Zusammenfassung
Data Scientists sind gefragt: Laut Mc Kinsey Global Institute wird es in den nächsten Jahren allein in den USA einen Nachfrageüberschuss an 190.000 Data Scientists geben. Dieser sehr starke Nachfragetrend zeigt sich auch in Europa und im Speziellen in der Schweiz. Doch was verbirgt sich hinter einem Data Scientist und wie kann man sich zum Data Scientist ausbilden lassen?
In diesem Kapitel definieren wir die Begriffe Data Science und das zugehörige Berufsbild des Data Scientists. Danach analysieren wir drei typische Use Cases und zeigen auf, wie Data Science zur praktischen Anwendung kommt. Im letzten Teil des Kapitels berichten wir über unsere Erfahrungen aus dem schweizweit ersten Diploma of Advanced Studies (DAS) in Data Science, das an der ZHAW im Herbst 2014 erstmals gestartet ist.
Vollständig überarbeiteter und erweiterter Beitrag basierend auf „Data Science für Lehre, Forschung und Praxis“. In: HMD – Praxis der Wirtschaftsinformatik, HMD-Heft Nr. 298, 51 (4): 469–479, 2014.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Der Begriff „Data Science “ ist jedoch älter. Unter anderem hat William S. Cleveland 2001 in einem unveröffentlichten Artikel (vgl. Cleveland 2014) „Data Science “ als eigenständige Disziplin vorgeschlagen. Darin finden sich schon viele Elemente des heutigen Verständnisses.
- 2.
Eine nicht unumstrittene Forderung – siehe die Abschaffung der Angabe von p-Werten in diesem Journal: http://www.tandfonline.com/doi/pdf/10.1080/01973533.2015.1012991
- 3.
SDS|2015 – The 2nd Swiss Workshop on Data Science (12. Juni 2015 in Winterthur), ist einer der Treffpunkte der Schweizer Data Science Community. http://www.dlab.zhaw.ch/sds2015
- 4.
Datalab – The ZHAW Data Science Laboratory. http://dlab.zhaw.ch/
- 5.
Breiman diskutiert den Unterschied zwischen modellgetrieben Ansätzen und sogenanntem „algorithmischen“ Vorgehen. Der Unterschied liegt im Umfang der a priori Annahmen, welche den Raum möglicher Lösungen unterschiedlich einschränken bzw. formen. Beispielhaft sei die Annahme bestimmter Verteilungen der Daten vs. rein algorithmische Erfassung etwa mittels eines neuronalen Netzes genannt.
- 6.
Experiment, Messung und Theoriebildung. In diesem Sinne wäre ein Data Scientist „…a person (professionally) involved in the conduct of data science “ (Brodie 2015b).
- 7.
DAS Data Science der ZHAW: www.weiterbildung.zhaw.ch/de/school-of-engineering/programm/das-data-science.html
Literatur
Breimann, L.: Statistical modeling: The two cultures. Stat. Sci. 16(3), 199–309 (2001)
Brodie, M.: Doubt and verify: Data science power tools. Blog Post. http://www.kdnuggets.com/2015/07/doubt-verify-data-science-power-tools.html (2015a). Zugegriffen im Juli 2015
Brodie, M.: The emerging discipline of data science – Principles and techniques for data-intensive analysis. Keynote, SDS|2015, Winterthur, Schweiz. www.zhaw.ch/dlab/brodie (2015b). Zugegriffen im Juni 2015
Caffo, B.: Developing Data Products. MOOC der Johns Hopkins University, Coursera. https://www.coursetalk.com/providers/coursera/courses/developing-data-products (2015). Zugegriffen im Mai 2015
Chui, M., Farrell, D., Jackson, K.: How government can promote open data and help unleash over $3 Trillian in economic value. http://www.mckinsey.com/insights/public_sector/how_government_can_promote_open_data (2014). Zugegriffen im April 2014
Cieliebak, M., Dürr, O., Uzdilli, F.K.: Meta-Classifiers Easily Improve Commercial Sentiment Detection Tools. LREC. (2014, Mai)
Cleveland, W.S.: Data science: An action plan for expanding the technical areas of the field of statistics. Stat. Anal. Data Min.: The ASA Data Sci. J. 7(6), 414–417 (2014)
Davenport, T.H., Patil, D.J.: Data scientist: The sexiest job of the 21st century. http://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century/ar/1 (2012). Zugegriffen im Oktober 2012
Heitz, Ch., Ruckstuhl, A., Dettling, M. Customer lifetime value under complex contract structures. In Morin, J.-H., Ralyt’e, J., Snene, M. (Hrsg.) IESS 2010, LNBIP 53, 276–281 (2010)
Heitz, C., Dettling, M., Ruckstuhl, A.: Modelling customer lifetime value in contractual settings. Int. J. Serv. Technol. Manag. 16(2) 172–190 (2011)
Hey, T., Tansley, S., Tolle, K.: The forth paradigm, microsoft research. (2009, Oktober)
Howard, J., Zwemer, M., Loukides, M.: Designing Great Data Products. O’Reilly Media, ISBN 978-1-449-33367-6 (2012, März)
Humby, C.: Data is the new Oil!, ANA Senior marketer’s summit, Kellogg School. http://ana.blogs.com/maestros/2006/11/data_is_the_new.html (2006). Zugegriffen im November 2006
Jones, A.: Data science skills and business problems. Blog Post. http://www.kdnuggets.com/2014/06/data-science-skills-business-problems.html (2014). Zugegriffen im Juni 2014
Loukides, M.: What is data science?. Blog Post. http://radar.oreilly.com/2010/06/what-is-datascience.html (2010). Zugegriffen im Juni 2010
Loukides, M.: The Evolution of Data Producst. O’Reilly Media, ISBN 978-1-449-31651-8 (2011, September)
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., Byers, A.H.: Big data: The next frontier for innovation, competition, and productivity. Report. http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation (2011). Zugegriffen im Mai 2011
Needham, J.: (2013) Disruptive Possibilities – How Big Data Changes Everything. O’Reilly Media, ISBN 978-1-449-36567-7 (2013, Februar)
Osterwalder, A., Pigneur, Y., Bernarda, G., Smith, A.: Value Proposition Design. Wiley, Hoboken (2014)
Parekh, D.: How big data will transform our economy and our lives in 2015. Blog Post. http://techcrunch.com/2015/01/02/the-year-of-big-data-is-upon-us/ (2015). Zugegriffen im Januar 2015
Patil, D.J.: Building data science teams. Blog Post. http://radar.oreilly.com/2011/09/building-data-science-teams.html (2011). Zugegriffen im September 2011
Provost, F., Fawcett, T.: Data science and its relationship to big data and data-driven decision making. Big Data 1(1) (2013)
Siegel, E.: Predictive Analytics – The Power to Predict Who Will Click, Buy, Lie, or Die. John Wiley & Sons, ISBN 978-1-118-35685-2 (2013)
Stadelmann, T., Stockinger, K., Braschler, M., Cieliebak, M., Baudinot, G., Dürr. O., Ruckstuhl, A.: Applied data science in Europe – Challenges for academia in keeping up with a highly demanded topic. In: European Computer Science Summit. ECSS 2013, Informatics Europe, Amsterdam, August 2013
Stockinger, K., Stadelmann, T.: Data Science für Lehre, Forschung und Praxis. Praxis der Wirtschaftsinformatik, HMD. 298 Springer, Heidelberg, S. 469–477 (2014)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2016 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Stockinger, K., Stadelmann, T., Ruckstuhl, A. (2016). Data Scientist als Beruf. In: Fasel, D., Meier, A. (eds) Big Data. Edition HMD. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-11589-0_4
Download citation
DOI: https://doi.org/10.1007/978-3-658-11589-0_4
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-11588-3
Online ISBN: 978-3-658-11589-0
eBook Packages: Computer Science and Engineering (German Language)