PERSONALBERATUNG & HEADHUNTER DATA SCIENCE

Was ist Data Science?

Data Science das Gebiet, das alles umfasst, was mit Datenbereinigung, -aufbereitung und -analyse zu tun hat. Sie ist eine Kombination aus Statistik, Mathematik, Programmierung, Problemlösung und der Erfassung von Daten auf eine raffinierte Weise. Auch die Bereinigung, Vorbereitung und Ausrichtung der Daten sind ein wesentlicher Aspekt von Data Science.

Einfach ausgedrückt: Data Science liefert Techniken, die beim Versuch, Erkenntnisse und Informationen aus Daten zu extrahieren, eingesetzt werden.

Was ist Big Data?

Unter Big Data versteht man riesige Datenmengen, die mit den vorhandenen traditionellen Anwendungen nicht effektiv verarbeitet werden können. Die Verarbeitung von Big Data beginnt mit den Rohdaten, die nicht aggregiert sind und die meist unmöglich im Speicher eines einzelnen Computers gespeichert werden können.

Big Data ist ein Buzzword, das zur Beschreibung immenser Datenmengen – sowohl unstrukturierter als auch strukturierter – verwendet wird. Big Data kann zur Analyse von Erkenntnissen verwendet werden, die wiederum zu besseren (strategischen) Entscheidungen führen.

Was macht ein Data Scientist und welche Fähigkeiten sind erforderlich?

Es ist nicht immer leicht zu verstehen, was Data Scientists tun. Eine Erklärung lautet: Data Scientists entwickeln prädiktive und präskriptive Algorithmen, die auf sauberen Datensätzen aufbauen. Für Laien ist diese Erklärung meist zu vage und unverständlich.

Eine leichter verständliche Beschreibung der Tätigkeiten eines Data Scientists könnte lauten: Data Scientists sammeln und organisieren große Datenmengen, um Prozess- und Strategieprobleme in der Wirtschaft und in Unternehmen zu lösen. Sie bereiten diese auch auf und vermitteln sie verständlich an verschiedene Ansprechpartner und Abteilungen.

Für diese Aufgaben benötigt ein Data Scientist bestimmte Eigenschaften und Fähigkeiten. Einige Soft Skills, die wichtig sein können, sind die folgenden:

• Technisches und analytisches Verständnis
• Koordinations- und Kommunikationsfähigkeiten
• Kenntnis von betriebswirtschaftlichen bzw. Unternehmensstrukturen

Hinzu kommen Hard Skills z.B. in den folgenden Bereichen:

• Machine Learning: z.B. neuronale Netze, Reinforcement Learning, Entscheidungsbäume oder logistische Regression
• Arbeiten mit unstrukturierten Daten
• Datenvisualisierung: z.B. mithilfe von Tools wie Tableau, MS Power BI, Fusion Charts, Qlik Sense oder Google Charts
• Frameworks wie Hadoop, Mahout, Apache, Hive und Pig
• Programmiersprachen wie Java, Python und SQL
• Git/GitHub
• Datenbanken wie NoSQL, MongoDB, Cassandra und MySQL

Was sind aktuelle Trends im Bereich Data Science?

Der Trend, Daten in die Kerngeschäftsprozesse zu integrieren, hat in den letzten Jahren deutlich zugenommen und wird auch in Zukunft bedeutend sein. In der heutigen, sich ständig weiterentwickelnden digitalen und agilen Welt erfordert es ständige Innovation, um der Konkurrenz immer einen Schritt voraus zu sein. Auch der Bereich Data Science entwickelt sich stetig weiter.

Im Folgenden werden drei der spannendsten Trends aufgelistet, die jetzt schon auf großes Interesse stoßen und weiter an Bedeutung gewinnen werden.

Automatisierte Data Science

Auch mit Voranschreiten der Digitalisierung erfordert Data Science immer noch eine Menge manueller Arbeit. Daten speichern, bereinigen, visualisieren, erforschen und modellieren – all dies erforderte und erfordert teilweise auch noch jetzt manuelle Arbeit. Automatisierungen gibt es zum Beispiel bereits in den Bereichen Datenbereinigung, Feature Engineering und Machine Learning. Die automatisierte Data Science wird immer wichtiger, denn automatisierte Prozesse sind meist effizienter, schneller und damit kostengünstiger. Deshalb investieren Unternehmen im Allgemeinen stark in die Entwicklung und den Kauf von Tools und Diensten für automatisierte Data Science.

Data Science in der Cloud

Organisationen und Unternehmen sammeln und speichern mehr Daten als je zuvor. Die Datenmenge überschreitet in vielen Fällen das, was ein normaler Computer bewältigen kann. An dieser Stelle kommt Cloud Computing ins Spiel. Cloud Computing bietet die Möglichkeit, dass jeder überall auf praktisch unbegrenzte Rechenleistung zugreifen kann. Cloud-Anbieter wie Amazon Web Services (AWS) oder Microsoft Azure bieten Rechenleistung nach Bedarf an.

Über die reine Rechenleistung hinaus bieten Cloud-Computing-Unternehmen auch vollwertige Plattformen für die Datenanalyse an. Google Cloud bietet mit der Plattform BigQuery ein serverloses und skalierbares Data Warehouse an, das es Data Scientists ermöglicht, Petabytes von Daten zu speichern und analysieren – und das alles in einer Plattform. Dies ist nur ein Beispiel von zahlreichen Plattformen, Tools und Technologien, die mittlerweile für Data Science in der Cloud angeboten werden.

Natural Language Processing

Natural Language Processing (NLP) – die Verarbeitung natürlicher Sprache – hat nach großen Durchbrüchen in der Deep-Learning-Forschung ihren festen Platz in der Data Science gefunden. Data Science begann zunächst als Analyse von rohen Zahlen. Wenn Texte verarbeitet werden musste, wurden diese kategorisiert oder auf irgendeine Art und Weise in Zahlen umgewandelt. Dennoch war es sehr schwierig, einen Textabschnitt in eine einzige Zahl zu komprimieren. So wurden viele wichtige Daten und Informationen nicht verarbeitet, weil es schlicht nicht möglich war, diese als Zahlen darzustellen.

Große Fortschritte im Bereich NLP durch Deep Learning fördern die vollständige Integration von Natural Language Processing in die Datenanalyse. Neuronale Netze können jetzt Informationen aus großen Textkörpern sehr schnell extrahieren. Sie sind in der Lage, einen Text in verschiedene Kategorien zu klassifizieren, die Stimmung zu erkennen und Analysen über die Ähnlichkeit von Textdaten durchzuführen. Letztendlich können all diese Informationen in einem einzigen Merkmalsvektor aus Zahlen gespeichert werden. Riesige Datenbestände von Text – nicht nur Ein-Wort-Antworten, sondern ganze Absätze – können in numerische Daten für die Standardanalyse umgewandelt werden. Infolgedessen wird NLP zu einem mächtigen Werkzeug in der Data Science.