Datenanalyse

Moderne Organisationen stützen sich auf datenbasierte Analysen, Prognosen und KI-gestützte Erkenntnisse.

Dieses CAS ist ein praxisnaher Einstieg in die moderne Data & AI Analytics. Sie lernen, Daten wirklich zu verstehen, zu analysieren und daraus belastbare Entscheidungen abzuleiten. Sie arbeiten mit Statistik, Machine Learning und generativer KI und entwickeln die Fähigkeiten, datenbasierte Fragestellungen in Unternehmen, Dienstleistung oder Forschung kompetent zu lösen.

Beginnen Sie Ihre Weiterbildung am 23. Oktober 2026.

Steckbrief

  • Titel/Abschluss Certificate of Advanced Studies (CAS) Data & AI Analytics
  • Dauer Herbstsemester: KW43 bis KW14
  • Unterrichtstage Donnerstag: 8.30–16.15 Uhr
    Vereinzelt andere Tage, siehe Stundenplan
  • Anmeldefrist 23. September
    9–24 Teilnehmer*innen
  • Anzahl ECTS 12 ECTS-Credits
  • Kosten CHF 7’850
  • Unterrichtssprache Deutsch
  • Studienort Biel, Aarbergstrasse 46 / Online
  • Departement Technik und Informatik
  • Nächste Durchführung Herbst 2026

Inhalt + Aufbau

Dieses CAS vermittelt Ihnen Wissen, Methoden und Werkzeuge aus Statistik, Informatik und Machine Learning für Ihre Datenanalyse.

Portrait

Moderne Organisationen – von Industrie über Dienstleistungen bis zur öffentlichen Verwaltung – stützen sich auf datenbasierte Analysen, Prognosen und KI-gestützte Erkenntnisse. Gleichzeitig verändert der rasante Fortschritt in der künstlichen Intelligenz die Art und Weise, wie Daten analysiert, interpretiert und genutzt werden. Damit wachsen auch die Anforderungen an Analyst*innen. Neben statistischem Verständnis benötigen sie heute Kompetenzen im Umgang mit modernen Analysewerkzeugen, generativer KI und datengetriebenen Entscheidungsprozessen. Sie stellen sicher, dass Daten korrekt interpretiert, Unsicherheiten eingeordnet und Ergebnisse klar kommuniziert werden.

Das CAS Data & AI Analytics vermittelt die zentralen Kompetenzen für eine praxisnahe und verantwortungsvolle Datenanalyse. Die Teilnehmenden lernen, Daten zu analysieren, Modelle zu entwickeln und Prognosen zu erstellen. Sie arbeiten mit aktuellen Analysewerkzeugen und wenden Methoden der Statistik und des Machine Learning an. Gleichzeitig zeigt das CAS, wie künstliche Intelligenz – insbesondere Large Language Models (LLMs) – sinnvoll und verantwortungsvoll in der Datenanalyse eingesetzt werden kann.

Ausbildungsziele

Die Teilnehmenden können

  • Daten aufbereiten, analysieren und reproduzierbare Workflows erstellen
  • effizient und sicher mit der Sprache R arbeiten
  • Statistische Methoden und Hypothesentests für fundierte Datenanalysen einsetzen
  • Prognose- und Machine-Learning-Modelle entwickeln, validieren und interpretieren
  • Daten mit Visualisierung und Data Storytelling verständlich kommunizieren
  • Generative KI und LLMs verantwortungsvoll in Analyse- und Entscheidungsprozesse integrieren
  • Datenqualität, Data Governance und Datenstrategien im Analysekontext einordnen

Es werden folgende Gebiete besprochen:

  • Werkzeuge und Workflows in der Datenanalyse mit R
  • Datenanalyse mit generativer KI
  • Statistische Methoden der Datenanalyse
  • Modellierung und Prognosen
  • Visuelle Datenexploration & Data Storytelling
  • Datenanalyse mit Machine Learning
  • Data Governance & Strategy 
  • Projekt / Semesterarbeit

Werkzeuge und Workflows in der Datenanalyse mit R

Der Kurs fokussiert sich auf die praktische Arbeit am Code:

  • R als Werkzeug: Einführung in die Grundlagen der Sprache (Vektoren, Dataframes, Datentypen) und das Arbeiten in der RStudio-IDE.
  • Data Wrangling mit dplyr: Filtern, Selektieren, Transformieren, Aggregieren und Verknüpfen von Daten.
  • Datenakquise & Import: Strategien, um Daten in R verfügbar zu machen. Dies umfasst den Import klassischer Formate (insb. Excel, CSV) sowie den direkten Zugriff auf externe Datenquellen über Schnittstellen (APIs).
  • Data Management & Workflow: Best Practices für Ordnerstrukturen, Projektmanagement in RStudio und Strategien für nachvollziehbare, robuste Analysen.

Datenanalyse mit generativer KI

1. LLM-Architektur & Prompt Engineering: Vom statistischen Wort-Vektor zum intelligenten Dialog.

  • Funktionsweise: Wie Large Language Models (LLMs) Sprache verarbeiten. Verständnis von Tokenisierung und Word Vectors (Embeddings).
  • Halluzinationen verstehen: Warum Modelle Dinge erfinden und wie man dies durch Verständnis der Architektur minimiert.
  • Prompting-Techniken: Zero-Shot vs. Few-Shot Prompting und Chain-of-Thought (CoT), um das «Reasoning» des Modells zu steuern.

2. Prompt-to-Data & Guardrails (Die Brücke zu R): Wie man KI-Output direkt in Analyse-Workflows integriert.

  • Structured Output: Erzwingen von Schemata (JSON, CSV, XML), um KI-Antworten direkt in R-Dataframes laden zu können (statt Textblöcke manuell zu kopieren).
  • Guardrails: Mechanismen zur Validierung des Outputs. Wie stelle ich sicher, dass die KI im definierten Format bleibt, keine schädlichen Inhalte generiert und fachlich korrekt «halluziniert»?

3. RAG & Multimodale Modelle Erweiterung der KI um Wissen und Sinne.

  • RAG (Retrieval-Augmented Generation): Das Zusammenspiel von Retriever- und Generator-Modellen. Wie KI-Systeme externes Wissen nutzen.
  • Hands-on mit NotebookLM
  • Text-zu-Bild: Funktionsweise von Diffusionsmodellen, Prompt Engineering und die Rolle von Trainingsdaten.
  • Text-zu-Video: Herausforderungen der zeitlichen Konsistenz über mehrere Frames hinweg und Vorstellung aktueller Tools (Google Veo).

4. KI-Agenten & Autonome Systeme:  Vom Chatbot zum handelnden System.

  • Definition & Autonomie: Abgrenzung zum Chatbot durch Planung, aktive Tool-Nutzung und Selbstständigkeit.

Statistische Methoden der Datenanalyse

  • Statistische Kennzahlen
  • Resampling-Verfahren und Monte-Carlo-Simulationen
  • Konfidenzintervalle
  • Statistische Tests

Modellierung und Prognosen

Regressionsanalyse:

  • Annahmen des linearen Regressionsmodells
  • Beurteilung der Regressionsgüte
  • Skalierung der Variablen
  • T-Test und F-Test für die Regressionskoeffizienten
  • p-Wert Interpretation
  • Standardfehler der Regression und der Koeffizienten
  • Fehler 1. Art und Fehler 2. Art beim Hypothesentest
  • Test auf lineare Restriktionen

Zeitreihenanalyse:

  • Imputationsverfahren
  • Glättungsverfahren:
    • gleitende Durchschnitte
    • exponentielle Glättung
    • Holt-Verfahren
  • Saisonbereinigung: additives und multiplikatives Modell
  • Regressionsverfahren mit Dummies

Visuelle Datenexploration & Data Storytelling

  • Bedeutung und Funktion von explorativer Datenanalyse und Datenvisualisierungen im «Epicycles of Analysis»
  • Techniken der Datenexploration mit R und ggplot2
    • «Grammar of Graphics»
    • Klassische univariate Techniken: Balken- und Kuchendiagramm, Histogramm, Boxplots
    • Bi- und multivariate Techniken: Streudiagramme, Techniken zum Vergleich von Verteilungen und zur Visualisierung von Entwicklungen über die Zeit, Mosaikplot, Correlogram und generalisierte Scatterplot-Matrizen, small multiples mit Trellis-Plots, Radar-Charts
    • Erkennen räumlicher Muster, Choroplethenkarte und Punkteverteilungskarten
  • Visualisierungen als Mittel der Kommunikation
    • Gestalt-Prinzipien der Datenvisualisierung und Einführung in visuelle Variablen
    • Kriterien effektiver Visualisierungstechniken, Data Storytelling
    • Theorie zu Nutzen und Techniken zur Gestaltung interaktiver Visualisierungen (gganimate, plotly); Einführung in Markdown in RStudio sowie R-Shiny zur Gestaltung von Datenvisualisierungsprodukten für Nichttechnikerinnen und Nichttechniker.

Datenanalyse mit Machine Learning

  • Explorative Datenanalyse (Wiederholung aus Deskriptive Statistik und Datenvisualisierung)
  • Datenaufbereitung (Feature Engineering) als Konsequenz aus den Erkenntnissen der Explorativen Datenanalyse und mit Sicht auf Machine Learning
  • Unüberwachtes Lernen, Methodenübersicht
  • Clustering
  • Dekomposition
  • Überwachtes Lernen, Methodenübersicht
  • Klassifikation
  • Regression
  • Validierung
  • Validierungstechniken
  • Performancemetriken

Data Governance & Strategy 

  • Konzepte und Begrifflichkeiten bezüglich Data Governance, Data Strategy und Data Management
  • Unterschiedliche Stufen der Interoperabilität (systemisch, syntaktisch, strukturell, semantisch)
  • Überblick «Data Management Framework» der «Data Management Association» (DAMA)
  • Rollenmodelle und Aufgaben der zuständigen Stellen bezüglich Data Governance
  • Zusammenhang zwischen Data Governance und Data Strategy: Ziele, strategische Nutzung von Daten und organisatorische Verankerung von Datenmanagement

Projektarbeit

Ablauf:

  • Info zum Ablauf und zum wissenschaftlichen Arbeiten (siehe Stundenplan)
  • Themeneingabe durch die Studierenden (Vorlage wird abgegeben)
  • Präsentation des Themas vor Gutachtergruppe (CAS-Leitung, Dozierende des CAS) mit Feedback und Besprechung
  • Zuordnung eines Betreuers/einer Betreuerin (Dozent*in des CAS und Externe)
  • Durchführung (2-3 Meetings mit Betreuer*in)
  • Abgabe Bericht
  • Präsentation der Arbeit im Plenum
  • Bewertung durch Betreuer*in
CAS | Datenanalyse

Kompetenzstufen

  1. Kenntnisse | Wissen
  2. Verstehen
  3. Anwenden
  4. Analyse
  5. Synthese
  6. Beurteilung
  • Kontaktunterricht
  • Selbststudium
  • Übungen

Prof. Dr. Michel Krebs
Fachgruppenleiter Methods + Tools, Dozent BFH

Prof. Dr. Oliver Hümbelin
Dozent BFH

Dr. Rudolf Farys
Wissenschaftlicher Mitarbeiter, Institut für Soziologie, Universität Bern
Lehrbeauftragter BFH

Prof. Dr. Raúl Gimeno
Dozent BFH

Violeta Vogel
Head of Service Data Archiving, Member of Extended Management Board, Schweizerisches Bundesarchiv BAR
Lehrbeauftragte BFH

Prof. Dr. Matthias Stürmer
Institutsleiter Public Sector Transformation
Dozent BFH

Dr. Lukas Schlittler
Wissenschafllicher Mitarbeiter FHNW
Wissenschaftlicher Mitarbeiter, Lehrbeauftragter BFH

Olivier Lehmann
Wissenschaftlicher Assistent, Lehrbeauftragter BFH

Titel + Abschluss

Certificate of Advanced Studies (CAS) in «Data & AI Analytics»

Voraussetzungen + Zulassung

Erfahren Sie, für welche Fachpersonen diese Weiterbildung konzipiert ist und welche Voraussetzungen Sie mitbringen sollten.

Voraussetzungen

Interesse an datenbasiertem Denken und Handeln. Grundverständnis analytischer Konzepte und Flair für mathematische Zusammenhänge und Gesetze. Bereitschaft zum Erlernen von R.

Zielpublikum

Das CAS richtet sich an Fachpersonen, die in ihrem beruflichen Umfeld datenbasierte Fragestellungen bearbeiten oder datenbasierte Entscheidungen treffen müssen:

  • Analyst*innen und wissenschaftliche Mitarbeitende aus Wirtschaft, Industrie, Verwaltung, NGOs
  • Mitarbeitende aus Forschung, Evaluation, Controlling oder Fachabteilungen
  • Fachpersonen aus Sozial-, Gesundheits- oder Bildungswesen
  • Informatiker*innen, die ihre analytischen Kompetenzen vertiefen wollen
  • Personen, die KI für die Datenanalyse einsetzen möchten

Der Lehrgang eignet sich sowohl für Einsteiger*innen mit analytischer Grundkompetenz als auch für Praktiker*innen, die ihre Kenntnisse in Statistik, Modellierung und KI auf den aktuellsten Stand bringen möchten.

Studiengänge richten sich an Personen mit einem Hochschulabschluss und Berufspraxis. Personen ohne Hochschulabschluss können zu Studiengängen zugelassen werden, wenn sich ihre Befähigung aus einem anderen Nachweis ergibt.

Infoveranstaltungen + Beratung

Sie haben Fragen zur Weiterbildung? An unseren Infoveranstaltungen beantworten der Studiengangsleiter, CAS-Leitende und Dozierende Ihre Fragen.

Studienort

Dieses CAS wird an der Aarbergstrasse 46 im Switzerland Innovation Park Biel/Bienne oder remote durchgeführt (bitte konsultieren Sie den aktuellen Stundenplan).

Switzerland Innovation Park Biel/Bienne (SIPBB)

Vielseitige Standortvorteile
 

  • Unterrichtsräume in zwei Minuten Gehdistanz vom Bahnhof Biel/Bienne
  • Ideale Zugsverbindungen im 15-Minuten-Takt ab Hauptbahnhof Bern und im 30-Minuten-Takt ab Bern Wankdorf (neue Linie Thun-Biel)
  • Modernste Infrastruktur im SIPBB-Neubau
  • Vielseitige Verpflegungsmöglichkeiten in unmittelbarer Nähe
  • Innovative Events und Networkinganlässe

Und noch dies…
 

  • Innovations-Hotspot Biel/Bienne
  • Hochschulstadt Biel/Bienne
  • Industrie- und Dienstleistungsstadt mit zahlreichen Leadern in den Bereichen der Uhren-, Maschinen-, Präzisions- und Medizinaltechnikindustrie sowie Vertretern der Kommunikations- und Telekommunikationsbranche
  • Unmittelbare Nähe zum Bielersee mit vielseitigem Sport- und Freizeitangebot
  • Gelebte Zweisprachigkeit
  • Kulturleben in allen Facetten

Biel Aarbergstrasse 46 (Switzerland Innovation Park Biel/Bienne)

Biel, Aarbergstrasse 46

Berner Fachhochschule

Technik und Informatik
Switzerland Innovation Park Biel/Bienne
Aarbergstrasse 46
CH 2503 Biel

Berner Fachhochschule

Technik und Informatik
Switzerland Innovation Park Biel/Bienne
Aarbergstrasse 46
CH 2503 Biel