Zusammenfassung
Um die Vielzahl an heterogenen Datenströmen im Zeitalter von Big Data in für Unternehmen entscheidungsrelevante Informationen zu transformieren, wurden in den letzten Jahren nicht nur Business-Analytics-Ansätze entwickelt. Auch ein neues Berufsbild wurde Mittelpunkt zahlreicher Diskussionen: der Data Scientist. Die Vielzahl an Kompetenzen, die diese neue Berufsgruppe mit sich bringen sollte, wurde in verschiedenen Fachbeiträgen beschrieben und wird in diesem Artikel durch ein systematisches Literature Review zusammengefasst. Dabei werden die einzelnen, durch die Inhaltsanalyse ermittelten Kompetenzen nicht nur aufgezählt, sondern erstmalig in ein Kompetenzmodell eingeordnet. Der Data Scientist sollte zahlreiche Fachkompetenzen, wie Kenntnisse in Statistik oder den KDD-Prozess betreffende Kompetenzen zur Datenselektion-, -aufbereitung, -analyse und Interpretation, aber auch Sozialkompetenzen, wie Team- und Kommunikationsfähigkeit, sowie Selbstkompetenzen, wie Neugier oder Kreativität, mit sich bringen. Hierbei wird ersichtlich, dass ein Data Scientist allein nicht alle Kompetenzen erfüllen kann. Es bedarf vielmehr an die Aufgaben und Rollen im Unternehmen angepasste Typen von Data Scientists mit unterschiedlichen Kompetenzschwerpunkten. Folglich werden ausgehend von den Erkenntnissen der Literatur- und Inhaltsanalyse Handlungsempfehlungen zur Entwicklung von spezifischeren Anforderungsprofilen ausgesprochen.
Abstract
To transform the variety of heterogeneous data streams into enterprise decision-relevant information, not just modern business analytics approaches have been developed in recent years. In addition, a new job profile called for attention within the rising era of Big Data: the Data Scientist. The variety of skills that come along with this new profession has been described in various technical papers and is now summarized in this article through a systematic literature review. For this purpose, the identified competences are not only enumerated, but also classified within a competency model using a content analysis. The result of this examination is that according to the literature a Data Scientist should provide an extensive skill set – including professional skills such as statistics or KDD-relevant skills for the selection, preprocessing, analysis and interpretation of data, but also social skills such as teamwork and communication, as well as personal skills such as curiosity or creativity. Here it becomes evident that a Data Scientist alone cannot meet all these competencies. Rather, it requires individual types of Data Scientists with different major focus depending on the roles and duties within the enterprise. For this purpose the article provides recommendations for the development of specific Data Scientist profiles based on the results of the literature and content analysis.
Notes
Der zuvor verwendete Begriff „Humankompetenz“ wurde durch den Begriff „Selbstkompetenz“ ersetzt.
Die drei integralen Bestandteile Methodenkompetenz, kommunikative Kompetenz und Lernkompetenz wurden an dieser Stelle auf Grund von Komplexitätsgründen vernachlässigt.
Miller (2014) fordert in diesem Zuge bspw. eine stärkere Abgrenzung zwischen datenzentrierten Berufsprofilen, die insbesondere aus den aufkommenden Big-Data-Herausforderungen resultieren, wie z. B. Data Architects, Data Governance Professionals oder Chief Analytics Officers.
Literatur
Bortz J, Döring N (2006) Forschungsmethoden und Evaluation für Human- und Sozialwissenschaftler. Springer, Berlin, Heidelberg, New York
Brennan PF, Bakken S (2015) Nursing Needs Big Data and Big Data Needs Nursing. J Nurs Scholarsh 47(5):477–484
Bundesagentur für Arbeit (Hrsg) (2011) Systematik und Verzeichnisse der KldB 2010. http://statistik.arbeitsagentur.de/nn_10414/Statischer-Content/Grundlagen/Klassifikation-der-Berufe/KldB2010/Systematik-Verzeichnisse/Systematik-Verzeichnisse.html. Zugegriffen: 23. Dezember 2015
Davenport TH, Patil DH (2013) Data Scientist: The Sexiest Job of the 21st Century. Coll Math J 44(2):158
Fayyad U, Smyth P, Piatetsky-Shapiro G (1996) The KDD Process for Extracting Useful Knowledge from Volumes of Data. Commun ACM 39(11):27–34
Harris H, Murphy S, Vaisman M (2013) Analyzing the Analyzers: An Introspective Survey of Data Scientists and Their Work. O’Reilly, Sebastopol, Calif
Hensge K, Lorig B, Schreiber D (2010) Kompetenzverständnis und -modelle in der beruflichen Bildung. In: Bethscheider M, Höhns G, Münchhausen G (Hrsg) Kompetenzorientierung in der beruflichen Bildung. Bertelsmann, Bielefeld, S 133–157
Höft S, Goerke P (2014) Traditionelle Arbeits- und Anforderungsanalyse trifft modernen Kompetenzmanagementansatz: Rosenkrieg oder Traumhochzeit? Wirtschaftspsychol 2014(1):5–14
Indeed Ireland Operations Limited Data Scientist Jobs, Arbeit | Indeed.com. http://de.indeed.com/Jobs?q=data+scientist&l=. Zugegriffen: 23.12.2015
Kitchenham B (2004) Procedures for Performing Systematic Reviews. Technischer Bericht. http://www.inf.ufsc.br/~awangenh/kitchenham.pdf. Zugegriffen: 23.12.2015
Lusher SJ, McGuire R, van Schaik RC, Nicholson CD, de Vlieg J (2014) Data-driven Medicinal Chemistry in the Era of Big Data. Drug Discov Today 19(7):859–868
Sekretariat der Kultusministerkonferenz (Hrsg) (2011) Handreichung für die Erarbeitung von Rahmenlehrplänen der Kultusministerkonferenz für den berufsbezogenen Unterricht in der Berufsschule und ihre Abstimmung mit Ausbildungsordnungen des Bundes für anerkannte Ausbildungsberufe. http://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2011/2011_09_23_GEP-Handreichung.pdf. Zugegriffen: 23.12.2015
Markl V (2015) Gesprengte Ketten. Inform Spektrum 38(1):10–15. doi:10.1007/s00287-014-0858-5
Martinez MG, Walton B (2014) The Wisdom of Crowds: The Potential of Online Communities as a Tool for Data Analysis. Technovation 34:203–214
Maruyama H, Kamiya N, Higuchi T, Takemura A (2014) Developing Data Analytics Skills in Japan: Status and Challenge. J Japan Ind Manag Assoc 65(4E):334–339
Miller S (2014) Collaborative Approaches Needed to Close the Big Data Skills Gap. J Organ Des 3(1):26–30
Ohsawa Y, Kido H, Hayashi T, Liu C (2013) Data Jackets for Synthesizing Values in the Market of Data. Procedia Comput Sci 22:709–716
SAS Institute Inc. (2015) Der Data Scientist: Typen, Talente, Trends oder was einen guten Data Scientist ausmacht! Studie. http://www.sas.com/de_de/whitepapers/ba-st-data-scientist-dach-2015-2355232.html. Zugegriffen: 23.12.2015
Schoenherr T, Speier-Pero C (2015) Data Science, Predictive Analytics, and Big Data in Supply Chain Management: Current State and Future Potential. J Bus Logist 36(1):120–132
Song I, Zhu Y (2015) Big Data and Data. Science, What Should We Teach? Expert Systems
Stockinger K, Stadelmann T (2014) Data Science für Lehre, Forschung und Praxis. HMD 51(4):469–479
Stockinger K, Stadelmann T, Braschler M, Cieliebak M, Baudinot G, Dürr O, Ruckstuhl A (2013) Applied Data Science in Europe: Challenges for Academia in Keeping Up with a Highly Demanded Topic. European Computer Science Summit. https://home.zhaw.ch/~stdm/downloads/papers/ECSS_2013.pdf. Zugegriffen: 23.12.2015
van der Aalst (2014) Data Scientist: The Engineer of the Future. Proceedings of the I‑ESA. Conferences 7: doi:10.1007/978-3-319-04948-9_2
Waller MA, Fawcett SE (2013) Data Science, Predictive Analytics, and Big Data: A Revolution That Will Transform Supply Chain Design and Management. J Bus Logist 34(2):77–84
Weinert FE (1999) Konzepte der Kompetenz. OECD, Paris
https://www.xing.com/. Zugegriffen: 16.12.2015
Zawadzki K (2014) Data Science Skill-Set Explained. http://www.marketingdistillery.com/2014/08/30/data-science-skill-set-explained/. Zugegriffen: 16.12.2015
Author information
Authors and Affiliations
Corresponding authors
Rights and permissions
About this article
Cite this article
Schumann, C., Zschech, P. & Hilbert, A. Das aufstrebende Berufsbild des Data Scientist. HMD 53, 453–466 (2016). https://doi.org/10.1365/s40702-016-0214-0
Received:
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1365/s40702-016-0214-0