Definition

Was ist ein Data Scientist?

| Autor / Redakteur: Tutanch / Nico Litzel

(© aga7ta - Fotolia)

Ein Data Scientist wertet Daten systematisch aus und extrahiert Wissen. Auf Basis der gewonnenen Erkenntnisse unterstützt er die Unternehmensführung bei strategischen Entscheidungen. Data Scientists bewegen sich oft im Umfeld von Business Intelligence und Big Data.

Der Begriff Data Scientist lässt sich mit Datenwissenschaftler übersetzen. Es handelt sich um eine Berufsbezeichnung für eine Person, die über entsprechende Kenntnisse und Fähigkeiten verfügt, große Datenmengen systematisch auszuwerten und Wissen aus den Daten abzuleiten. Hierfür nutzt der Data Scientist praktische Methoden und theoretische Ansätze aus verschiedenen Wissenschaften wie der Informationstechnik und der Mathematik, speziell hier die Statistik oder die Wahrscheinlichkeitsrechnung.

Neben diesen fachlichen Fähigkeiten muss ein Data Scientist in der Lage sein, die gewonnenen Erkenntnisse anschaulich zu präsentieren und sie Dritten ohne spezifische Fachkenntnisse zu vermitteln. Er tritt gegenüber der Unternehmensführung in beratender Funktion auf und unterstützt diese bei strategischen Unternehmensentscheidungen.

Als Datengrundlage dienen dem Data Scientist sowohl strukturiert als auch unstrukturiert vorliegende Daten. Oft kommen bei der Datenanalyse Big-Data-Techniken zum Einsatz. Die Datenanalyse führt er entweder selbst durch oder er unterstützt IT-Spezialisten bei der Analyse beziehungsweise leitet sie an. Er kann auch als Projektleiter auftreten, der die verschiedenen Aufgaben und Tätigkeiten der Datenauswertung steuert und kontrolliert. Zunehmende Datenmengen im Unternehmen und der Fortschritt in den verschiedenen Big-Data-Bereichen lassen die Position des Data Scientists an Bedeutung gewinnen.

Unterscheidung zwischen Data Scientist, Data Analyst und Business Analyst

Oft kommt es zu einer Vermischung der Bezeichnungen Data Scientist, Data Analyst und Business Analyst. Die Begriffe lassen sich zwar nicht exakt voneinander abgrenzen und verschmelzen in einigen Teilbereichen miteinander, können aber dennoch in ihren grundsätzlichen Tätigkeitsfeldern unterschieden werden. Der Data Analyst betreibt klassische Datenanalyse, verfolgt aber keinen wissenschaftlichen Ansatz. Methoden der Künstlichen Intelligenz oder des Machine Learnings und weitere fortgeschrittene Analyse- und Vorhersagetechniken nutzt er nur in beschränktem Maße.

Ein Data Scientist ist in der Lage, innovative Methoden für seine Analysen zu nutzen und besitzt einen akademisch erweiterten Hintergrund. Die Fähigkeit, über den Tellerrand der reinen Datenanalyse zu schauen, zeichnet ihn aus. Business-Analysten können sich zwar auch mit der Datenanalyse beschäftigen oder sie durchführen, haben ihren Schwerpunkt aber mehr in der Analyse der Geschäftsmodelle und Geschäftserlöse. Sie werten Geschäftsmodelle IT-gestützt aus und nutzen zentrale KPIs und Werkzeuge wie Dashboards für ihre Arbeit.

Wichtige Eigenschaften und Fähigkeiten des Data Scientists

Ein Data Scientist beschäftigt sich mit unterschiedlichen Wissenschaftsbereichen und kann daher verschiedene akademische Hintergründe haben. Data Scientists können Informatiker, Physiker, Mathematiker oder Wirtschaftswissenschaftler sein, die sich entsprechende fortgebildet haben.

Mittlerweile existieren eigene Data-Science-Bachelor- oder -Master-Studiengänge, in denen alle wichtigen und benötigten Wissensgebiete vermittelt werden. Die Basis der Fähigkeiten eines Data Scientists bilden fachliche Kenntnisse aus den Bereichen der Statistik, der Mathematik, der Wahrscheinlichkeitsrechnung und der IT. Hinzu kommen die Methoden des Machine Learnings, der künstlichen Intelligenz und der Prognostik. Der Data Scientist befasst sich bei seiner Arbeit mit mathematischen Modellen, statistischen Verfahren und der Datenhaltung und Datenmodellierung. Er wendet diese unterschiedlichen Techniken und Algorithmen auf die vorhandenen Daten an und generiert dadurch Wissen. Als Tools und Programmiersprachen kommen beispielsweise Java, Python, R oder SQL zum Einsatz.

Neben diesen technischen Fertigkeiten muss der Data Scientist die Fähigkeit besitzen, die aus den Daten gewonnenen Erkenntnisse so aufzubereiten und zu erklären, dass deren Signifikanz für das Unternehmen leicht zu verstehen ist. Er leitet auf Basis der Ergebnisse Hypothesen ab und stellt Entscheidungsvorlagen für das Management zusammen. Bei erkannten Auffälligkeiten kann der Data Scientist selbstständig die richtigen Fragestellungen formulieren. Da er als eine Art Vermittler zwischen Fachabteilungen und Management auftritt, sind gute kommunikative Eigenschaften wichtig für den Erfolg seiner Arbeit. Im Rahmen der Datenanalyse fungiert er teilweise als Projektmanager und kontrolliert oder steuert die Aufgaben von der Datenbeschaffung über die Analyse bis zur Aufbereitung der Ergebnisse.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

Mit Machine Learning lässt sich Service präzise planen

Industrial Analytics

Mit Machine Learning lässt sich Service präzise planen

Die digitale Transformation plattformunabhängig vorantreiben – dieses Ziel verfolgt Weidmüller mit einem – von Beginn an Industrie-4.0-fähig gestalteten – offenen, individuell skalierbaren Automatisierungsbaukasten. lesen

SAS investiert eine Milliarde US-Dollar in KI

Engagement ausgebaut

SAS investiert eine Milliarde US-Dollar in KI

Der Analytics-Spezialist SAS hat angekündigt, im Lauf der kommenden drei Jahre insgesamt eine Milliarde US-Dollar in Künstliche Intelligenz (KI) zu investieren. Die Summe fließt unter anderem in Software-Innovationen, Anwenderschulungen und Beratung. lesen

Tibco übernimmt SnappyData

In-Memory-Plattform akquiriert

Tibco übernimmt SnappyData

Mit der Übernahme des In-Memory-Spezialisten SnappyData baut Analytics-Experte Tibco seine Connected Intelligence Platform weiter aus. Sie wird um eine Unified-Analytics-Datenarchitektur ergänzt. lesen

Darauf kommt es bei der Wahl der richtigen BI-Lösung an

Kommentar von Robert Schmitz, Qlik

Darauf kommt es bei der Wahl der richtigen BI-Lösung an

Es spricht viel für die datengetriebene Neuaufstellung von Geschäftsprozessen, die Vertiefung von Kunden- und Lieferantenbeziehungen auf der Basis valider Datenauswertungen oder für ein ausgewogenes Risiko/Rendite-Verhältnis, das sich an profunden Analytics-Ergebnissen statt am Bauchgefühl orientiert. Damit Analytics-Projekte auch wirklich verwertbare Entscheidungsgrundlagen liefern, gilt es, die passende Business-Intelligence-Lösung für die gesetzten Ziele zu finden. lesen

Effektivität durch Data Analytics? Fehlanzeige!

McKinsey attestiert gravierende Schwachpunkte

Effektivität durch Data Analytics? Fehlanzeige!

Beim Einsatz von Data Analytics kommen die Berater von McKinsey zu einem vernichtenden Urteil: Nur acht Prozent der Unternehmen können ihre Lösungen wirksam skalieren. Laut dem Befund der Berater liegen die Probleme nicht nur im technologischen, sondern auch im organisatorischen Bereich. lesen

Mit Kooperationen und Weiterbildung gegen den Fachkräftemangel

Kommentar von Tine Schlaak, Udacity

Mit Kooperationen und Weiterbildung gegen den Fachkräftemangel

Der Mangel an IT-Fachkräften hat laut Bitkom einen neuen Höchststand erreicht – so werden etwa im Bereich Datenanalyse händeringend Experten gesucht. Digitale Lernangebote und strategische Partnerschaften können helfen, die Lücken zu schließen. lesen

Smarte Industriegreifer dank KI

Mehrwert für Industrial IoT und Industrie 4.0

Smarte Industriegreifer dank KI

Greifer arbeiten zwar zuverlässig, aber nicht immer so feinfühlig, wie es erforderlich ist. Das Data Science Team von Körber Digital hat sich deshalb die Frage gestellt, wie mithilfe von Künstlicher Intelligenz (KI) aus einem Industriegreifer ein smarter Industriegreifer wird. lesen

Viele Machine-Learning-Projekte scheitern am falschen Framework

Kommentar von Dr. David James, IT-Novum

Viele Machine-Learning-Projekte scheitern am falschen Framework

Welches Machine Learning Framework passt zu meinem Use Case? Die Antwort auf diese Frage beschäftigt viele Unternehmen, die bei der Auswahl häufig an einen Punkt gelangen, an dem sie nicht mehr weiterkommen. Unterstützung hierbei bietet eine Machine-Learning-Framework-Entscheidungsmatrix, die verschiedene miteinander Frameworks vergleicht. lesen

Datenanalyse muss Chefsache werden

Kommentar von Tom Becker, Alteryx

Datenanalyse muss Chefsache werden

Drei von vier Chefs sagen, dass sie ohne einen Data Scientist die Ergebnisse von Big Data nicht verstehen. Das fand eine weltweite Umfrage von Vanson Bourne unter mehr als eintausend IT-Führungskräften heraus. „Verschwendetes Potenzial!“ mag so manch einer denken. Aber Hand aufs Herz: In welchem Unternehmen ist Datenanalyse wirklich Chefsache? Höchste Zeit für ein Plädoyer für den Ausbau der Kompetenzen in Sachen Datenanalyse. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44644885 / Definitionen)