Webcode:

Um einen Artikel aus dem Print-Magazin online zu lesen, geben Sie bitte nachfolgend den Webcode ein, der im Magazin unter dem Artikel zu finden ist.

https://www.getdigital.de - Gadgets und mehr für Computerfreaks

Data Science versus Data Analytics

Social Share
Teilen Sie diesen Artikel

Data Science und Data Analytics haben auf jeden Fall erstmal eins gemeinsam: Beide Professionen haben es mit (sehr) großen, teilweise heterogenen und mal mehr oder weniger strukturierten Daten zu tun, aus denen, für einen bestimmten Zweck, Wissen extrahiert werden soll. Im besten Fall mit dem Ergebnis, neue Erkenntnisse generiert und Handlungsmaßnahmen indiziert zu haben: Abwanderungswillige Kunden werden erkannt und können rechtzeitig angesprochen werden, drohende Maschinenausfälle werden prognostiziert und Stillständen kann entgegengewirkt werden, aus ungehaltenen Kunden-Mails werden die dringendsten Beschwerden identifiziert und Abstellmaßnahmen können eingeleitet werden.

Die o.g. Beispiele verdeutlichen, dass es egal ist, aus welcher Branche oder welchem Bereich die Daten für die Analyse letztendlich stammen. Sämtliche Unternehmensbereiche verfügen über Daten und fast jeder dieser Bereiche durchläuft derzeit eine digitale Transformation. Die digitale Transformation erfüllt dabei keinen Selbstzweck: Unternehmen möchten etwas über bestehende oder zukünftige Kunden, oder die eigenen Prozesse und Produkte lernen, unabhängig davon, ob es dabei um damit assoziierte Lagerabläufe, Routenplanung oder Bestellvorgänge geht, oder ob Betrugsfälle aufgedeckt werden sollen.

Ein Datum an sich ist dabei zunächst einmal nur ein Wert und besitzt für sich gesehen wenig Aussagekraft. Das gleiche Datum in Verbindung und im Vergleich mit weiteren Datenpunkten wird plötzlich zu einem Teil eines deutungs- und interpretationsfähigen Gesamtbildes, mit dem sich Data Scientists und Datenanalysten auseinandersetzen.

Unternehmen suchen entsprechend eben jene Fachleute, die aus den nun vorliegenden Daten Wissen ableiten können und so dem Unternehmen helfen, in Zukunft erfolgreiche Geschäftsentscheidungen zu treffen.

IBM prognostizierte bereits vor zwei Jahren, dass die Zahl der Arbeitsplätze für US-amerikanische Datenprofis innerhalb kürzester Zeit auf mehr als das 7fache ansteigen wird. Ende offen. In Stellenausschreibungen werden dann entweder Data Scientists oder Datenanalysten gesucht – Oder eben direkt beides. Die Berufsbezeichnungen klingen ähnlich, dennoch unterscheiden sich die beiden Tätigkeiten und die entsprechenden Profile. Da in beiden Bereichen zunächst Daten analysiert und die Ergebnisse für Entscheidungsprozesse genutzt werden sollen, wird teilweise nicht (oder oft nicht korrekt) zwischen Data Science und Data Analytics unterschieden.

Wer oder was sind diese Data Scientists?

Ob im Supermarkt bei der Nutzung der Kundenkarte, während des Online-Shoppings, beim Log-In am Computer oder beim Liken, Disliken und Teilen von Content in sozialen Netzwerken: Alles, was wir in der digitalen und analogen Welt tun, wird zu einem Datum und als solches natürlich gespeichert. Je größer und heterogener die Informationsmenge, desto schwieriger wird allerdings auch die Auswertung und die Definition einer auszuwertenden Fragestellung. Data Scientists müssen mit eben jenen großen und heterogenen Datenmengen umgehen können, indem sie Daten aus unterschiedlichen Quellen extrahieren, bereinigen, zusammenführen, aufbereiten und, mit Fragestellung oder ohne (explorativ), analysieren. Was den Teil der Analyse betrifft, so sind Data Scientists Experten bei der Anwendung von Methoden aus dem Bereich der künstlichen Intelligenz und des Machine Learnings.

Um einen wirklichen Mehrwert für das Unternehmen zu generieren, reicht jedoch eine einfache Analyse der vorliegenden, internen Unternehmensdaten selten aus. Unternehmen wünschen sich die Integration und Auswertung interner und externer Daten, um umfassend Bescheid zu wissen, schneller reagieren und in Zukunft besser planen zu können. So sollen nicht nur unternehmensinterne Daten aus der Vergangenheit ausgewertet, sondern diese mit zusätzlichen externen Daten wie Luftreinheit, Wetter, Feiertage, Ferien, Promo-Aktionen, Werbung etc. angereichert werden. Ein guter Data Scientist verfügt deshalb auch über Know-How aus dem technischen Bereich: Was gibt es für externe Daten? Wie komme ich an die Daten? Wie lassen sich diese mit den internen Daten zusammenführen?

Um die Unternehmensführung bei zukünftigen geschäftlichen Entscheidungen unterstützen zu können ist ein grundlegendes Set an „soft-skills“ erforderlich, um mit den Entscheidungsträgern einer Branche kommunizieren und deren Bedarfe ableiten zu können. Zu den Aufgaben eines Data Scientist gehört nämlich auch die Überführung der Analyse in den operativen Unternehmensbetrieb, heißt: Die Entwicklung von kundenindividuellen und bedürfnisorientierten Softwareprodukten, mit Hilfe derer die Unternehmensmitarbeiter die Analyse bei Bedarf jede Minute aktualisieren können.

Aus den verschiedenen Tätigkeiten ergeben sich folgende Anforderungen an die Bewerber auf Data-Scientist-Stellen:

  • Grundlage für einen Job als Data Scientist ist in der Regel ein Studium oder eine Promotion im Bereich Data Science, Informatik, Wirtschaftsinformatik oder Mathematik. Weiterbildungen, Schulungen oder einfach „Spaß am coden“ können natürlich ebenso zum Ziel führen.
  • Gemäß der gewählten Studienrichtung ist die Auswertung von großen und heterogenen Datenmengen für Data Scientists eine gern gesehene Herausforderung, insbesondere unter Zuhilfenahme von Methoden aus dem Bereich der künstlichen Intelligenz und des Machine Learnings.
  • Neben der eigentlichen Analyse der Daten sind Data Scientists ebenso vertraut mit der Datenbeschaffung und -integration sowie der Entwicklung von Softwareprodukten. Denn am Ende steht selten eine singuläre, statische Analyse, vielmehr geht es um die Entwicklung von Tools, die den Kunden bzw. das Unternehmen im Alltag unterstützen sollen.
  • Diese zentrale, immer wichtiger werdende Funktion im Unternehmen führt dann dazu, dass neben den „hard-skills“ auch die „soft-skills“ i.S.v. Kommunikations- und Präsentationsfähigkeiten bei einem Data Scientist nicht zu kurz kommen dürfen. In der Rolle als „Problemlöser“ und „Lösungsentwickler“ arbeiten Data Scientists sowohl mit Fachkräften als auch mit dem Management und unterschiedlichen Fachabteilungen zusammen und müssen deren Bedarfe und Bedürfnisse erkennen, abstrahieren und umsetzen.

Was ist dann Data Analytics?

Wo Data Scientists sich häufig eine zu beantwortende Frage selber bzw. auf Basis der vorliegenden Datenbasis erschließen oder erarbeiten müssen, konzentrieren sich Datenanalysten vermehrt auf die Erklärung und Beantwortung von bereits bestehenden, bekannten und wiederkehrenden Fragestellungen/ Problemen im Unternehmen. Dies hat zur Folge, dass das Vorgehen bei der Datenanalyse entsprechend fokussierter abläuft und nicht selten auf einem bereits vorhandenen, d.h. kompilierten und vorstrukturierten Datenexport basiert.

Ist es die Aufgabe eines Data Scientist, die Zukunft vorherzusagen, so sind Datenanalysten oft schwerpunktmäßig für das (retrospektive) Reporting i.S.v. vorgegebenen KPIs oder Auswertungen im Bereich der „Business Intelligence“ zuständig. Für die Analyse von Kennzahlen werden dabei eher selten komplexe statistische Modelle verwendet, vielmehr finden hier grundlegende Methoden und Testverfahren aus der Statistik Anwendung.

Die Analyse entsprechender Unternehmenskennzahlen setzt dabei nicht selten ein damit assoziiertes Branchenwissen oder eine Abteilungszugehörigkeit voraus. Im Vergleich zum Data Scientist verfügt ein Datenanalyst häufig über detailliertes Fachwissen und ist einem Unternehmensbereich zugehörig, d.h. wird selten abteilungsunabhängig oder nur projektbasiert eingesetzt.

Aus den verschiedenen Tätigkeiten ergeben sich folgende Anforderungen an die Bewerber auf Data-Analyst-Stellen:

  • Grundlage für einen Job als Datenanalyst ist in der Regel ein Studium oder eine Promotion im Bereich Mathematik oder Informatik, teilweise eigenen sich aber auch andere Fächer, die, neben einem fachspezifischen, auch einen mathematischen Bezug aufweisen (z.B. Ingenieurwissenschaft, Psychologie). Auch hier gilt: Wer in seiner Freizeit gerne Daten auswertet, kann sich, ungeachtet des Bildungsabschlusses, über die eigene Praxiserfahrung ebenso zu einem Datenanalyst mausern.
  • Gemäß der gewählten Studienrichtung gehört die Auswertung von (vor-) strukturierten Daten gegeben einer spezifischen Fragestellung für Datenanalysten zum beruflichen Alltag, wobei im Rahmen der Analyse primär „klassische“ (deskriptive) statistische Verfahren verwendet werden.
  • Natürlich sind für den Datenanalysten neben den „hard-skills“ auch die „soft-skills“ i.S.v. Kommunikations- und Präsentationsfähigkeiten ein wichtiger Punkt. Datenanalysten müssen die Probleme der Unternehmensmitarbeiter/ Abteilungen erkennen, abstrahieren und die Ergebnisse der Analyse verständlich aufbereiten und präsentieren.

Das Fazit

Die beiden Profile sind eng miteinander verwandt, unterscheiden sich aber dennoch in nicht unwesentlichen Aspekten. Gemäß der Redewendung „Ein Bild sagt mehr als tausend Worte“ finden Sie nachstehend eine Übersicht über die Gemeinsamkeiten und Unterschiede zwischen Data Scientists und Datenanalysten.

Was macht das Westphalia DataLab in den Bereichen Data Science und Data Analytics?

Das Westphalia DataLab (WDL) agiert schwerpunktmäßig im Bereich Data Science. Im Mittelpunkt unserer Arbeit steht die Entwicklung von KI-basierten Softwareprodukten für Unternehmen. Neben den Vergangenheitsdaten der Unternehmen nutzen wir, sofern sinnvoll, bei der Entwicklung unserer Produkte zusätzliche externe Informationen, um die Ergebnisqualität zu verbessern und den Kundenmehrwert zu steigern. Im Gegensatz zu Beratungsfirmen, die am Ende den Kauf einer neuen Unternehmenssoftware empfehlen, ist für unsere Produkte kein umständliches Change-Management nötig, denn das bedeutet oft unnötige und zeitintensive Änderungen an Unternehmensstrukturen, Prozessen und Verhaltensweisen. Unsere Lösungen sind sofort einsatzbereit, was den „Widerstand“, dem man nicht selten bei der Einführung neuer Tools begegnet, bei Mitarbeitern und Führungskräften deutlich reduziert. Den Grad an Support sowie die Dauer der Nutzung können die Kunden selbst bestimmen, alles ist monatlich kündbar.

Ganz aktuell auf dem Markt ist unsere Self-Service App „Westphalia Forecast“, die es allen Nutzern ermöglicht, KI-basierte Forecasts zur Steigerung der Planungssicherheit zu erstellen. Vorkenntnisse in den Bereichen Data Science oder Programmiersprachen sind nicht erforderlich. Zur Nutzung bedarf es lediglich der Bereitstellung von historischen Transaktionsdaten - Daten, die jedem Unternehmen bereits zur Verfügung stehen. Probieren Sie es doch einfach aus, es gibt auch eine kostenlose Version.

Was erwartet Sie im nächsten Monat?

Im Dezember erklären wir Ihnen, was sich hinter dem Buzzword “Big Data” verbirgt und ob mehr tatsächlich immer besser ist.  

Bewerten Sie diesen Artikel
Tags
Nach themenverwandten Beiträgen filtern
TOP