Data Scientists verbessern ihre sozialen Kompetenzen, um Veränderungen im Unternehmen voranzutreiben.

Data Scientists sind sehr gefragt. LinkedIn weist in seinem Bericht über neu aufkommende Berufe auf dem amerikanischen Arbeitsmarkt (U.S. Emerging Jobs Report) für 2017 darauf hin, dass „die Zahl der Stellen im Bereich Data Science seit 2012 um mehr als 650 % gestiegen ist“ und „Hunderte Unternehmen“ in diversen Branchen „nach Bewerbern für diese Position suchen“. Der Kandidatenpool wird immer größer, da „Machine Learning Engineers, Data Scientists und Big Data Engineers zu den wichtigsten neu aufkommenden Berufen gehören“.

Angesichts dessen, dass von immer mehr Abteilungen und Rollen Datenarbeit verlangt wird, steigt in vielen Organisationen die Datenkompetenz und in der Folge die Zahl sogenannter „Citizen Data Scientists“. Nach Definition von Gartner ist ein Citizen Data Scientist „eine Person, die basierend auf fortgeschrittenen Diagnose-Analytics oder prädikativen und präskriptiven Funktionen Modelle erstellt oder generiert, obwohl ihr eigentlicher Aufgabenbereich außerhalb der Bereiche Statistik und Analytics liegt“. Diese selbstgelernten Profis ersetzen freilich „echte“ Data Scientists nicht, werden aber in zunehmendem Maße zu wichtigen Partnern bei der Entwicklung und Erprobung von Hypothesen.

Damit erfährt auch die Definition der Datenwissenschaft (Data Science) einen Wandel, denn die Grenze zwischen jenen, die bislang quasi ein Monopol auf Datenwissen hatten, und jenen, deren Domäne auf rein kaufmännischem Gebiet liegt, verwischt zusehends. Sonic Prabhudesai, Manager of Statistical Analysis bei Charles Schwab, fasst diesen Trend so zusammen: „Während immer mehr kaufmännische Mitarbeiter mit Daten umzugehen wissen, sind immer mehr Data Scientists mit betriebswirtschaftlichen Abläufen vertraut“.

Von Data Scientists werden heutzutage profunde Statistik- und Machine-Learning-Kenntnisse erwartet, aber auch ein strategisches Gespür für geschäftliche Belange, inklusive einer genauen Kenntnis ihrer Branche. „Data Science ist mehr als bloße Rechnerei: Es geht darum, unterschiedliche Kompetenzen in Lösungen für spezielle Probleme einer bestimmten Branche einzubringen“, erläutert Dr. N. R. Srinivasa Raghavan, Chief Global Data Scientist bei Infosys. „Data Scientists müssen die Arbeitsgebiete, in denen ihre Erkenntnisse angewandt werden sollen, aus dem Effeff kennen“.

Statistische Modellierung und Machine Learning entwickeln sich zunehmend zu Schlüsselfaktoren für alle, die Data Scientist werden wollen. Ausschlaggebend ist dabei, wie gut jene, die auf dem jeweiligen Gebiet tätig sind, ihre Erkenntnisse in einfacher, aber aussagekräftiger Form vermitteln können.
Sonic Prabhudesai, Manager of Statistical Analysis, Charles Schwab

Von Algorithmen und Modellen gelieferte Daten sind nur dann zweckdienlich, wenn sie dazu beitragen, das richtige Problem im richtigen Kontext zu lösen. Damit zunächst einmal die genaue Problemstellung benannt und eine Arbeitshypothese definiert werden können, müssen alle Beteiligten eingebunden werden – und in den weiteren Workflow eingebunden bleiben. Am Ende des Workflows müssen die Ergebnisse dann in relevanter und nachvollziehbarer Form den Geschäftspartnern vermittelt werden.

„Statistische Modellierung und Machine Learning entwickeln sich zunehmend zu Schlüsselqualifikationen für alle, die Data Scientist werden wollen“, so Sonic Prabhudesai. „Ausschlaggebend ist dabei, wie gut jene, die auf dem jeweiligen Gebiet tätig sind, ihre Erkenntnisse in einfacher, aber aussagekräftiger Form vermitteln können.“ Data Scientists teilen also nicht bloß Ergebnisse mit, sondern spielen eine wesentliche Rolle bei der praktischen Anwendung dieser Ergebnisse im Geschäftsalltag.

Mit Tools für Selfservice-Analytics können sowohl Data Scientists als auch fortgeschrittene Benutzer Daten untersuchen und besser verstehen. Dies ermöglicht Erkenntnisse, die den restlichen Analysepfad vorzeichnen und letztlich auf das Geschäftsergebnis durchschlagen können.