Data Scientists
Wer sie sind und warum sie wichtig sind
Was ist ein Data Scientist?
Data Scientists setzen ihre gesamte fachliche Erfahrung in Statistik, Programmierung und Industrie dazu ein, Daten in Insights zu verwandeln. Anders gesagt, sind Data Scientists teils Mathematiker, teils Informatiker und teils Trendspotter. Sie nutzen ihr Informatik-Know-how, um Unternehmen bei der Risikokalkulation zu unterstützen und positive Ergebnisse zu erzielen.
Entwicklung der Rolle der Data Scientists
Data Scientists sind eine neue Art von Datenanalytikern, die über das technische Know-how zur Lösung komplexer, bekannter Probleme verfügen – und über die Neugier, herauszufinden, welche bisher noch nicht identifizierte Probleme noch gelöst werden müssen.
Mit Data Science gewinnen Data Scientists Insights aus enormen Mengen strukturierter und unstrukturierter Daten. Da Automatisierung und Machine Learning zu immer wichtigeren Komponenten der IT-Strategien großer Unternehmen werden, gewinnt auch die Datenanalyse immer mehr an Bedeutung. Der Grund dafür? Der enorme Mehrwert, den Fachleute durch die Verwandlung von den enormen Datenmengen in Insights erzielen können, welche Unternehmen helfen, ihr Potenzial voll auszuschöpfen.
Die Rolle von Data Scientists und die Bedeutung von Data Science sind mit dem Aufstieg von Big Data entstanden und sind parallel dazu gewachsen. Mit dem exponentiellen Anstieg des Datenwachstums wurde vielen Unternehmen klar, dass sie auf einer Goldgrube saßen, waren jedoch oft nicht in der Lage, die Vorteile und einen Geschäftswert aus den Daten zu ziehen. Wenn Daten tatsächlich das Gold des Informationszeitalters sind, dann sind Data Scientists diejenigen, die die wahren Schätze von Katzengold unterscheiden können.
Die globale COVID-19-Pandemie beschleunigte den bestehenden Trend der digitalen Transformation und führte dazu, dass mehr Menschen als erwartet online arbeiten, einkaufen und nach Unterhaltung suchen. Dadurch wurde die Rolle der Data Scientists noch prominenter und ihre Funktion noch relevanter.
Eine Studie von McKinsey im Oktober 2020 bestätigte, dass die Coronapandemie die Digitalisierung von Kundeninteraktionen um mehrere Jahre beschleunigt hat. Das Ergebnis einer SAS-Umfrage aus dem Jahr 2021, in der 91 % der Data Scientists ihre Arbeit für genauso wichtig oder wichtiger halten als vor der Pandemie nur wenig überraschend.
Mit dem zunehmenden Erfolg von Tools wie ChatGPT als Code-Generatoren fragen sich einige Experten, ob generative KI Data Scientists ersetzen wird. Die einfache Antwort lautet: Nein. Generative KI-Technologien könnten routinemäßige Datenaufgaben automatisieren und dazu beitragen, dass Data Scientists mit ihrem fachspezifischen Wissen mehr Zeit damit verbringen, Daten zu untersuchen, Modelle zu erstellen und Ergebnisse zu liefern.
Der Trend von Anpassungen von Prozessen, Praktiken, Betriebsparametern und Annahmen wird dazu führen, dass die Rolle der Data Scientists in absehbarer Zukunft weiter an Bedeutung gewinnen. Personalengpässe, Unterbrechungen der Lieferkette und ein Anstieg von E-Commerce und Cloud-Diensten deuten alle auf das gleiche Ergebnis hin.
Kompetenzen von Data Scientists
Sehen wir uns das Leben der Data Scientists näher an – insbesondere ihre Aufgaben und Pflichten im Unternehmen und die Kompetenzen, die ihnen zum Erfolg verhelfen. Wie bereits erwähnt, sind Data Scientist in erster Linie mit der Verwendung von Software zur Organisation und Analyse von Daten betraut. Sie müssen aber auch in der Lage sein, die Ergebnisse ihrer Analyse so zu präsentieren, dass sie für alle Interessengruppen leicht verständlich sind – darunter sind meistens sowohl Techniker als auch Nicht-Techniker.
Was sind eigentlich die täglichen Aufgaben eines Data Scientist? Diese Grafik aus unserer SAS-Umfrage gibt nicht nur einen Einblick in die Art und Weise, wie Data Scientists ihre Zeit verbringen, sondern auch einen chronologischen Überblick über ihre Prozesse. Hier ist das Erfassen von Daten nicht nur ein wichtiger erster Schritt, sondern auch einer von vielen weiteren, die bei der Verwandlung von Daten in brauchbare Insights wichtig sind.
In der AI-Ära bereiten Data Scientists Daten auf und untersuchen sie, entwickeln, trainieren und verwenden Modelle und tragen zu Innovation und Forschung bei. Sie sind auch Experten darin, komplexe Analysen in einer vereinfachten, visuellen Form zu präsentieren.
Ein kleiner Hinweis: Verwechseln Sie Data Scientists, die mit einer langfristigen Perspektive arbeiten, nicht mit Datenanalysten.Analysten tragen zur kurzfristigen und Echtzeit-Entscheidungsfindung bei. Data Scientists betrachten die Ziele eines Unternehmens oder einer Abteilung mit einer langfristigen Perspektive. Sie erstellen Prognose-Tools und Optimierungsalgorithmen, um die Effizienz auf lange Sicht zu fördern.
Und die Kompetenzen? Die besten Data Scientists verfügen sowohl über die traditionellen Kompetenzen als auch soziale Kompetenzen, wie Programmierung, quantitative Analysen, Intuition, Kommunikation und Teamwork. Besonders Teamwork wird heutzutage immer wichtiger:
Laut einer SAS-Umfrage 2022 besteht aktuell ein Mangel an erfahrenen Data Scientists mit fortgeschrittenen Fachkompetenzen. Bis zu 63 % der Entscheidungsträger fehlt es an ausreichenden Fachkräften mit AI- und ML-Kenntnissen, obwohl 54 % diese Technologien bereits benutzen und 43–44 % dies in den nächsten Jahren planen.
Arbeiten in Data Science: Eine Diskussion
Der Data Scientist Robert Blanchard ist im Herzen begeisterter Programmierer, erkennt aber die Vorteile von Drag-and-Drop-Modellen. Erfahren Sie, wie er zusammen mit Kollegen SAS® mit Python kombiniert, um ein Computer-Vision-Modell auf einer Drohne herauszubringen.
Hier finden Sie Data Scientists
Die AI-Technologien von heute haben ohne Zweifel das Potenzial, ganze Branchen zu verändern. Als Folge davon sind Data Scientists gefragter denn je, um komplexe Probleme zu lösen und Unternehmen dabei zu helfen, ihren Kunden einen besseren Service anzubieten.
Data Scientists ...
Im Bankwesen helfen Menschen, die nachhaltige Performance von Portfolios zu visualisieren.
In der Landwirtschaft helfen bei der Modellierung von Daten zu CO2-Ausgleichsmaßnahmen, um die nachhaltige Produktion von Düngemittel zu fördern.
In der akademischen Forschung erstellen Modelle der wichtigsten Risikofaktoren für die Gesundheit von Korallenriffen und stellen diese anderen Umweltschützern bereit.
In der Energiebranche helfen bei der Wetterprognose, um die Effektivität erneuerbarer Energiequellen wie Wind- und Solarenergie zu maximieren.
Im Gesundheitswesen und den Life Sciences helfen Data Scientists bei der Optimierung von Abläufen, um die Pflegearbeit effektiver zu machen und Datenquellen zu verbinden, die sowohl das Leben der Patienten als auch die Effektivität von Anbietern und Regierungen verbessern sollen.
Im Versicherungswesen helfen Anbieter bei der Risikobewertung, Betrugserkennung und der Verbesserung des Produktangebots, um weitere Geschäftschancen zu erzielen und Kunden besser zu betreuen.
In der Fertigungsindustrie setzen Machine Learning ein, um Wartungsbedarf oder Ausfälle von Maschinen vorherzusagen und so Ausfallszeiten zu reduzieren.
Im Einzelhandel wird AI verwendet, um Käufern dabei zu helfen, die kürzeste Warteschlange an der Kasse zu finden.
In der öffentlichen Verwaltung retten Data Scientists Leben, indem sie die Schaltung der Ampeln für Rettungskräfte koordinieren.
In der Telekommunikations- und Medienbranche helfen sie dabei, Netzwerke zu optimieren und das Kundenerlebnis besser anzupassen.
Lernen Sie drei Data Scientists kennen
Pradnya Pethkar
Dank der Kombination eines hohen akademischen Abschlusses, eines Praktikums und einer Zertifizierung konnte diese Data Scientist ihren beruflichen Traum in Neuseeland verwirklichen.
Jessica Rudd
Die engagierte, leidenschaftliche und neugierige Data Scientist Jessica Rudd will mit ihrem Doktortitel die Zukunft der Technologie mitgestalten.
Timothy Bowtell
Bowtells Geschichte beweist, dass es nie zu spät ist, den Beruf zu wechseln, wenn man genug Ehrgeiz hat. Erfahren Sie, wie er von einer Karriere als Ingenieur zu Data Science gewechselt hat – und warum.
Wie können Sie Data Scientist werden?
Sie interessieren sich für eine Karriere als Data Scientist? Damit stehen Sie nicht alleine da. Dieser Bereich gewinnt immer mehr an Relevanz. Die gute Nachricht ist, dass die Nachfrage nach Data Scientists auf dem Arbeitsmarkt noch lange nicht gedeckt ist. Hier finden Sie einige Informationen über die Ausbildung, die für den Einstieg in diesen Beruf erforderlich ist.
Studierende, die Data Scientists werden wollen
Wenn Sie direkt nach dem Schulabschluss in die Arbeitswelt einsteigen, sollten Sie ein Bachelor-Studium in Data Science oder einem ähnlichen Fachgebiet wie Statistik, Informatik, Technische Informatik oder Wirtschaftsinformatik in Betracht ziehen. Die Auswahl einer Universität, die einen Abschluss in Data Science oder zumindest Kurse in Data Science und Analytics anbietet, ist ein wichtiger erster Schritt.
Die Oklahoma State University, die University of Alabama, die Kennesaw State University, die Southern Methodist University, die North Carolina State University und die Texas A&M sind allesamt Beispiele für Universitäten mit Data-Science-Kursen. In vielen Fällen bilden SAS-Kompetenzen einen Teil des Data-Science-Lehrplans.
Erfahrene Berufstätige, die Data Scientists werden wollen
Viele Berufstätige sind an einem Karrierewechsel in Richtung Data Science interessiert. Obwohl die meisten Data Scientists bereits als Data Analyst oder Statistiker arbeiten, kommen manche auch aus nicht-technischen Bereichen wie der Betriebswirtschaft.
Entscheidend ist nicht Ihr beruflicher Hintergrund, sondern ob Sie ein Händchen für Problemlösung, eine gute Kommunikationsfähigkeit und eine unstillbare Neugier dafür haben, wie Prozesse funktionieren.
Eine Spezialisierung in einem verwandten Themengebiet wie künstliche Intelligenz, Forschung, Datenbankmanagement oder Machine Learning ist eine Überlegung wert. Sie sollte jedenfalls über ein solides Wissen zu den folgenden Themen verfügen:
- Statistik und Machine Learning
- Programmiersprachen wie SAS, R oder Python
- Datenbanken wie MySQL und Postgres.
- Datenvisualisierung und Reporting-Technologien.
- Hadoop und MapReduce
Viele Universitäten bieten mittlerweile ein Master-Studium in Data Science.
Berufswege für Data Scientists
Die höchste Position für Data Scientists in großen Unternehmen ist der Chief Data Officer (CDO). Der CDO beaufsichtigt alle datenbezogenen Funktionen und ist dafür verantwortlich, Manager und Führungskräfte dabei zu unterstützen, aus all diesen Daten einen Geschäftswert zu ziehen. Für ambitionierte Macher könnte der Weg vom Junior Data Scientist zum CDO etwa so aussehen:
- Datenanalyst.
- Data Scientist.
- Senior Data Scientist.
- Data Science Manager.
- Data Science Director.
- Chief Data Officer.
Die Kompetenzen, die Sie für Ihre Karriere als Data Scientist brauchen, können Sie sich selbst beibringen oder durch eine Online-Schulung oder ein Bootcamp erlernen. Auch Networking hilft. Sie können Sich mit anderen Data Scientists vernetzen oder einer Online-Community beitreten. Außerdem bietet die SAS Academy for Data Science aufstrebenden Data Scientists die Möglichkeit, durch vertiefende Schulungen und professionelle Zertifizierungen wichtige Kompetenzen in den folgenden Bereichen zu erlangen:
- Data Curation
- Hoch entwickelte Analysefunktionen.
- AI und Machine Learning
Data-Science-Lösungen
Die SAS® Viya® Angebote und Funktionen bieten robustes Datenmanagement, Visualisierung, fortgeschrittene Analytics und Modellverwaltung, um die Data Science-Fähigkeiten bei jedem Unternehmen zu steigern.
Mit SAS Visual Data Mining und Machine Learning sind Sie dank einer einzigen, integrierten, kollaborativen Lösung in der Lage, die komplexesten Analyseprobleme zu lösen – jetzt auch mit eigener Modellierungs-API.
SAS Visual Analytics bietet Ihnen die Möglichkeit, Berichte schnell und interaktiv zu erstellen, mittels visueller Darstellungen Ihre Daten zu untersuchen und Ihre Analysen auf Self-Service-Basis auszuführen.
Diese und weitere Lösungen werden von SAS Viya unterstützt, der marktführenden Data-Science-Plattform von SAS, die auf einer modernen, skalierbaren und cloudfähigen Architektur läuft.
