Zweifellos: Die Digitalisierung hat unsere Welt in den letzten Jahren enorm verändert. Jeder Mensch und jeder Prozess produziert heutzutage laufend Daten – doch wie kommt man an die Erkenntnisse, die in diesen Daten schlummern? Wie entlockt man den riesigen Datenmengen relevante Infos und Zusammenhänge, um Prozesse zu optimieren, Kosten zu sparen oder Umsätze zu steigern?
Neue Daten – neue Berufsbilder
Fast alle tragen heutzutage eine Menge kleingebündelter Technik in Form eines Smartphones oder einer Smartwatch bei sich. Damit produzieren wir alle einen ständigen Datenstrom. Jeder Klick in Social Media, jede Google-Suchanfrage, jede Online-Bestellung und alle Treppenanstiege, die wir tätigen, werden registriert und gespeichert. Dies trifft aber natürlich nicht nur auf uns als private Konsument:innen zu, sondern auf jeden erdenklichen Bereich unseres täglichen Lebens.
Amazon, Google und Netflix haben es vorgemacht und schaffen es, uns durch ausgeklügelte Algorithmen Produkte oder Medieninhalte vorzuschlagen, von denen wir bislang selbst nicht einmal wussten, dass wir daran Interesse haben. Doch Unternehmen müssen nicht erst Daten in solch gigantischen Dimensionen vorliegen, um wertvolle Informationen zu erhalten. Auch kleine und mittlere Unternehmen verfügen oftmals über Datenschätze, denen tiefgehende Erkenntnisse erst noch zu entlocken sind.
Doch erst die professionelle Analyse von Daten vor dem Hintergrund einer klaren Business-Fragestellung macht die enthaltenen Informationen transparent. Die Daten werden nutzbar gemacht und die Erkenntnisse daraus können im besten Fall gewinnbringend eingesetzt werden. Damit sind automatisch neue Berufsbilder und vor allem sich wandelnde Jobprofile entstanden.
Data Science, Big Data und Co.
Der Begriff Data Science (dt. Datenwissenschaft) stammt aus den 1960er Jahren und wurde zunächst synonym für Statistik verwendet. Den großen Durchbruch erlangte der Begriff in den 1990er Jahren, in denen es erste Bemühungen gab, Statistik und Data Science zu differenzieren. Entsprechend wird unter dem Begriff Data Science heutzutage weitaus mehr verstanden, da die Data Science neben der Statistik auch Inhalte der Mathematik, der Informationstechnologie und der Programmierung beinhaltet.
Aufgrund dieser eher vagen Definition des Begriffes geistern auch eine Vielzahl an Begriffen umher, die zwar mit Data Science zu tun haben, allerdings nicht synonym verwendet werden können:
- Künstliche Intelligenz: Dieser Begriff besitzt keine allgemeingültige Definition. Allgemein ist die künstliche Intelligenz ein Teilgebiet der Informatik, das sich mit (scheinbar) intelligenten Reaktionen eines Computersystems auf äußerliche Einflüsse beschäftigt.
- Machine Learning: Machine Learning oder maschinelles Lernen ist ein Überbegriff für eine Vielzahl von Verfahren, mit denen ein Computer oder eine künstliche Intelligenz Muster in Daten erkennt.
- Algorithmen: Algorithmen sind klar definierte, vorgegebene Prozeduren, mit denen klar definierte Aufgaben gelöst werden können. In der Data Science bezeichnen wir mit Algorithmen kleine Programme, die scheinbar intelligent handeln. Werden Algorithmen mit klar definierten Eingaben versorgt, führen sie somit zu einem eindeutigen, konstanten Ergebnis. Dabei gilt aber leider auch der Grundsatz der Informatik „Mist rein, Mist raus“. Ein Algorithmus kann immer nur auf sinnvolle Eingaben sinnvolle Ausgaben erzeugen. Die Komplexität von Algorithmen kann sehr vielfältig sein und je komplexer ein solcher Algorithmus ist, desto „intelligenter“ erscheint er oftmals.
- Big Data: Big Data beschreibt in erster Linie Datenmengen die zu groß, zu komplex und zu schnelllebig sind, um sie mit üblichen Methoden der Datenanalyse zu untersuchen.
Wie können Unternehmen Data Science nutzen?
Data Science kommt heute in fast allen Bereichen zum Einsatz. E-Commerce und Online-Marketing machen sich die Auswertung gesammelter Daten zu Nutze, um Konsument:innen immer wieder auf ihre Produkte zu stoßen und möglichst gezielt zum Kauf zu animieren. In der produzierenden Industrie werden Maschinenausfälle vorhergesagt, um vorher rechtzeitig eine Wartung durchzuführen und damit Ausfallzeiten zu minimieren. Einkauf und Logistik nutzen Data Science, um Vorhersagen zu möglichen Lieferengpässen oder anderen Schwierigkeiten zu treffen. Versicherungen und Banken können anhand von Data Science Risiken einschätzen und Betrugsversuche erkennen. Auch in der Medizin kommt die Analyse von Studien- und Patient:innendaten verstärkt zum Einsatz – deswegen: kaum ein Unternehmen bzw. eine Organisation kann von sich behaupten, keinen Nutzen aus Daten ziehen zu können.
In den meisten Unternehmen bzw. Organisationen liegen bereits ungenutzte Daten vor, sehr oft jedoch unstrukturiert und auf viele Datentöpfe verteilt. Für den Start braucht es häufig nur wenige zuständige Personen, die sich der Datenberge annehmen, diese mit den richtigen Methoden analysieren und mit Unterstützung aus den Fachbereichen zu neuen Erkenntnissen und den richtigen Schlussfolgerungen gelangen.
Doch der seit Jahren bestehende und derzeit wachsende Bedarf an Data Scientists seitens der Unternehmen deckt sich nicht mit der Zahl der Hochschulabsolvent:innen in diesem Fachbereich. Darüber hinaus ist es aber auch vielversprechend, nicht nur reine Data Scientists auszubilden, sondern auch Personen innerhalb der verschiedenen Fachbereiche mit dem nötigen Know-how auszustatten. Denn nur wer wirklich weiß, welche Business-Vorgänge mit den untersuchten Daten beschrieben werden, kann auch die richtigen Schlüsse aus den Ergebnissen der Datenanalysen zu ziehen. Es ist Unternehmen daher zu empfehlen, geeignete, datenaffine Fachkräfte aus den eigenen Reihen gezielt im Bereich Data Science weiterzubilden.
Master Class zum "Data Analyst"
Fundierte Datenkompetenz benötigt? Mit der Master Class zum Data Analyst werden Sie zum Problemlöser für komplexe Fragen in Ihrem Unternehmen. Entwickeln Sie sich und Ihr Unternehmen weiter im Bereich der professionellen Datenanalyse.
Mehr erfahren
