Daten sind für Unternehmen das neue Gold - sie liefern wertvolle Erkenntnisse. Die Informationen, die in den Big-Data-Bergen stecken, geben dem Einzelhandel beispielsweise Aufschluss über seine Kunden - ihr Verhalten, ihre Vorlieben und Routinen. Banken und Finanzinstitute setzen Datenanalysen ein, um das Risikomanagement zu verbessern und personalisierte Finanzservices anzubieten. Und Energie- und Versorgungsunternehmen nutzen Datenanalytik zur Optimierung des Energieverbrauchs und der Netzeffizienz. Egal, welche Branche man betrachtet: Analysiert man die Daten von Kunden und anderen Ressourcen eröffnet sich ein riesiges ökonomisches Potenzial.
Schon längst hat sich Big Data Analytics deshalb zu einer Schlüsseltechnologie für fast jedes Unternehmen entwickelt. Der Großteil der Firmenlenker ist sich inzwischen des enormen Einflusses bewusst, den Datenanalysen auf die eigene wirtschaftliche Performance haben. Laut der Barc-Studie „Big Data Use Cases“ führt Daten-Analytics bei 69 Prozent der Befragten zu besseren strategischen Entscheidungen. Mehr als die Hälfte gab an, operative Prozesse besser steuern zu können. Im Schnitt erbrachten die Big-Data-Initiativen eine Umsatzsteigerung von 13 Prozent und eine Kostenersparnis von 16 Prozent.
Prototyp Data-Scientist
Um aus den Datenbergen die wichtigen Informationen und Erkenntnisse herauszufiltern, braucht es Big-Data-Experten. Der Prototyp dafür ist der Data-Scientist oder Datenwissenschaftler. Er entwickelt mit mathematisch-statistischen Analysemethoden Modelle zur Informationsextraktion und zur Prognose für Big-Data-Anwendungen. Im Idealfall fließen die Ergebnisse unmittelbar in einen handfesten Businessplan ein. Die Tätigkeit erfordert profunde fachliche Kenntnisse aus den Bereichen Statistik, Mathematik, Wahrscheinlichkeitsrechnung sowie in Programmierung und Datenbank-Anwendungen. Hinzu kommen Methoden des Machine Learnings und der Prognostik. Die Datenanalyse führt er entweder selbst durch oder er unterstützt IT-Spezialisten bei der Analyse beziehungsweise leitet sie an.
Die Auswertung von Daten ist aber nur ein Teil des Tätigkeitsfelds eines Data-Scientists. Er muss auch betriebswirtschaftliche Zusammenhänge verstehen, braucht Branchenkenntnisse, psychologisches Wissen und Verhandlungsgeschick. Und er sollte in der Lage sein, die gewonnenen Erkenntnisse anschaulich zu präsentieren. Dritte sollten seine Ergebnisse ohne spezifische Fachkenntnisse verstehen können. Weil er als Mediator zwischen Fachabteilungen und Management auftritt, sind für den Erfolg seiner Arbeit auch gute kommunikative Fähigkeiten wichtig.
Rund um den Data-Scientist gibt es eine ganze Reihe weiterer Big-Data-Berufsbilder, die den Data-Scientist teils unterstützen, teils unabhängig von ihm agieren. Der Dateningenieur etwa hat die Aufgabe, die Daten für die Analysten bereitzustellen. Er sorgt quasi für die „Rohre“, durch die Daten aus verschiedenen Quellen in Data Warehouses und andere Plattformen geleitet werden, und ist auch für die Aufbereitung der Daten und die Umwandlung in ein für die Analyse geeignetes Format zuständig. Doch damit ist das Ende der Fahnenstange noch lange nicht erreicht. Der Data-Architect erstellt Datenmodelle und legt fest, wann welche Analysetools Verwendung finden. Der Data-Engineer betreut die Hardware und Software, insbesondere die Analysesysteme und die Netzkomponenten. Der Data-Steward befasst sich mit allen Fragen respektive Unstimmigkeiten in den Datenquellen. Und der Data-Artist schließlich ist zuständig für die verständliche Präsentation der Auswertungen in Form von Diagrammen und Grafiken. Diese „Verästelungen“ sind derzeit allerdings noch weitgehend auf die USA beschränkt. Dennoch: Bereits mehr als zwanzig Universitäten und Hochschulen haben in Deutschland und Österreich Data-Science-Studiengänge im Programm. Vorreiter war die Technische Universität Dortmund, an der die Fakultäten Informatik, Statistik und Mathematik bereits seit 2002 gemeinsam den Studiengang Datenwissenschaft betreiben. Andere Hochschulen haben inzwischen nachgezogen, wie beispielsweise die Katholische Universität Eichstätt-Ingolstadt. Der Schwerpunkt liegt häufig auf Master-Studiengängen, man kann Data-Science aber auch als Bachelor abschließen.
Einige Hochschulen bieten neben einem Standardstudium spezialisierte Weiterbildungsangebote sowie berufsbegleitende Studiengänge an - so etwa die Hochschule Albstadt-Sigmaringen. Auch die Hochschule der Medien Stuttgart ermöglicht Berufstätigen einen kompletten Master-Studiengang in Data-Science and Business Analytics - neben ihrer beruflichen Tätigkeit. Mittlerweile hat sich auch ein breiter Markt für Aus- und Weiterbildungen etabliert, mit denen IT- und andere Fachkräfte ihre Fähigkeiten gezielt ausbauen können. Träger dieser Fortbildungsmöglichkeiten sind öffentliche und private Forschungsinstitute, Technologie- und Software-Hersteller, Berufsverbände und andere Einrichtungen. Daneben gibt es viele Fort- und Weiterbildungsmöglichkeiten von IT-Unternehmen wie IBM, Oracle, HP oder EMC. Auch bei Online-Plattformen findet man Kurse, in denen sich Data-Science-Grundlagen erlernen lassen. Wer über die entsprechenden Voraussetzungen verfügt, kann sich auch im Rahmen eines Traineeprogramms Schlüsselqualifikationen aneignen.
Weil sich Unternehmen schwertun, Experten zu finden, haben sich insbesondere in den USA innovative Rekrutierungsmethoden entwickelt. Eine davon sind Data Challenges. Bei diesen „Wettkämpfen“ stellen Unternehmen interessierten Talenten über eine Cloud-Plattform konkret zu lösende Aufgaben.
Klaus Manhart
