen: Streamlit-Cockpit, Bereitstellung im Haus, ehrlicher Vergleich mit Power BI
- 12:45Wann sich ein Modell lohnt — und wann ein Schwellenwert reicht. Transferplan für den eigenen Fall
- 14:00Lab: der eigene Fall, Kurzpräsentationen zum Schluss
Der Nachmittag, an dem niemand hilft
Am zweiten Tag verlässt der Trainer um 14:00 den Raum. Drei Stunden lang arbeiten die Teilnehmenden allein an sechs Missionen — an derselben Datenlage, die sie am Vormittag kennengelernt haben.
Statt eines Trainers gibt es ein Selbstkontroll-Skript mit vierzehn Prüfpunkten, gestufte Hinweise von Denkanstoss bis Lösungsweg, und die Nachbarin. Im Datensatz versteckt liegt ein Qualitätseinbruch, den niemand angekündigt hat. Wer ihn findet, hat dafür drei Werkzeuge gebraucht und eine Freitextspalte, in die kein Analysewerkzeug jemals schaut.
Das ist die einzige Übung, die zählt: Am Donnerstag im Büro sitzt auch niemand daneben.
$ python lab/check.py M1 Datenbank anzapfen bestanden M2 Vier hässliche Quellen bestanden M3 Die API mit dem Rate-Limit bestanden M4 Bereinigungspipeline 3 von 4 offen M5 Kennzahlen mit Definition offen M6 Der Befund offen [████████░░░░░░] 6 von 14Warum ein Präsenzkurs, wenn es Claude und Copilot gibt
Eine berechtigte Frage, und der Kurs beantwortet sie nicht mit Behauptungen, sondern im Aufgabendesign. KI-Assistenten sind ausdrücklich erlaubt und im Konzept vorausgesetzt — die Teilnehmenden arbeiten damit, wie sie am Dienstag um halb fünf auch damit arbeiten würden.
Und dann kommen die Stellen, an denen das nicht reicht:
Die Gruppe lässt sich eine API-Anbindung generieren und ruft sie viermal auf. Es kommen vier verschiedene Zeilenzahlen heraus. Keine Funktion wirft einen Fehler.
Eine Station wird im April umbenannt — derselbe Prozessschritt, zwei Codes. Kein Werkzeug findet das. Wer es übersieht, bekommt zwei sauber gerechnete, korrekt formatierte, vollkommen unbrauchbare Werte.
Dieselbe Kennzahl hat drei vertretbare Definitionen. Alle drei sind richtig gerechnet. Welche gilt, weiss Ihr Fachbereich — nicht das Modell.
Ihr Fall, nicht unserer
Ihr Fall, nicht unserer
Der mitgelieferte Fall kommt aus der Fertigung: neun Prüfstationen, fünf getrennte Quellen, ein Jahr Produktionsdaten, rund 158’000 Prüfschritte und eine Ausbeutekennzahl, die niemand verteidigen kann. Er ist vollständig lauffähig und braucht keine Daten von Ihnen.
Für Gruppen ausserhalb der Fertigung tauschen wir ihn aus — Labordaten, Messreihen, Prozessdaten, Logistik, Finanzkennzahlen. Der didaktische Aufbau bleibt, der Datengenerator ändert sich. Sagen Sie uns in der Anfrage, womit Ihr Team tatsächlich arbeitet.
Unabhängig davon bringen die Teilnehmenden ab Tag 1 nachmittags ihre eigenen Quellen mit. Am dritten Tag arbeitet jede Person an ihrem realen Anwendungsfall und stellt ihn der Gruppe vor.
- Lauffähiges Übungspaket mit Datengenerator, Beispieldatenbank, Mock-API, SQL-Dateien, Tests und Musterlösung — bleibt nach dem Kurs im Haus.
- Selbstkontroll-Skript mit vierzehn Prüfpunkten und gestuften Hinweisen.
- Lab-Handout und beide Foliensätze als Nachschlagewerk.
- Teilnahmebestätigung von 42scientific
- Optional: Vertiefung zu Clustering und Ausreissererkennung (Frühwarnung ohne Ausfall-Labels) als halber Zusatztag
- Optional: Folgetermin nach vier bis sechs Wochen, zwei Stunden remote, an den Ergebnissen aus dem Haus — die wirksamste Ergänzung zum Kurs.
Rahmen und Voraussetzungen
Format
Präsenztraining in Ihrem Haus. Drei aufeinanderfolgende Tage, 09:00 bis 17:00 — vormittags mit Trainer, nachmittags eigenständige Laborzeit.
Gruppengrösse
6 bis 12 Teilnehmende.
Vorkenntnisse
Python-Grundlagen: Skripte lesen und anpassen, pandas oberflächlich kennen. Kein Vorwissen zu SQL, Tests oder Data Warehouses nötig.
Technik
PEin Rechner pro Person mit lokaler Python-Installation und Administrationsrechten für Pakete. KI-Coding-Assistent erwünscht. Beamer oder grosser Bildschirm, Flipchart. Für den Fall gesperrter Installationen liegt eine vorbereitete Kursumgebung bereit.
Eigene Daten
Ausdrücklich erwünscht ab Tag 1, Nachmittag. Ein Auszug genügt; es muss nichts das Haus verlassen.
Ort
Schweiz, Deutschland, Österreich. Andere Standorte auf Anfrage.
Wahrscheinlich mehr als sonst. Der Kurs unterrichtet keine Sprachgrundlagen — Schleifen, Listen und DataFrames werden vorausgesetzt. Es geht um das, was zwischen „läuft bei mir“ und „läuft jede Nacht und jemand anders vertraut dem Ergebnis“ liegt: Modularität, Tests, Warehouse, Betrieb, Übergabe.
Nein, und der Kurs tut auch nicht so. Ein ganzer Block an Tag 1 und ein weiterer an Tag 3 behandeln die Abgrenzung zwischen Excel, Power Query M, Power BI und Python — mit einem Entscheidungsraster statt einer Empfehlung. Ein häufiges Ergebnis im Haus: Python rechnet, Power BI zeigt.
Sie sollen sogar. Der Kurs ist um diese Realität herum gebaut. Die Regel dazu lautet: Für jede Funktion, die Sie abgeben, müssen Sie in einem Satz sagen können, warum sie richtig ist — nicht, dass sie durchläuft. Mehrere Übungen sind so konstruiert, dass generierter Code plausibel aussieht und trotzdem falsche Zahlen liefert.
Ja, und das ist der Teil mit dem grössten Ertrag. Ab Tag 1 nachmittags binden die Teilnehmenden ihre eigenen Quellen an, am dritten Tag arbeiten sie vollständig am eigenen Fall. Die Daten bleiben dabei in Ihrem Netz; es wird nichts hochgeladen oder mitgenommen.
Sagen Sie es früh, dann klären wir es vor dem Kurs. Für gesperrte Umgebungen gibt es eine vorbereitete Kursumgebung, und für die Bereitstellungsthemen an Tag 3 einen Rückfallpfad ohne eigenen Serverbetrieb. Ungeklärt ist das der häufigste Grund, warum ein Kurstag an Substanz verliert.
Der Kurs ist für ein Team im selben Raum konzipiert — der trainerfreie Nachmittag und das Peer-Review leben davon. Für offene Termine und Remote-Varianten fragen Sie uns an; wir sagen Ihnen ehrlich, was dabei verloren geht.
Training bei Ihnen vor Ort anfragen
Je mehr Sie über Ihre Datenlage schreiben, desto konkreter fällt die Antwort aus. Sie erhalten innerhalb von zwei Arbeitstagen eine Rückmeldung mit Terminvorschlägen und einem Angebot — und, falls sinnvoll, den Vorschlag für ein kurzes Vorgespräch.
