Lena Hoffmann

• Schwerpunkt auf statistischer Datenanalyse und praktischer Anwendung von BI-Methoden

• Bachelorarbeit zum Thema „Prognosemodelle für Umsatzdaten im E-Commerce“ mit Note 1,3

• Wahlpflichtmodule in Data Mining und multivariater Statistik

• Entwicklung und Pflege interaktiver Dashboards und standardisierter Reportings in Power BI für Geschäftsführung und Fachabteilungen

• Aufbau und Optimierung eines relationalen Datenmodells in PostgreSQL sowie Automatisierung von ETL-Prozessen mit Python und dbt

• Durchführung von A/B-Tests und Kundensegmentanalysen zur Bewertung von Marketingkampagnen; Identifikation konkreter Optimierungspotenziale

• Reduzierung manueller Reporting-Tätigkeiten um rund 40 % durch automatisierte Datenpipelines

• Enge Zusammenarbeit mit Produktmanagement, Vertrieb und Marketing zur Ableitung datenbasierter Handlungsempfehlungen

• Erstellung wöchentlicher Absatz-, Bestands- und Umsatzberichte für das Controlling

• Bereinigung und Konsolidierung von Stamm- und Bewegungsdaten in Excel und SQL

• Unterstützung bei der Einführung von Tableau und der Migration bestehender Reports

• Automatisierung von Routineauswertungen mit Python-Skripten

• Beantwortung von Ad-hoc-Analysen für Fachbereiche mit präzisen und nachvollziehbaren Ergebnissen

• Unterstützung von Forschungsprojekten bei Datenaufbereitung und statistischer Auswertung mit R

• Durchführung von Regressions- und Varianzanalysen inklusive Dokumentation der Ergebnisse

• Betreuung des Statistiklabors und Durchführung von Tutorien für Studierende

Auszeichnung für ein interaktives Dashboard zur Analyse von Kundenbindung im Einzelhandel, das auf dem jährlichen Community-Event präsentiert wurde.

• Entwicklung eines Power-BI-Dashboards zur Visualisierung von Kundensegmenten und Kaufverhalten

• Automatisierte Datenaufbereitung mit Python und dbt für ein skalierbares Datenmodell

• Identifikation von vier profitablen Kundensegmenten, die direkt in Marketingkampagnen überführt wurden

• Bachelorarbeit zur Erstellung von Zeitreihenprognosen mit ARIMA- und linearen Regressionsmodellen

• Datenbereinigung und Feature-Engineering mit Python und Pandas

• Vergleich der Modellgüte anhand von MAPE und Visualisierung der Ergebnisse in Tableau

• Unterstützung gemeinnütziger Organisationen bei der Auswertung von Umfragedaten

• Erstellung eines Excel-basierten Dashboards zur Ressourcenplanung für eine Beratungsstelle

• Durchführung von Workshops zu Datenqualität und einfacher Visualisierung