BIN101: Data Engineering

Lernpfad Daten und Künstliche Intelligenz

BIN101: Data Engineering

Kurzporträt BIN101: Data Engineering
Worum geht es? Das Modul behandelt den Aufbau verlässlicher Dateninfrastrukturen. Die Studierenden modellieren Daten, arbeiten mit relationalen und NoSQL-Datenbanken und entwickeln Pipelines, die Daten aus unterschiedlichen Quellen aufnehmen, transformieren und bereitstellen. Dabei spielen Qualität, Sicherheit, Governance und automatisierte Betriebsprozesse eine zentrale Rolle.
Wofür braucht man es? Data Engineering ist die Grundlage für datengetriebene Anwendungen, Reporting, Data Science und KI-Systeme. Wer Daten zuverlässig speichern, integrieren und aufbereiten kann, schafft belastbare Voraussetzungen für Analysen und Entscheidungen. Die Kompetenzen werden in Softwareprojekten, Plattformteams, Analytics-Umgebungen und betrieblichen Datenarchitekturen benötigt.
Wieso ist es interessant? Daten wirken oft erst dann wertvoll, wenn sie in der richtigen Form, Qualität und Geschwindigkeit verfügbar sind. Das Modul zeigt, wie aus verstreuten Rohdaten belastbare Datenprodukte entstehen. Besonders spannend ist die Verbindung aus Modellierung, Programmierung, Automatisierung und praktischer Verantwortung für sichere Datenflüsse.
Modulverantwortung

Prof. Dr. Klaus Weidenhaupt

Lehrperson(en)

Prof. Dr. Klaus Weidenhaupt

Verwendbarkeit

Bachelor Informatik

Fächergruppe

Informatik

Modultyp
Pflicht
Sprache

Deutsch

Angebot

Wintersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

2 V | 1 Ü | 1 P | - S

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

Data Engineering

Empfohlene Voraussetzungen

Keine angegeben.

Lernergebnisse / Kompetenzen
WAS

Mit erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, Datenarchitekturen für operative und analytische Zwecke zu entwerfen, diese mittels SQL und modernen Engineering-Tools zu implementieren sowie automatisierte, qualitätsgesicherte und sichere Datenpipelines zu entwickeln und zu betreiben.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie

  • SQL-Abfragen von einfachen Selektionen bis zu komplexen Analysen mit Window Functions und Common Table Expressions sicher formulieren,
  • Datenbankschemata mittels Datendefinitionssprache erstellen und geeignete Datentypen sowie Integritätsbedingungen zur Datenkonsistenz wählen,
  • Anwendungsanforderungen in Entity-Relationship-Modelle überführen und durch Normalisierung in relationale Strukturen transformieren,
  • analytische Datenmodelle für Data-Warehouse-Szenarien entwerfen und spaltenorientierte Speicherung technisch begründen,
  • automatisierte ETL- und ELT-Pipelines für heterogene Datenquellen implementieren,
  • DataOps-Prinzipien durch Versionierung, Orchestrierung und automatisierte Qualitätskontrollen anwenden,
  • Datensicherheitskonzepte und regulatorische Anforderungen durch Zugriffskontrollen, Maskierung und Anonymisierung berücksichtigen,
  • NoSQL-Datenbanken und verteilte Data-Processing-Systeme anhand technischer Kriterien einordnen.
WOZU

Die Studierenden nutzen diese Kompetenzen, um als Data Engineers die Brücke zwischen Softwareentwicklung, IT-Betrieb und Data Science zu schlagen. Sie stellen sicher, dass Daten in hoher Qualität, skalierbar, sicher und unter Berücksichtigung moderner Entwicklungsprozesse für geschäftskritische Anwendungen und Analysen zur Verfügung stehen.

Inhalte
  • Einführung in das Data Engineering: Rollenbilder und Data Engineering Lifecycle
  • Relationaler Einstieg und SQL
  • Fortgeschrittenes SQL mit Window Functions und CTEs
  • Datenmodellierung, Integrität und Normalisierung
  • DBMS-Performance, Transaktionsmanagement und Indizierung
  • Analytical Engineering mit OLTP, OLAP und Dimensional Modeling
  • Datenintegration und ETL-/ELT-Pipelines
  • DataOps, Versionierung, Orchestrierung und Monitoring
  • Datenqualität, Governance und Data Lineage
  • Datensicherheit, Datenschutz und Zugriffskontrolle
  • CAP-Theorem und verteilte Datenverarbeitung
  • NoSQL und Big-Data-Speicherformen
Prüfungsvorleistung

Erfolgreiche Bearbeitung semesterbegleitender Aufgaben zur praktischen Anwendung von Data-Engineering-Konzepten und Methoden.

Prüfungsleistung

Computergestützte Klausurarbeit (120 Minuten). Das Prüfungskonzept umfasst den Entwurf von Datenmodellen, das Schreiben von SQL- und NoSQL-Abfragen, die Implementierung von Data Pipelines sowie den Transfer von Konzepten zu DataOps, Sicherheit und Data-Engineering-Architekturen.

Literatur
  • Alfons Kemper, Andre Eickler: Datenbanksysteme: Eine Einführung. 10. Auflage, De Gruyter Oldenbourg, 2015.
  • Alan Beaulieu: Learning SQL. 3rd Edition, O’Reilly Media, 2020.
  • Joe Reis, Matt Housley: Fundamentals of Data Engineering. 1st Edition, O’Reilly Media, 2022.
  • Martin Kleppmann: Designing Data-Intensive Applications. 2nd Edition, O’Reilly Media, 2026.
  • Ralph Kimball, Margy Ross: The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd Edition, Wiley, 2013.
  • Michael Kaufmann, Andreas Meier: SQL und NoSQL Datenbanken. 9. Auflage, Springer Vieweg, 2023.