Data Science

In der heutigen Welt ist der Umgang mit Daten unerlässlich geworden, gerade Wissenschaftler spielen eine entscheidende Rolle bei der Aufbereitung und Analyse von Daten. Data Science ist ein relativ neues und schnell wachsendes, interdisziplinäres Wissenschaftsfeld. Es umfasst eine Vielzahl von Methoden, Technologien und Werkzeugen, um Daten zu sammeln, zu speichern, zu verarbeiten, zu analysieren und zu interpretieren. Data Science vereint Elemente aus Statistik, Informatik, Mathematik, Ingenieurwissenschaften und Geschäftsanalyse.

In dieser Erklärung bekommst Du Einblick in die Welt der Data Science, indem wir uns mit verschiedenen Aspekten wie der Definition, den Methoden, dem Unterschied zwischen Data Science und Data Analytics, dem Data Science-Prozess und dem Lebenszyklus auseinandersetzen. Lass uns eintauchen und mehr über dieses spannende Thema erfahren!

Data Science – Was ist das?

Der Begriff Data Science existiert seit den 1960ern und war ursprünglich als ein Synonym für Informatik gedacht.

Die moderne Definition von Data Science wurde in den 1990ern entworfen, dabei steht das Konzept von Data Science für ein interdisziplinäres Feld aus Statistik und Datenanalyse in Verbindung mit der Nutzung von Computerwerkzeugen.

Data Science – Definition

Techniken und Methoden, die dabei genutzt werden, stammen aus den Bereichen der Mathematik, Statistik und der Informatik. Ziele der Data Science sind je nach Einsatzgebiet unterschiedlich. Allgemein lässt sich aber sagen, die gewonnenen Daten werden aufbereitet, bereitgestellt, visualisiert und anschließend interpretiert. Dies ermöglicht es z.B Handlungsempfehlungen für Unternehmen auszusprechen, den Erfolg auf dem Markt zu steigern, in dem Kaufverhalten analysiert wird oder Fertigungsabläufe optimiert werden.

Data Science – Methoden

Um die gewünschten Schlüsse und Ergebnisse aus einer Datenmenge zu ziehen, bedienen sich Data Scientists verschiedener Methoden und Techniken. Diese können grob in drei Kategorien aufgeteilt werden:

Klassifizierung, Similarity Matching, Regressionsanalyse.

Ein weiterer wichtiger Aspekt von Data Science ist die Anwendung von Datenvisualisierung und Kommunikation. Datenvisualisierung ist ein wichtiger Teil des Data Science-Prozesses und wird verwendet, um Daten auf eine verständliche und ansprechende Weise darzustellen. Es gibt eine Vielzahl von Tools, die verwendet werden können, um Daten in ansprechenden Diagrammen, Tabellen und Grafiken darzustellen.

Kommunikation ist ein weiterer wichtiger Aspekt von Data Science. Es ist wichtig, die Ergebnisse der Analyse klar und präzise zu kommunizieren, damit Entscheidungsträger die richtigen Entscheidungen treffen können. Data Scientists müssen in der Lage sein, technische Konzepte und Datenanalysen in einfache, verständliche Sprache zu übersetzen, um sicherzustellen, dass ihre Ergebnisse von allen verstanden werden.

Data Science – Ziele

Das Ziel von Data Science ist es, anhand großer Datenmengen die Entscheidungsfindung in Unternehmen zu unterstützen. Oft wird, um unternehmensinterne Prozesse zu optimieren, ein Machine Learning Algorithmus verwendet (Prozessautomatisierung). Weitere Ziele in Data Science sind:

Data Science Prozess – Lifecycle

Der Lifecycle, oder Lebenszyklus, beschreibt in Data Science die wichtigsten Phasen, die Projekte typischerweise durchlaufen. Meistens durchläuft ein Projekt mehrere Zyklen, bevor es abgeschlossen wird.

Ein Lebenszyklus besteht aus fünf Phasen.

1. Problem wird Definiert
2. Datenerfassung und Auswertung
3. Modellierung
4. Bereitstellung
5. Abnahme durch den Kunden

Abb. 1: Lebenszyklus eines Data Science Projekts Quelle: Microsoft.com

1) Das Problem wird definiert: In dieser Phase geht es um das unternehmerische Verständnis, welches "Warum" hinter dem Projekt steht. Welche Daten werden benötigt, um welche Fragen zu beantworten?

2) Datenerhebung und -analyse: Im Anschluss werden die benötigten Daten erhoben. Dafür muss geklärt werden, wo und wie die Daten gesammelt werden können. Müssen sie erhoben werden, oder können bestehende Datensets gekauft werden? Wurden die nötigen Daten beschafft, startet die Analyse. Zu Beginn muss die Qualität der Daten bestimmt werden, ggf. muss das Datenset bereinigt werden, um eindeutige Ergebnisse ableiten zu können. Teil der Analyse ist auch das Visualisieren des Datensets.

3) Modellierung: In der Modellierungs-Phase des Lebenszyklus werden unterschiedliche Handlungsoptionen herausgearbeitet und gegeneinander abgewägt.

4) Bereitstellung: Ein großer Teil der Bereitstellung der Ergebnisse ist die Kommunikation der Handlungsempfehlungen.

5) Abnahme durch den Kunden: Ist die Datenanalyse abgeschlossen, fehlt nur noch die Abnahme durch den Kunden und die anschließende Umsetzung der Handlungsempfehlungen. Es gehört zur Aufgabe eines Data Scientists auch bei der Entscheidungsfindung zu unterstützen.

Data Science – Ausbildung

Die Aufgaben eines Data Scientist umfassen die Entwicklung von Strategien für die Datenanalyse, die Vorbereitung der Daten für die Analyse, die Untersuchung und Analyse sowie die visuelle Aufbereitung der Daten. Den Aufbau von Modellen mit großen Datensets unter der Verwendung von Programmiersprachen wir Python und R, sowie die Implementierung von Modellen in Anwendungen, sind Teil dieser Aufgaben.

Datenanalysten arbeiten selten allein, denn die Aufgaben werden am effektivsten in Teamarbeit erledigt. So kann ein solches Team verschiedene Rollen beinhalten: Einen Geschäftsanalysten, einen Dateningenieur, einen IT-Engineer und einen Anwendungsentwickler.

Data Scientists haben unterschiedliche Ausbildungsmöglichkeiten an Hochschulen und Universitäten und können einen Bachelor oder mit einem Master ihr Studium abschließen. Neben dem theoretischen Wissen wird bei einem Studium mit dem Schwerpunkt Data Science auf einen hohen Praxisbezug geachtet. Aufgrund der vielschichtigen Natur des Berufs ist es wichtig, dass Data Scientists verschiedene Fähigkeiten mitbringen:

• Kommunikation und Wortgewandtheit, als zentrales Element um die Ergebnisse verständlich vermitteln zu können
• Wissbegierde und Aufgeschlossenheit gegenüber neuen Verfahren und Methoden
• Die Fähigkeit, Projekte zu leiten und Aufgaben zu delegieren, ist insbesondere bei der Teamarbeit hilfreich
• Problemlösekompetenz, Flexibilität und Kreativität, um sich während eines Projekts an sich ändernde Gegebenheiten anzupassen und Herausforderungen meistern zu können
• Geschäftssinn, bzw. Interesse für die Branche, in der die Datenanalyse stattfindet