📚 Fachwissen & IHK-Prüfungsrelevanz
Dies ist die Vollprüfungssimulation für die Abschlussprüfung Teil 2 der Fachinformatiker für Daten- und Prozessanalyse (FIDP).
Struktur der schriftlichen Prüfung:
- Prüfungsbereich 1: Analyse und Entwicklung von datenbasierten Lösungen (90 Minuten, 100 Punkte, Gewichtung 30 %)
- Prüfungsbereich 2: Analyse und Optimierung betrieblicher Prozesse (90 Minuten, 100 Punkte, Gewichtung 30 %)
- Wirtschafts- und Sozialkunde (WiSo): Arbeits-, Tarif- und Wirtschaftsrecht (60 Minuten, 100 Punkte, Gewichtung 10 %)
- Betriebliche Projektarbeit: Dokumentation & Fachgespräch (Gewichtung 30 %)
Bearbeiten Sie die folgenden realitätsnahen Prüfungsaufgaben unter Prüfungsbedingungen ohne Hilfsmittel.
📝 Original-Prüfungsaufgaben (ZPA Nord-West)
Prozessanalyse Durchlauf- und Liegezeiten
8 Punkte
In einem Logistikunternehmen soll die Auftragsabwicklung von Bestelleingang bis Warenausgang analysiert und optimiert werden.
Definieren Sie Durchlaufzeit, Bearbeitungszeit, Liegezeit und Rüstzeit. Erläutern Sie die Prozess-Zykluseffizienz (Process Cycle Efficiency PCE) und wie Flaschenhälse (Bottlenecks) identifiziert werden.
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
BPMN 2.0: Ausnahmebehandlung & Intermediate Events
10 Punkte
In einem Beschaffungsprozess soll ein Lieferant binnen 48 Stunden eine Auftragsbestätigung übermitteln. Trifft diese nicht rechtzeitig ein, muss ein Eskalationsprozess an den strategischen Einkauf ausgelöst werden.
a) Benennen Sie das BPMN-Element, mit dem die 48-Stunden-Frist an der Aktivität 'Auftragsbestätigung abwarten' modelliert wird.
b) Erläutern Sie den Unterschied zwischen einem unterbrechenden (interrupting) und einem nicht-unterbrechenden (non-interrupting) Boundary Event anhand dieses Szenarios.
c) Welche Gateway-Art ist zu wählen, wenn nach Prüfung der Bestätigung entweder die Standard-Lieferung, eine Express-Lieferung oder bei Lieferengpass ein Alternativartikel parallel angefragt werden soll?
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
a) Angeheftetes Zwischenereignis (Boundary Timer Event / Zeit-Grenzereignis).
b) Unterbrechend: Bricht die Hauptaktivität sofort ab und leitet die Token ausschließlich in den Eskalationspfad (Auftragsbestätigung wird nicht mehr angenommen). Nicht-unterbrechend: Die Frist löst eine Warnung/Eskalation aus, die ursprüngliche Aktivität bleibt jedoch aktiv und kann noch abgeschlossen werden.
c) Inklusives Gateway (OR / OR-Split), da eine oder mehrere Verzweigungen gleichzeitig aktiv werden können (z.B. Express-Lieferung UND parallele Alternativartikel-Anfrage).
Datenqualität nach ISO 8000
8 Punkte
Für eine KI-gestützte Kundenanalyse sollen CRM-, ERP- und Webshop-Daten zusammengeführt werden.
Nennen und erläutern Sie 4 wesentliche Dimensionen der Datenqualität nach ISO 8000 / DAMA DMBOK. Beschreiben Sie typische Methoden des Data Cleaning (Datenbereinigung).
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
ETL vs ELT Datenpipelines & CDC
8 Punkte
Ein Unternehmen baut eine moderne Analytics-Plattform mit Cloud Data Warehouse auf.
Vergleichen Sie das klassische ETL-Verfahren (Extract, Transform, Load) mit dem modernen ELT-Verfahren (Extract, Load, Transform). Erläutern Sie Change Data Capture (CDC) zur inkrementellen Datenübernahme.
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
Data Warehouse Star-Schema vs Snowflake-Schema
8 Punkte
Für das Management-Reporting einer Handelskette wird ein multidimensionales Datenmodell entworfen.
Erklären Sie den Aufbau eines Star-Schemas (Faktentabelle und Dimensionstabellen). Grenzen Sie das Star-Schema vom Snowflake-Schema hinsichtlich Normalisierung und Abfrageperformance ab.
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
Statistische Kennzahlen & Hypothesentests
8 Punkte
In einer A/B-Testing-Studie soll geprüft werden, ob ein neues Checkout-Design die Conversion Rate signifikant erhöht.
Unterscheiden Sie Mittelwert, Median und Modus. Erläutern Sie Standardabweichung und Varianz. Was bedeuten Nullhypothese (H0), Alternativhypothese (H1) und der p-Wert bei einem Signifikanzniveau von alpha = 0,05?
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
Machine Learning Evaluation Confusion Matrix
8 Punkte
Ein Machine-Learning-Modell soll betrügerische Kreditkartentransaktionen (Fraud) automatisiert klassifizieren.
Erläutern Sie die 4 Felder einer Confusion Matrix (TP, FP, TN, FN). Definieren Sie die Kennzahlen Precision (Genauigkeit), Recall (Trefferquote/Sensitivität) und F1-Score. Warum ist die reine Accuracy (Genauigkeit) bei unausgeglichenen Datensätzen irreführend?
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
Business Intelligence: Visualisierung & Dashboard-Design
8 Punkte
Die Geschäftsführung wünscht ein operatives Vertriebs-Dashboard. Ein Junior-Analyst hat hierfür 3D-Kreisdiagramme mit 15 Segmenten und auffälligen Ampelfarben (Rot/Grün) ohne Beschriftung erstellt.
a) Kritisieren Sie den Entwurf des Analysten anhand von zwei ergonomischen Grundsätzen (z.B. Barrierefreiheit, Gestaltgesetze).
b) Welcher Diagrammtyp eignet sich besser, um Umsatzanteile von 15 Produktkategorien darzustellen? Begründen Sie Ihre Wahl.
c) Was versteht man unter dem Begriff 'Data-Ink-Ratio' nach Edward Tufte?
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
a) 1. Kreisdiagramme mit 15 Segmenten überfordern das menschliche Auge (Winkel und Flächen können kognitiv schlecht verglichen werden; 3D-Effekte verzerren Proportionen zusätzlich). 2. Reine Rot/Grün-Farbkodierung schließt Menschen mit Rot-Grün-Sehschwäche aus (mangelnde Barrierefreiheit).
b) Ein horizontales Balkendiagramm (Bar Chart), absteigend nach Umsatz sortiert. Kategorienamen sind horizontal lesbar, und Balkenlängen lassen sich vom menschlichen Gehirn präzise und mühelos vergleichen.
c) Das Verhältnis von nützlicher Tinte (Data-Ink), die echte Dateninformationen übermittelt, zur gesamten Druck-/Pixelmenge. Ziel ist die Maximierung der Data-Ink-Ratio durch Entfernen redundanter Dekorationen (3D-Effekte, unnötige Gitterlinien, Zierrahmen).
Data Governance & DSGVO: Anonymisierung vs. Pseudonymisierung
8 Punkte
Ein Gesundheits-Startup möchte Patientendaten für statistische Forschungszwecke auswerten. Gemäß DSGVO Art. 9 handelt es sich um besondere Kategorien personenbezogener Daten.
a) Erläutern Sie den technischen und rechtlichen Unterschied zwischen 'Pseudonymisierung' und 'Anonymisierung'.
b) Nennen Sie zwei typische Techniken zur Anonymisierung von tabellarischen Datensätzen (z.B. k-Anonymität, Aggregation).
c) Was versteht man unter 'Data Lineage' im Rahmen von Data Governance?
💡 Offizieller IHK-Erwartungshorizont & Punkteverteilung
a) Pseudonymisierung (Art. 4 Nr. 5 DSGVO): Personenidentifikatoren (Name, SV-Nummer) werden durch Pseudonyme/Hashes ersetzt. Eine Re-Identifizierung ist unter Zuhilfenahme zusätzlicher, separat gesicherter Schlüssel noch möglich. Die Daten bleiben personenbezogen.
Anonymisierung: Daten werden so irreversibel verändert, dass die betroffene Person weder durch den Verantwortlichen noch durch Dritte identifiziert werden kann. Anonyme Daten fallen nicht mehr unter die DSGVO.
b) 1. k-Anonymität / Verallgemeinerung (z.B. Alter in Altersgruppen 30-39 fassen, Postleitzahlen auf die ersten zwei Stellen kürzen). 2. Datenstörung / Perturbation / Rauschinjektion (Differential Privacy) oder Unterdrückung seltener Datensätze.
c) Data Lineage beschreibt den lückenlosen Lebenszyklus und Fluss von Daten vom Ursprung (Datenquelle) über alle Transformationen und ETL-Stufen bis zum Zielsystem/Bericht. Sie stellt Nachvollziehbarkeit, Auditierbarkeit und Compliance sicher.