Data Science im Finanzwesen

Kompetenzziele

• Finanzdaten aus unterschiedlichen Datenquellen per SQL zusammenführen und strukturieren
• Forecasting mit statistischen Modellen für Größen der Finanzplanung umsetzen
• Machine Learning zur Verbesserung von Finanzprognosen einsetzen
• Modelle zur Risikobewertung aufbauen und deren Ergebnisse einordnen
• Finanzwirtschaftliche Kennzahlen mit Python und Power BI aufbereiten
• Reports und Dashboards für Controlling und Finanzplanung entwickeln

Themen und Zusammenhänge

Das Finanzwesen lernen heißt in dieser Weiterbildung, es aus der Datenperspektive zu betrachten. Ausgangspunkt sind SQL und Datenbanken im Finanzkontext sowie die Strukturierung von Finanzdaten aus verschiedenen Quellen. Darauf bauen Forecasting-Verfahren auf, die statistische Prognosemethoden mit Machine Learning kombinieren, sowie Modelle zur Risikobewertung.

Python und Power BI verbinden Analyse und Darstellung: Finanzwirtschaftliche Kennzahlen werden berechnet, visualisiert und zu Reports und Dashboards verdichtet, die Entscheidungsprozesse in Controlling, Risikomanagement und Finanzplanung unterstützen. Im Projekt entsteht ein eigenes Prognosemodell auf Basis realer Finanzdaten, ergänzt um eine datenbasierte Bewertung von Risiken. Die Weiterbildung im Finanzwesen setzt damit an der Schnittstelle von Finanzfachwissen und Data Science an.

Berufliche Perspektiven

Einsatzfelder liegen im Finanzwesen von Unternehmen, Banken und Versicherungen, insbesondere in Controlling, Risikomanagement und Finanzplanung.

• Controller:in bzw. Financial Analyst für Prognosen und Finanzkennzahlen
• Risikomanager:in bzw. Risk Analyst für datenbasierte Risikobewertung
• Finanzplaner:in im Unternehmen für Forecasts und Planungsrechnungen
• Data Scientist im Finanzbereich für Prognosemodelle