Lernfeld nur FI-Berufe | |
| Lernfeld | 11c | Lernfeld Titel | Prozesse analysieren und gestalten |
|---|---|
| Lernfeld Stunden | 77 |
| Kernkompetenz | Die Schülerinnen und Schüler verfügen über die Kompetenz, durch Prozess- und Datenanalyse digitale Geschäftsmodelle zu entwickeln |
| Erwartete Handlungskompetenz am Ende der Berufsausbildung in Anlehnung an ausgewählte Berufsbildpositionsbeschreibungen | Die Schülerinnen und Schüler nutzen Programmiersprachen mit integrierten Auswertungsverfahren und Visualisierungswerkzeugen zur Analyse von betriebs- und produktionswirtschaftlichen Geschäftsprozessen unter Einbezug von analytischen und statistischen Verfahren und bereiten die Ergebnisse der Analyse für unterschiedliche Zielgruppen auf. Sie prüfen die Daten auf Qualität, Plausibilität, Quantität, Redundanz, Vollständigkeit sowie Validität und schlagen bei Abweichungen vom Sollzustand Maßnahmen, insbesondere zur Verbesserung der Datenqualität, vor. Sie legen Programmspezifikationen und Schnittstellen fest und leiten Datenmodelle und Strukturen aus fachlichen Anforderungen ab. Sie organisieren und speichern Daten in unterschiedlichen Datenbankmodellen und erstellen Abfragen. Sie wählen Programmiersprachen aus und wenden unterschiedliche Programmiersprachen an. Sie formulieren Algorithmen und erstellen in einer Programmiersprache dokumentierte Anwendungen. Sie begleiten und unterstützen die Kunden während des Veränderungsprozesses, nutzen die aufbereiteten Analyseergebnisse zur Optimierung der betriebs- sowie produktionswirtschaftlichen Geschäftsprozesse indem sie Werkzeuge der Prozessoptimierung vergleichen und vorschlagen. Sie reflektieren die eigene Vorgehensweise sowie die Aufgabendurchführung im Team und wirken bei der Verbesserung der Arbeitsprozesse mit. |
| Zielformulierung/Kompetenzen aus Handlungsfeld | 1 Die Schülerinnen und Schüler leiten aus einer kundenspezifischen Prozessdarstellung den zur Digitalisierung des Prozesses benötigten Informationsfluss ab. Dabei analysieren sie bereits vorhandene Prozessdaten mit einem vorgegebenen Auswertungsverfahren. |
| 2 Sie planen mögliche technische Lösungen zur Digitalisierung des Prozesses und wählen auch unter betriebswirtschaftlichen Gesichtspunkten eine Umsetzungsvariante aus. | |
| 3 Die Schülerinnen und Schüler implementieren die gewählte Lösung für den digitalisierten Prozess und dokumentieren diese, auch fremdsprachlich, für die Kunden. | |
| 4 4 Sie begleiten die Kunden bei der Prozesstransformation, bewerten gemeinsam mit ihnen das Ergebnis und passen die Prozessdarstellung an. | |
| 5 Sie reflektieren die Prozessgestaltung hinsichtlich ökonomischer und ökologischer Aspekte. | |
| Exemplarische Lernsituation zu Kompetenzen | 1-6 Die Schülerinnen und Schüler arbeiten in einem Unternehmen, das Data-Mining und Maschinelles Lernen als Dienstleistung anbietet. Das mittelständische Unternehmen stellt den Kunden Verkaufsdaten und Artikeldaten zur Verfügung. Dazu erhalten die Schülerinnen und Schüler den Auftrag die Datenbasis zu analysieren und wesentliche Ergebnisse grafisch darzustellen. Zur Optimierung der Ergebnisse können weitere Datenquellen ergänzt bzw. zusätzlich integriert werden. |
| Mögliche Handlungsprodukte | Interaktive Webapplikation zur Datenanalyse, basierend auf der Programmiersprache R Dynamische und interaktive Dashboards, z.B. erstellt mit Klipfolio, Datapine Datenberichte, z.B. erstellt mit Cyfe Applikationen zu statistischen Auswertungen mit Python (Erweiterungen) UML-Diagramme Übersicht über freie und kommerzielle Datenquellen Analysen der Kundendaten und entsprechende Visualisierungen |
| Inhaltliche Orientierung | Allgemein Algorithmen im Alltag, Funktionsweise von Algorithmen, Prescriptive, Predictive, Descriptive und Automatisierte Analytik, Statistikwerkzeuge (z.B. Programmiersprache R, Python mit entsprechenden Erweiterungen) Algorithmic accountability (Rechenschaft für Rechenverfahren) & Reverse Engineering (technische, rechtliche und zivilgesellschaftliche Ansätze), Accountability (Art. 5 Abs. 2 DSGVO: Verantwortlichkeit des „data controller“ für die Einhaltung von Art. 5 Abs. 1 DS-GVO (Rechtmäßigkeit, Verarbeitung nach Treu und Glauben, Transparenz, Variabilität, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität und Vertraulichkeit) Herkunft der Daten: z.B. Industrie 4.0, ERP-Systeme, Dateisysteme und Datenbanksysteme, Wissensdatenbanken Charakteristika von Big Data: z.B. Volume – Menge der verfügbaren Daten, Velocity – Geschwindigkeit der Datenverarbeitung, Variety – vorhandene Datenformate, Datenformate transformieren, Datenqualität, Viralität (Bedrohung durch (viren)manipulierte Daten) Voraussetzungen bei Hard- und Software, Univariate Betrachtung, Bestimmung der Datenqualität, Interpretation der Daten, Diagramme, Lagemaße, Streumaße; Zusammenhänge, Muster, Ursachen Bivariate und multivariate Analysen für das Erkennen einfacher Zusammenhänge und Abhängigkeiten zwischen zwei Merkmalen, Clusteranalyse, Lineare Modelle, Assoziationsanalyse, Ausreißeridentifikation, Verfahren und Möglichkeiten multivariater Betrachtungen komplexer Zusammenhänge, Erstellen von Zeitreihenanalysen, Visualisieren und Kommunizieren von Ergebnissen Visualisierungswerkzeuge GNU R, Tabellenkalkulationsprogramm, Plotly, MatplotLib und andere Bibliotheken zur Visualisierung Diagrammtypen: Liniendiagramme, Säulendiagram, Pie chart, Histogramme, Diagramme zur Korrelationsanalyse Merkmale der Diagrammdarstellung: Wahrheitsgehalt, Aussagekraft, Proportionen, Anordnung und Sortierung, Ästhetik |