Data Science 2020: Kompetenz- und Qualifikationsanforderungen an Data Scientists zur Optimierung betrieblicher Rekrutierungsprozesse in Deutschland

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungs- und Symbolverzeichnis

1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung und Vorgehensweise

2 Systematisches Literaturreview
2.1 Vorgehen
2.2 Definitorische Abgrenzung
2.3 Herkunft und Definition der Data Science
2.4 Kompetenzprofile der Data Science

3 Forschungsteil
3.1 Forschungsmethodik
3.2 Empirische Untersuchung
3.3 Forschungsergebnisse
3.4 Handlungsempfehlungen

4 Schlussbemerkung

Literaturverzeichnis

Anhangsverzeichnis

Anhang

Abbildungsverzeichnis

Abbildung 1: Vorgehensweise zum systematischen Literaturreview

Abbildung 2: Instrumente der Data Analytics

Abbildung 3: Anwendungsfelder der Data Analytics-Disziplinen

Abbildung 4: Anwendungsfelder der Data Analytics-Disziplinen inklusive Data Science

Abbildung 5: Trendvergleich der Online-Suchanfragen in Deutschland

Abbildung 6: Branchenverteilung innerhalb der Stichprobe

Abbildung 7: Räumliche Verteilung innerhalb der Stichprobe

Abbildung 8: Sankey-Diagramm zu konzept- und systembezogenen Kompetenzen

Tabellenverzeichnis

Tabelle 1: Analyse der identifizierten Fachbeiträge

Tabelle 2: Soziales Kompetenzprofil

Tabelle 3: Konzeptbezogenes Kompetenzprofil

Tabelle 4: Systembezogenes Kompetenzprofil

Tabelle 5: Verteilung von Berufsbezeichnungen innerhalb der Stichprobe

Tabelle 6: Sozial-kommunikatives Kompetenzprofil mit Stichprobendaten

Tabelle 7: Konzeptbezogenes Kompetenzprofil mit Stichprobendaten

Tabelle 8: Systembezogenes Kompetenzprofil mit Stichprobendaten

Tabelle 9: Personenbezogenes Kompetenzprofil mit Stichprobendaten

Abkürzungs- und Symbolverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Problemstellung

In der heutigen Geschäftswelt finden sich kaum mehr Wirtschaftszweige, die ohne den Einsatz von IT-Spezialisten auskommen, so die Bundesagentur für Arbeit in einem Bericht zum Arbeitsmarkt im April 2019.¹ Die Zahl der IT-Beschäftigten in der EU inklusive Großbritannien umfasst aktuell rund 8,4 Millionen und entspricht damit einer Steigerung um 36% in den vergangenen zehn Jahren. Nach Großbritannien stellt Deutschland hierbei die meisten Fachkräfte, liegt jedoch gemessen am Anteil der eigenen Gesamtbeschäftigung bei lediglich 3,8% und damit nur knapp über dem EU-Durchschnitt.² So warnt auch der Digitalverband Bitkom vor zu wenigen IT-Spezialisten in Deutschland und identifizierte im November 2019 einen Höchststand im IT-Fachkräftemangel mit 124.000 offenen Stellen für 2020 und damit einer Steigerung um 51% zum Vorjahr sowie mehr als einer Verdopplung im Vergleich zu 2017.³ Laut MINT-Herbstreport 2019 kann sogar gemessen am Niveau von 2014 beinahe von einer Verdreifachung gesprochen werden.⁴ Die Sektoren, in denen der Bedarf am höchsten ist, variieren je nach Studie.⁵ Grundsätzlich kann aber festgehalten werden, dass (Big) Data Analytics durchweg zu den gefragtesten Themen im IT-Bereich zählt, wobei insbesondere aufstrebende Trends innerhalb der Disziplin Data Science zu erkennen sind.⁶ Dementsprechend listet die Meta-Jobsuchmaschine Indeed für die Terme [title:((Data AND Scientist) OR "Data Science")] allein innerhalb Deutschlands 1.106 ausgeschriebene Stellenanzeigen auf (Stand: 13.03.2020).⁷ Unmittelbare wirtschaftliche Folgen dieser Arbeitsmarktsituation sind neben steigenden Lohn- und Gehaltskosten höhere Vakanzzeiten, die den operativen Geschäftsbetrieb sowie die Abwicklung von Projekten beeinträchtigen, was zur Verursachung von Umsatzeinbüßen führt.⁸ Des Weiteren schränkt der Fachkräftemangel die Innovationsmöglichkeiten der Unternehmen ein und könnte sich zu einem Wachstumshemmnis entwickeln.⁹ Besonders die Digitalisierung als Ausgangspunkt und maßgeblicher Treiber dieser Entwicklung stellt Unternehmen vor grundlegenden und neuen Herausforderungen.¹⁰ Um wettbewerbsfähig zu bleiben und die Chancen der Digitalisierung zu nutzen, sind Geschwindigkeit und Anpassungsfähigkeit erforderlich, was den generellen Bedarf an IT-Spezialisten zunehmend erhöht.¹¹

Vorwiegend zentrale Themen, wie der Umgang mit Big Data und Data Science, finden im Zuge des digitalen Transformationsprozesses verstärkt Einzug in die Geschäftswelt: ein exponentielles Wachstum von strukturierten und unstrukturierten Informationen, leistungsfähige Analysetools, die Verfügbarkeit von Echtzeitinformationen, die kontinuierliche Zunahme der Rechenkapazität und die Entwicklung künstlicher Intelligenzen führen zur Entstehung neuer Wirtschaftsmodelle und schaffen einen neuen Bedarf an Fachkräften.¹² Immer mehr Unternehmen sowie auch traditionellere Wirtschaftszweige erkennen in Big Data eine Ressource mit strategischem Wert und investieren in den Aufbau von Datenanalyse und Data Science.¹³ Die steigende Zahl an Universitäten und Institutionen, die begonnen haben, Forschungszentren für Themen wie Data Science, Data Analytics oder Big Data einzurichten, bestätigen diese Entwicklung.¹⁴ Gleichzeitig zeigen aktuelle Untersuchungen, dass die Bedeutung betriebswirtschaftlicher Elemente in der Praxis, wie analytische Fähigkeiten, Projektmanagementmethoden oder soziale Kompetenzen, neben dem technischen und quantitativen Fachverständnis im Bereich der Data Science stetig wächst.¹⁵ Somit verschwimmen die Grenzen zwischen IT- und betriebswirtschaftlich bezogenen Aufgaben und Anforderungen zunehmend.¹⁶ Umso wichtiger ist es für Unternehmen zu verstehen, welche Kompetenzen sie bei der Rekrutierung von Data Scientists wirklich benötigen.¹⁷ Jedoch so vielfältig die Einsatzmöglichkeiten von Data Scientists sind, so verschieden sind auch die Meinungen hinsichtlich der Kompetenzen, über die diese Berufsgruppe verfügen sollte.¹⁸ Der Umfang an Diskussionen zu spezifischen Definitionsversuchen und Abgrenzung von Data Science sorgt zudem für Verwirrung und liefert je nach Perspektive meist nur vage allgemeingültige Ansätze.¹⁹ Obgleich auch berücksichtigt werden muss, dass die unausgereifte Disziplin der Data Science einen gesunden Prozess durchläuft und eine zu frühe Standardisierung aktuell noch unbekannte Potenziale von Data Science verschließen könnte.²⁰

Nichtsdestotrotz verkompliziert dies betriebliche Rekrutierungsprozesse, sodass Unternehmen als direkte Konsequenz ihre Anforderungen an Bewerberqualifikationen oftmals abwegig oder zu hoch ansetzen.²¹ Der zugleich plötzliche und rasant gestiegene Bedarf an Data Scientists führt weiterhin zur Notwendigkeit von ausreichend qualifizierten Fachkräften, was Anlass zur Sorge gibt, da die erforderlichen Fähigkeiten am Markt bislang kaum verfügbar sind.²² Die Kluft zwischen Angebot und Nachfrage in weiten Teilen der gesamten Geschäftswelt entwickelt sich somit nicht nur in Deutschland zunehmend zu einem Hindernis.²³ Untersuchungen dieser Sachlage berichten, dass auch in Zukunft das Berufsbild der Data Scientists und Datenanalyseexperten stark gefragt ist und sich der Fachkräftemangel besonders in diesem Segment noch deutlicher verschärfen wird.²⁴ Demnach sollten Unternehmen dazu bereit sein, von der rigorosen Sichtweise, ein Data Scientist beherrsche den Großteil dieses Kompetenzspektrums, abzuweichen, um nicht mittels zu strikter Bewertungskriterien fachlich geeignete Kandidaten für den jeweiligen Bedarf auszuschließen.²⁵ Dabei nehmen IT- und betriebswirtschaftliche Anforderungen bei fehlendem Konsens einer allgemeingültigen Definition sowie dessen unklarer Abgrenzung zu engverwandten Bereichen stetig zu.²⁶ Dies führt zu einer Zuspitzung der Herausforderungen, vor denen Unternehmen stehen, die Data Science-Positionen in Zeiten steigenden Personalbedarfs und gleichzeitigem Fachkräftemangels versuchen zu besetzen.²⁷ Daher stellt sich die Frage, ob in der betrieblichen Praxis in Deutschland ein unklares Verständnis von Data Science besteht, das Rekrutierungsprozesse negativ beeinflusst, indem es einerseits dazu führt, dass Unternehmen zu besetzende Positionen fälschlicherweise dem Bereich Data Science zuordnen oder anderseits Kompetenz- und Qualifikationsanforderungen zweckwidrig oder zu hoch angesetzt werden.

1.2 Zielsetzung und Vorgehensweise

Um Unternehmen in dieser Problemstellung eine Orientierungshilfe zu bieten, widmet sich diese Untersuchung einer Zusammenstellung aktueller und wichtiger Diskussionen im Zusammenhang mit Definitionsansätzen, Kompetenzen und Anforderungen zum Thema Data Science als auch dessen Abgrenzung zu engverwandten Disziplinen der Data Analytics. Da diese Thematik in der gesamten Wirtschaftswelt relevant ist, werden die in dieser Untersuchung folgenden Darstellungen in erster Linie aus allgemeiner betriebswirtschaftlicher Perspektive betrachtet und haben keinen Anspruch auf eine dauerhaft allgemeingültige Definition von Data Science. Vielmehr ist dies eine gegenwärtige Standpunktanalyse über den Entwicklungsgrad von Data Science und zeigt auf, wie das Berufsbild des Data Scientists laut aktuellem Forschungsstand in der Betriebswirtschaftslehre zum Beginn der neuen Dekade 2020 verstanden wird und in welcher Hinsicht Missverständnisse bestehen, sodass Unternehmen ihre Bemühungen zur Gewinnung potenzieller Data Scientists optimieren können. Dabei wird konkret die Zielsetzung verfolgt, aufzuführen, welche Aufgaben und entsprechenden Kompetenzen man laut aktueller Forschung von Data Scientists erwarten kann sowie ob und inwiefern hierbei feststellbare Abweichungen zum betrieblichen Verständnis in Deutschland bestehen.

Zur Erfassung des aktuellen Stands des Wissens in dieser Thematik, wird in Kapitel 2 der vorliegenden Untersuchung eine systematische Literaturanalyse zugrunde gelegt. Das Studiendesign orientiert sich dabei stark an Zschech, Fleißner, Baumgärtel und Hilbert, dessen engverwandte Erhebung von Kompetenzanforderungen für Data Scientists im Fachjournal: HMD Praxis der Wirtschaftsinformatik 2018 veröffentlicht wurde.²⁸ Im Zuge des Kapitels werden zunächst Vorgehen und der gewählte Ansatz dargestellt. Nachfolgend werden die wichtigsten Begrifflichkeiten, die in einem engen Zusammenhang mit dem Untersuchungsgegenstand stehen, näher definiert und voneinander abgegrenzt. Auf Basis von Fachbeiträgen der aktuellen Forschung werden Herkunft, Entwicklung und Ausblick als auch gegenwärtige Definitionsansätze zur Data Science betrachtet und gegenübergestellt. Schließlich werden die Ergebnisse der Forschungsfrage naher Studien analysiert und mit einer betrachtenden Zusammenstellung der identifizierten Fachbeiträge verglichen. In Kapitel 3 folgt die Beschreibung der eigenen Forschungsmethodik unter Hervorhebung von Vorgehen und Besonderheit des gewählten eigenen Ansatzes. Dabei werden die erwarteten Ziele der Untersuchung aufgeführt und dargelegt, wie die Erkenntnisse gezogen werden. Darüber hinaus werden die Grenzen des Untersuchungsvorgehens kritisch diskutiert, gefolgt von einer detaillierten Betrachtung des Studiendesigns, woraufhin die Ergebnisse der empirischen Untersuchung präsentiert werden. In einer zusammenfassenden Ergebnisdarstellung werden die gewonnenen Erkenntnisse in einer interpretationsfreien objektiven Betrachtung kritisch gewürdigt und die eingangs aufgestellte Hypothese auf Bestätigung oder Verwerfung überprüft. Schließlich werden aus den Forschungsergebnissen Handlungsempfehlungen für Wissenschaft und Praxis abgeleitet. In Kapitel 4 erfolgt die Einordnung des eigenen Ansatzes und der gewonnenen Erkenntnisse in den Stand des Wissens als auch die Einbindung in die berufliche Praxis, indem Erweiterungs- und Ergänzungsmöglichkeiten aufgezeigt werden. Abschließend werden Ergebnisse und Thematik in Form eines Ausblickes nachhaltig eingeordnet.

Zwar betrachtet diese Untersuchung die wesentlichen Merkmale der Data Science in erster Linie aus rein betriebswirtschaftlicher Perspektive und vereinfacht zugunsten dieser gewisse technische Aspekte der Data Science, jedoch kann das Verständnis von gewissen Fachbegriffen wie Fachdisziplinen oder die klare Einordnung von komplexeren Programmiersprachen und Softwarelösungen von fachfremden Lesern keineswegs vorausgesetzt werden. Daher wird empfohlen, zunächst die im Anhang enthaltenen vereinfachten und allgemeinverständlichen Begriffsdefinitionen (s. Anhang I und

Anhang II) zu betrachten, bevor mit den folgenden Kapiteln fortgefahren wird. Grundkenntnisse in quantitativen Analyseverfahren werden demgegenüber vom Leser vorausgesetzt.

2 Systematisches Literaturreview

2.1 Vorgehen

Zur Beantwortung der Fragestellung ist es erforderlich, den gegenwärtigen Forschungsstand zur Data Science auf Basis aktueller und relevanter Diskussionen mit betriebswirtschaftlichem Themenbezug zu erfassen. Hierzu wurde der vorliegenden Untersuchung in Anlehnung an Zschech et al. ein systematisches Literaturreview zugrunde gelegt.²⁹ Die Literaturrecherche erfolgte dabei stichtagsbezogen zum 31.08.2019 in den Fachdatenbanken EBSCO Business Source Premier ³⁰, SpringerLink ³¹ und WISO ³². Aufgrund der Verwendung von national sowie international orientierter Datenbanken, beinhaltet das Literaturreview neben deutsch- auch englischsprachige Fachartikel. Die Auswahl der herangezogenen Beiträge erfolgte per Volltextsuche mithilfe spezifischer Suchterme sowie dessen logischer Verknüpfung als auch in Kombination mit Nachbarschaftsoperatoren:

Abbildung 1 : Vorgehensweise zum systematischen Literaturreview

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung in Anlehnung an Kempkes et al. ³³

Zur Erfassung von Fachbeiträgen, die sich mit der Data Science sowie dessen Kompetenzen beschäftigen, wurden Suchbegriffe in Verknüpfung mit dem Term Data Science verwendet, die im deutschen sowie englischen Sprachraum allgemein mit den Begriffen Definition, Kompetenz, Anforderung und Qualifikation in Verbindung stehen. Weiterhin wurden Beiträge berücksichtigt, die neben der Data Science noch mindestens einen weiteren engverwandten Bereich behandeln. Da das Verständnis von Data Science wie in Kapitel 1 behandelt bislang einem stetigen Wandel unterliegt, wurden zwecks einer gegenwärtigen Erfassung des Forschungsstands ausschließlich Beiträge herangezogen, die nach dem 01.01.2017 veröffentlicht wurden. Aufgrund der strengen Grenzen hinsichtlich des Veröffentlichungsdatums, wurden zudem lediglich Fachquellen gleichen Wissensfortschritts nach dem Modell des Wasserfalls wissenschaftlichen Wissens ³⁴ berücksichtigt. Somit sind Beiträge aus Fach- und Lehrbüchern ausgeklammert, da diese typischerweise das gesicherte essenzielle Wissen eines Fachgebiets erst nachfolgend beinhalten.³⁵ Objektivität und Relevanz der Publikationen wurden gewährleistet, indem Arbeitsberichte, Veröffentlichungen aus Fachkonferenzen, Unternehmenspräsentationen sowie auch Buchbesprechungen aus der Untersuchung ausgeschlossen und für die Analyse ausschließlich Fachzeitschriften herangezogen wurden, die in der Gesamtliste des einschlägigen Zeitschriftenratings VHB-JOURQUAL3 ³⁶ (Stand: 31.08.2019) aufgeführt sind.

Bezüglich der jeweiligen Bewertungen einzelner wissenschaftlicher Zeitschriften ist weiterhin zu beachten, dass diese über die Grenzen der Teilratings hinaus wenig vergleichbar sind. Gleichwohl stellen sie einen geeigneten Maßstab dar, um zu verdeutlichen, wie hoch die Relevanz des Themengebiets in welcher betriebswirtschaftlichen Teildisziplin gegenwärtig ist. Die definierten Suchkriterien mithilfe der festgelegten Ein- und Ausschlusskriterien identifizierten im Zuge der Literaturrecherche in den Fachdatenbanken 192 Fachartikel. Anschließend wurden vier Duplikate entfernt und auf Basis manueller Inhaltsprüfung 128 Fachartikel aussortiert, die weder allgemeingültige Definitionsansätze zum Thema Data Science diskutieren, dessen generelle Kompetenzen beschreiben oder diese im Vergleich zu engverwandten Bereichen betrachten. Somit ließen sich insgesamt 60 Fachartikel identifizieren, die zur Beantwortung der Fragestellung dieser Untersuchung eine geeignete und fundierte theoretische Grundlage bieten. Die ausgewerteten Fachartikel verteilen sich weiterhin gleichmäßig über die einzelnen Teilratings und Teildisziplinen des VHB-JOURQUAL3, doch schwerpunktmäßig im Bereich der Wirtschaftsinformatik (s. Tabelle 1, S. 7). Bezüglich der Veröffentlichungszeiträume der identifizierten Fachbeiträge ist eine steigende Tendenz von 2017 (11) über 2018 (26) bis einschließlich August 2019 (23) erkennbar.

Tabelle 1 : Analyse der identifizierten Fachbeiträge

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung

* kein Rating

** keine wissenschaftliche Zeitschrift

2.2 Definitorische Abgrenzung

Um das Thema Data Science genauer erklären und einordnen zu können, ist es wichtig vorab grundlegende Begrifflichkeiten der engverwandten Data Analytics näher zu definieren und klar voneinander abzugrenzen.³⁷ Zwar ist im Grunde ein allgemeingültiges Bild von Data Analytics in der Wissenschaft erkennbar, jedoch werden auch zum heutigen Stand noch Unterbegriffe sowie dessen Abgrenzungen zueinander häufig diskutiert.³⁸ Der folgende theoretische Teil dieser Untersuchung konzentriert sich daher auf die Beleuchtung einer Vielzahl der wichtigsten Autorenaussagen zu diesen Themen und arbeitet die übereinstimmenden Kernaussagen heraus.

Grundsätzlich beschreibt der Begriff Datenanalyse den reinen Prozess der Verarbeitung von Daten durch traditionelle statistische, mathematische oder logische Theorien, Technologien und Werkzeuge zur Gewinnung zweckdienlicher Informationen.³⁹ Data Analytics hingegen bezieht sich auf jene Theorien, Technologien und Werkzeuge, dessen generelle Zielsetzungen primär auf dem Konzept basiert, relevantes Wissen abhängig von der jeweiligen Fragestellung aus der Analyse von Daten oder Big Data zu generieren.⁴⁰ Zu den Big Data zählen dabei verschieden strukturierte Daten unterschiedlicher Dimensionalitäten aus heterogenen Ressourcen, wie Text, Video, Audio, Bilder oder Codes.⁴¹ Abhängig von den Eigenschaften der zu analysierenden Daten, finden sich in der Wissenschaft Unterbegriffe zur Data Analytics.⁴² So beschreiben Advanced Analytics und Big Data Analytics Methoden und Techniken, die die Analyse aller digitalen Informationen bis hin zu Big Data ermöglichen, welche mit herkömmlichen Verfahren nicht erreicht werden kann.⁴³ Die Begriffe Data Analytics und Analytics beziehen sich hingegen eher auf einen ganzheitlichen Ansatz.⁴⁴ So versteht man allgemein unter Analytics, Advanced Analytics, Big Data Analytics und Data Analytics das Analysieren und Interpretieren umfangreicher, oft heterogener Datenbestände mit statistischen Verfahren, um Muster und Zusammenhänge in Daten aufzudecken, die Prognosen über zukünftige Ereignisse und Gegebenheiten ermöglichen oder als Entscheidungsgrundlagen für betriebliche Abläufe oder private Zwecke dienen.⁴⁵ Die verschiedenen Ausprägungen von Analytics basieren somit auf einem gemeinsamen Nenner oder könnten zum Teil auch als reine Synonyme zueinander gelten und werden daher im weiteren Verlauf unter dem Sammelbegriff Data Analytics zusammengefasst. Die Theorien, Technologien und Werkzeuge der Data Analytics lassen sich in vier Unterkategorien einteilen: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics; wobei jede Ausprägung bestimmte Verfahren anwendet, um jeweils einer spezifischen Fragestellung nachzugehen.⁴⁶

Die Descriptive Analytics verwendet bekanntes Wissen, typischerweise in Form von Statistiken, um Daten hinsichtlich relevanter Merkmale oder Attribute zur Informationsgewinnung über z. B. Verteilung, Entwicklung oder Validität zu beschreiben.⁴⁷ Übliche Analyseaufgaben umfassen Reporting, statistische Auswertungen, Alarmierungen und Prognosen, wobei die Fragestellung ‚Was ist geschehen?‘ im Mittelpunkt steht.⁴⁸ Die Diagnostic Analytics befasst sich auf gleicher Ebene mit der Kausalität und der erweiterten Fragestellung ‚Warum ist es geschehen?‘, findet jedoch in vielen Definitionen kaum mehr Anwendung oder wird vermehrt als Teilbereich der Descriptive Analytics zugeordnet.⁴⁹ Unter Predictive Analytics, versteht man Methoden, die Prognosen über unbekannte zukünftige Ereignisse und Entwicklungen erlauben als auch Erklärungsansätze zu diesen liefern, sodass ein proaktives Verständnis und frühzeitige Maßnahmen zur Prävention ermöglicht werden können.⁵⁰ In diesem Zusammenhang beschäftigt sich die Predictive Analytics mit der Fragestellung ‚Was wird geschehen?‘ und verwendet hierfür verschiedene statistische Methoden wie Regressionen, Klassifikations- und Zeitreihenanalysen aus Fachdisziplinen wie Machine Learning.⁵¹ Die Prescriptive Analytics geht über die reine Beschreibung (Descriptive Analytics) oder Vorhersage von Ereignissen (Predictive Analytics) hinaus und behandelt die Fragestellung ‚Was soll geschehen?‘, indem mögliche Handlungsoptionen hinsichtlich ihrer Auswirkungen zur Empfehlung optimaler Aktionen für Geschäftsentscheidungen bewertet werden.⁵² Erreicht wird dies durch den Einsatz komplexer und individueller Algorithmen und Tools aus Fachdisziplinen wie Machine Learning oder Data Mining, wobei die Qualität der zugrundeliegenden Daten aus bekanntem als auch zukünftigem Wissen entscheidend für die Ermittlung bestmöglicher Handlungsoptionen ist.⁵³

Abbildung 2: Instrumente der Data Analytics

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Becker und Feichtinger ⁵⁴

Nach hinreichender Definition und Abgrenzung der Begrifflichkeiten der Data Analytics können die Disziplinen Business Intelligence und Business Analytics in das Konstrukt eingeordnet werden. Mit Beginn der Digitalisierung fanden vermehrt Enterprise Information Systems, kurz EIS, zur Erfassung und expliziten Auswertung betrieblicher Geschehnisse Einzug in die Unternehmenswelt.⁵⁵ Schwerpunktmäßig beschäftigten sich EIS dabei mit strukturierten oder statischen Daten aus internen Vorsystemen wie ERP, CRM oder der Buchhaltung, wobei die adressatengerechte Datenhaltung sowie multidimensionale Analysen, den sogenannten OLAP, im Vordergrund standen.⁵⁶ Neben dem klassischen Berichtswesen wurde jedoch die horizontale Integration von relationalen Datenbanksystemen, Ad-hoc-Auswertungen und Echtzeit-Analysen entlang aller Geschäftsprozesse immer bedeutsamer, sodass diese Aufgaben fortan gemeinsam unter dem Begriff Business Intelligence zusammengefasst wurden.⁵⁷ Business Intelligence wird seither primär zur Betrachtung rückblickender und beschreibender Geschäftsdatenanalysen und Berichte sowie zur interaktiven Untersuchung und Visualisierung großer Datenbestände verwendet.⁵⁸ Die hier angewandten Verfahren beantworten dabei speziell die Fragestellungen der Descriptive Analytics (‚Was ist geschehen?‘ und ‚Warum ist es geschehen?‘).⁵⁹ So bilden diese Verfahren die generelle Grundlage für standardmäßige Business Intelligence-Aufgaben und -Projekte.⁶⁰ Im Zuge der Big Data-Entwicklung treten jedoch vermehrt erweiterte Anforderungen nach vorausschauenden Perspektiven auf, wie der Abbildung von Trends und Prognosen, die zunehmend auf der Basis von Big Data stattfinden und Business Intelligence damit verstärkt in Richtung der Predictive Analytics rücken.⁶¹ Als Konsequenz dieses Trends nehmen Business Intelligence-Analysten sukzessiv die Rolle von Informationsproduzenten ein.⁶²

Dem gegenüber steht die Business Analytics, dessen Thematik im Vergleich zur Business Intelligence noch relativ jung ist und für die bislang noch keine allgemeingültige Definition vorliegt.⁶³ Jedoch gilt sie im weitesten übereinstimmend als Fortschritt der Business Intelligence, die ausgehend von der Big Data-Entwicklung und der erhöhten Datenverfügbarkeit den gestiegenen Bedarf an Kompetenzen zu evidenzbasierten Lösungen betriebswirtschaftlicher Problemstellungen deckt.⁶⁴ Das Wort Fortschritt darf dabei aber nicht als Weiterentwicklung verstanden werden, da unter Business Intelligence Methoden zusammengefasst werden, die auf Basis von Abfragen relativer Datenbanken Ergebnisse liefern und sich selbst in einem Prozess der Weiterentwicklung hinsichtlich der Predictive Analytics befinden.⁶⁵ In der Business Analytics werden dagegen klassische statistische Methoden aus den Bereichen Data Mining, Machine Learning, Deep Analytics und Visual Analytics angewandt, um in großen, meist unstrukturierten Datenquellen Muster und Zusammenhänge zu erkennen als auch erkennbar zu machen. Dies beinhaltet die Durchführung von zukunftsorientierten (Risiko-)Simulationen und Szenario-Analysen.⁶⁶ Die Zielsetzung der Business Analytics liegt demnach primär in der Lieferung von Prognosen sowie Handlungsempfehlungen und konzentriert sich damit schwerpunktmäßig auf die Beantwortung von Fragestellungen der Predictive Analytics (‚Was wird geschehen?‘) sowie der Prescriptive Analytics (‚Was soll geschehen?‘).⁶⁷ So kann Business Analytics laut der aktuellen Diskussion als Unterbegriff zur Data Analytics und als Überbegriff zu Descriptive Analytics, Predictive Analytics und Prescriptive Analytics angesehen werden, wobei ihre Anwendung primär in der Predictive Analytics und der Prescriptive Analytics stattfindet.⁶⁸

Abbildung 3 : Anwendungsfelder der Data Analytics-Disziplinen

Abbildung in dieser Leseprobe nicht enthalten

- Business Intelligence - Business Analytics

Quelle: Eigene Darstellung in Anlehnung an Becker und Feichtinger

Grundsätzlich lässt sich daraus schlussfolgern, dass Data Analytics die Zusammenfassung aller Methoden und Verfahren darstellt, die auf der Datenanalyse basieren. Business Intelligence und Business Analytics gelten unabhängig voneinander auf gleicher Ebene als Überbegriffe zu Descriptive Analytics, Predictive Analytics und Prescriptive Analytics, vereinen jedoch unterschiedliche Methoden und Verfahren, die zur Beantwortung verschiedener Fragestellungen angewendet werden. So sind die Methoden und Verfahren der Business Intelligence eher deduktiv sowie vergangenheits- als auch gegenwartsorientiert und basieren vorwiegend auf der Analyse strukturierter Daten, zur primären Beantwortung deskriptiver Fragestellungen.⁶⁹ Die Methoden und Verfahren der Business Analytics sind hingegen eher induktiv sowie zukunftsorientiert und basieren vorwiegend auf der Analyse unstrukturierter Daten oder von Big Data, zur primären Beantwortung prädiktiver und präskriptiver Fragestellungen.⁷⁰ Jedoch finden zunehmend Methoden und Verfahren der Business Intelligence Einzug in die Predictive Analytics.⁷¹ Somit beinhalten Business Intelligence und Business Analytics, wie in Abbildung 3 dargestellt, nicht disjunkte Teilmengen der Predictive Analytics.

2.3 Herkunft und Definition der Data Science

Das Konzept der Data Science ist gegenüber der Data Analytics im Grunde methodisch nicht neu.⁷² Der Begriff der Data Science wurde erstmals im Jahr 1962 von Tukey ⁷³ in Bezug auf die Datenverarbeitung und -analyse in der Statistik, Mathematik und Informatik geprägt.⁷⁴ Mit der Anerkennung der Datenanalyse als empirische Wissenschaft befasste sich die Data Science ursprünglich mit der Verarbeitung von Informationen sowie der explorativen Analyse großer Datenbestände zur Beantwortung wissenschaftlicher Problemstellungen.⁷⁵ In der Literatur wurde der Begriff der Data Science erstmals 1974 im Vorwort zu Naurs Fachbuch Concise Survey of Computer Methods ⁷⁶ als eine Wissenschaft zum Umgang mit erhobenen Daten beschrieben, dessen Erkenntnisgewinnung anderen Unternehmensbereichen oder Wissenschaften zugutekommt.⁷⁷ Diese ursprüngliche Definition der Data Science war demnach spezifischer formuliert als es in heutigen Diskussionen der Fall ist.⁷⁸ Zu Beginn der 1990er Jahre wurde mehr Bedeutung auf die Verwendung von Daten zwecks Aufstellung und Prüfung geeigneter Hypothesen gelegt, um den statistisch geprägten Schwerpunkt von der klassischen Datenerhebung, -modellierung und -analyse auf den zukünftigen empirischen Ansatz zur Verarbeitung großer und komplexer Datenbestände sowie der Darstellung und Nutzung von Wissen zu verlagern.⁷⁹ Aufgrund der weitgehenden inhaltlichen Überschneidungen der Themengebiete Statistik und Data Science wurde 1997 erstmals die Frage diskutiert, ob die Bezeichnung der Statistik künftig als Data Science sowie dessen Berufsgruppe als sogenannte Data Scientists sinnvoller wäre.⁸⁰ Entgegen dieses Trends prägten Cleveland ⁸¹ und Breiman ⁸² im Jahr 2001 die Entwicklung der Data Science maßgeblich, indem sie vorschlugen, sich von der ausschließlichen Abhängigkeit stochastischer Datenmodelle zu lösen und die technischen Bereiche der Statistik auf die Data Science auszudehnen und zu erweitern, indem sie sich auf die Algorithmus-basierte Datenverarbeitung mit dem Einsatz vielfältiger Werkzeuge in Zusammenarbeit mit Informatikern konzentriert.⁸³ Trotz der voranschreitenden Etablierung der Data Science als fortan eigene Wissenschaft wurde 2005 bei einem Treffen von Industrievertreter großer Analysesoftwarehersteller in Sydney die kritische Frage diskutiert, ob neben der bereits lange existierenden Informationswissenschaft die Notwendigkeit zur Data Science wirklich bestehe und ob Data Science lediglich „ alter Wein in neuen Flaschen sei“.⁸⁴

Dennoch haben sich Data Scientists im Zuge der Digitalisierung als Löser komplexer Herausforderungen bewährt, die ohne die Entwicklung der neuen Disziplin nicht wirksam mit klassischen Methoden hätten behandelt werden können.⁸⁵ Zudem haben sie in der Rolle als Bindeglied zwischen Top-Management, Shopfloor-Management und Technik zunehmend an Bedeutung gewonnen und nehmen seither aus Perspektive der Fach- und Studiengangentwicklung eine vielfältige Mischung aus Statistikern, Mathematikern, Informatikern, Grafikdesignern und Datenanalysten ein.⁸⁶ 2013 wurde der Begriff Data Science zudem erstmals in Gartners Hype Cycle aufgenommen und wird seither mit spezifischen Bereichen wie Artificial Intelligence, Data Mining, Deep Learning und Machine Learning in Verbindung gebracht.⁸⁷ Ein wesentliches Merkmal, das die Data Science von der vorhergehenden Ära unterscheidet, ist die voranschreitende Verfügbarkeit offener und komplexer Daten, die mit wesentlichen Fortschritten AI-basierter Methoden einhergeht, mithilfe derer aus beinahe allen verfügbaren Informationen Erkenntnisse gewonnen werden können.⁸⁸

Auch wenn die Data Science im Zuge der letzten Jahre einen populären Stellenwert im Gebiet der Datenanalyse und Erkenntnisgewinnung eingenommen hat, wird sie weiterhin als noch unausgereifte Disziplin betrachtet.⁸⁹ Allgemein übereinstimmend wird Data Science in aktuellen Diskussionen als eine junge interdisziplinäre Wissenschaft bezeichnet, die auf Elementen der Statistik, Mathematik, Informatik, Datenvisualisierung, Programmierung inklusive Artificial Intelligence, Datenbankengineering, Kommunikation, Management und Soziologie aufbaut.⁹⁰ Ziel ist es, mithilfe umfassender Methoden und Techniken Muster und Zusammenhänge in exponentiell wachsenden, komplexen, strukturierten und unstrukturierten Datenbeständen wie Big Data zu erkennen, um diese Daten in Wissen umzuwandeln.⁹¹ Dabei werden Daten und ihre Umgebung untersucht, komplexe Probleme gelöst, Verhalten erklärt oder Prognosen ermöglicht, um schließlich eine Verbesserung der Entscheidungsfindung zu erzielen.⁹² Jedoch dürfen die Methoden der Data Science nicht als Ersatz für die theoretische Forschung oder konventionelle Statistik verstanden werden; vielmehr ergänzen sie die etablierten Methoden.⁹³ Die konventionelle Statistik verfolgt in der Regel einen deduktiven Ansatz, indem Daten, die durch ein bestimmtes stochastisches Datenmodell erhoben wurden, mit der Formulierung und Prüfung von Hypothesen untersucht werden.⁹⁴ Die fortgeschrittenen Modelle und Techniken der Data Science verfolgen einen induktiven Ansatz, indem sie schwerpunktmäßig verschieden strukturierte Datenmengen, die nicht zwangsläufig zwecks Datenanalyse erhoben wurden, auf nicht im Voraus spezifizierte Muster und Zusammenhänge untersuchen.⁹⁵ Zur Anwendung dieser Modelle und Techniken werden insbesondere Kompetenzen aus den Forschungsgebieten der Artificial Intelligence und des Machine Learning benötigt, um selbstlernende Algorithmen zu entwickeln, die verfügbare Daten analysieren, ohne explizit programmiert worden zu sein.⁹⁶ Diese AI-basierten Technologien erlauben es, Anzahl, Breite und Geschwindigkeit beantworteter Fragen zu erhöhen und damit die Produktivität zu steigern, weshalb die Data Science im wachsenden Interesse der Wirtschaft steht, die ihre Aufgabenfelder grundlegend prägt.⁹⁷

Data Scientists sind in der heutigen Geschäftswelt diejenigen, die gewonnene Erkenntnisse nutzen, um die Entscheidungsfindung im Unternehmenskontext zu unterstützen und es verstehen, Antworten auf wichtige Geschäftsfragen aus der großen Menge vorhandener Daten herauszufiltern, die in einer Organisation verfügbar sind.⁹⁸ Neben einem klaren Verständnis der Data Analytics sowie der allgemeinen IT vereint das derzeitige Rollenbild der Data Scientists dabei eine Vielzahl an Kompetenzen unter sich. Angefangen mit erweiterten Fähigkeiten in den Bereichen Mathematik, Statistik, Datenmanagement einschließlich der Datenvisualisierung werden ihnen Programmierkenntnisse zur Entwicklung von Machine Learning- und Artificial Intelligence-Lösungen zugesprochen.⁹⁹ Darüber hinaus erwartet man von ihnen ein ausgeprägtes Geschäftsverständnis als auch die Kompetenz zur Kooperation und Kommunikation mit und zwischen den Unternehmensbereichen sowie die professionelle Präsentation von Ergebnissen.¹⁰⁰ Gleichzeitig finden Data Scientists zunehmend Einzug in Fachabteilungen, da sie als Mitarbeiter der IT-Abteilung oft zu weit von operativen Prozessen und Prozessverantwortlichen entfernt sind, wodurch ihre Wirkungsfähigkeit eingeschränkt ist.¹⁰¹ Aufgrund der gestiegenen Datenorientierung verfügen immer mehr Fachabteilungen selbst über Datenkompetenzen und können in einer Einheit mit den Data Scientists Mehrwerte generieren und Innovationen vorantreiben.¹⁰² Des Weiteren führt diese Integration dazu, dass verstärkt Data Science-Elemente in die abteilungsinternen Prozesse wandern und auch Fachanwender sich mithilfe anwenderfreundlicher IT-Produkte gewisse Data Science-Kompetenzen aneignen und Aufgaben bearbeiten können.¹⁰³ Da jedoch zum heutigen Zeitpunkt kein klarer Konsens über die notwendigen Kompetenzen, über die ein Data Scientist insgesamt verfügen muss, existiert, können sich im Umkehrschluss alle Datenwissenschaftler, Data Analysten, Business Analysten sowie Business Intelligence-Analysten als Data Scientists bezeichnen.¹⁰⁴

Zwar existieren zu den engverwandten Disziplinen der Data Science erhebliche Überschneidungen, jedoch zeigen verschiedene Forschungsarbeiten, dass Data Scientists im Allgemeinen trotz der zunehmenden Geschäftsorientierung viel daten- und technologiebewusster sind.¹⁰⁵ Die Anzahl der durchgeführten Datenexperimente ist fast doppelt so hoch wie im Vergleich zu Business Intelligence-Fachleuten.¹⁰⁶ Zur Identifikation von Mustern und Zusammenhängen in großen Datenmengen greift die Data Science mitunter auf Wissen und Kompetenzen der Data Analytics und damit der Business Intelligence sowie der Business Analytics zurück.¹⁰⁷ Die Data Science kann somit als Weiterentwicklung der Data Analytics und Überbegriff zur Business Analytics sowie zur Business Intelligence verstanden werden.¹⁰⁸ Wenn auch nicht mit einer konkreten Fragestellung verfolgt, entsprechen die gewonnen Erkenntnisse der Data Science der Zielsetzung der Predictive Analytics und Prescriptive Analytics, sodass Data Science und Business Analytics eng beieinander liegen.¹⁰⁹ Vervollständigt man mit diesen Informationen das in Abbildung 3 (S. 11) aufgestellte Modell, lässt sich folgende Gesamtdarstellung abbilden:

Abbildung 4 : Anwendungsfelder der Data Analytics-Disziplinen inklusive Data Science

Abbildung in dieser Leseprobe nicht enthalten

- Business Intelligence - Business Analytics - Data Science (allgemein) - Data Science (Hauptanwendungsfelder)

Quelle: Eigene Darstellung in Anlehnung an Becker und Feichtinger

Hinsichtlich der Auslegung der Darstellung ist zu beachten, dass die Data Science neben der Data Analytics als übergeordnete Disziplin das gesamte Anwendungsfeld abbildet. Doch die der Data Science eigens zugrunde liegenden AI-gestützten Verfahren und Methoden werden hauptsächlich im Bereich der hervorgehobenen Fragestellungen mit entsprechendem Aufwand und Mehrwert eingesetzt.

Darüber hinaus lassen sich die jeweiligen Disziplinen in Anlehnung an die Untersuchung von Cao mithilfe von Google Trends hinsichtlich ihres Interesses im zeitlichen Verlauf darstellen:

Abbildung 5 : Trendvergleich der Online-Suchanfragen in Deutschland

Abbildung in dieser Leseprobe nicht enthalten- Business Intelligence - Business Analytics - Data Analytics - Data Science

Quelle: G oogle Trends ¹¹⁰

Die Grafik veranschaulicht das Interesse gemessen in Relation zum höchsten Suchaufkommen für die Suchbegriffe innerhalb Deutschlands im Zeitraum vom 1. Januar 2010 bis zum 29. Februar 2020. Der Wert 100 steht dabei für das insgesamt höchste Suchaufkommen innerhalb dieser Parameter. Der Wert 50 bedeutet dementsprechend, dass der Suchbegriff zu diesem Zeitpunkt im Vergleich halb so populär war und der Wert 0, dass für diesen Suchbegriff zu dem Zeitpunkt nicht genügend oder keine Daten vorlagen. Zu berücksichtigen ist weiterhin, dass eine Verbesserung der geografischen Zuordnung zum 1. Januar 2011 sowie eine Verbesserung des Datenerfassungssystems zum 1. Januar 2016 angewendet wurde. Aufgrund von Redundanz und ungenauer Messbarkeit wurde auf die Darstellung von Synonymen wie Advanced Analytics oder Wortstämmen wie BI verzichtet. Laut Google Trends verzeichnet das Interesse an Data Science besonders innerhalb der letzten fünf Jahre einen vergleichsweisen hohen Anstieg und erreichte zuletzt im Januar 2020 seinen bisherigen Höhepunkt. Demgegenüber verzeichnete das Interesse an Business Intelligence in dieser Darstellung seinen bisherigen Höhepunkt bereits im Februar 2011 mit einem Vergleichswert von 61 und ist im Laufe der letzten Jahre konsequent leicht rückgängig. Auch die Disziplinen Business Analytics und Data Analytics verzeichnen Anstiege innerhalb der letzten fünf Jahre, wobei das Interesse an Business Analytics im Vergleich gering bleibt und weit unter dem Niveau der anderen Disziplinen. Dagegen verzeichnet die Data Analytics einen etwas höheren Anstieg und liegt seit 2018 in etwa gleichauf mit der Business Intelligence. Jedoch auch wenn diese Darstellung kein vollständiges Bild wiederspiegelt, ist eine klare Tendenz hinsichtlich der grundsätzlichen Bedeutsamkeit und aktuellen Relevanz der Data Science innerhalb Deutschlands sowie dessen zukünftiger Entwicklung erkennbar und bekräftigt somit die Diskussionen, die der Data Science noch weitreichende Fortschritte vorhersagen.¹¹¹

So erwartet man, dass die Entwicklungsgeschwindigkeit weiter zunehmen und sich die Data Science über die Statistik hinaus erstrecken wird.¹¹² Durch die voranschreitende Automatisierung von Data Science-Aufgaben können sich Data Scientists in der Breite der Fachabteilungen etablieren und mithilfe leistungsstarker Methoden spezifische wissenschaftliche Grundprobleme und komplexe Herausforderungen identifizieren, erforschen und bewältigen, was die heutige Geschäftswelt grundlegend beeinflussen wird.¹¹³ Die erforderlichen Technologien, um diese Entwicklungen voranzutreiben, sind heute bereits zum Teil verfügbar, können jedoch aufgrund des weltweiten Engpasses an qualifizierten Datenwissenschaftlern nicht ausreichend genutzt werden.¹¹⁴ Aufgrund der Menge unterschiedlicher Kompetenzen, die der Data Science zugesprochen werden, entstand das Bild des Data Scientists als ‚hochrangiger Profi‘ und führte zu seiner inoffiziellen Bewertung als begehrtestes Berufsbild des einundzwanzigsten Jahrhunderts, weshalb der Data Scientist mitunter auch als ‚Engineer of the Future‘ betitelt wird.¹¹⁵ Kandidaten, die über die Breite aller multidisziplinären Kompetenzen verfügen, werden jedoch nur in seltenen Fällen zu finden sein.¹¹⁶ Doch sowohl die Wissenschaft als auch die Praxis zeigen bereits erste Tendenzen von diesem herausfordernden oder gar unrealistischen Kompetenzprofil abzuweichen und Wirtschaftsexperten ohne fundierte Datenkompetenzen die Data Science mithilfe automatisierter Mechanismen und anwenderfreundlicher IT-Produkte zugänglicher zu machen.¹¹⁷ Viele Universitäten und Institute, aber auch Online-Akademien wie Coursera ¹¹⁸, Udemy ¹¹⁹ oder Udacity ¹²⁰, haben ebenso begonnen, sich verstärkt mit der Data Science auseinanderzusetzen und Ausbildungsinhalte sowohl für Statistiker, Informatiker als auch für Wirtschaftswissenschaftler zu entwickeln.¹²¹ Der Standpunkt, dass betriebswirtschaftliche Kenntnisse ebenso wichtig sind wie statistisch-analytische und technische Fähigkeiten, schafft neue Rollenbilder und ebnet den Weg für Quereinsteigergruppen.¹²² Die Entstehung neuer Begriffe ist demnach noch nicht am Ende und bis zur Entwicklung einer geschlossenen Disziplin inklusive vollendeter Lehrpläne wird es noch einige Zeit benötigen, da sich die Data Science derzeit noch in einem sehr jungen Stadium befindet und eine zu frühe Standardisierung ihr Entwicklungspotential beinträchtigen würde.¹²³ Daher ist es umso wichtiger, parallel zur voranschreitenden Evolution der Data Science, ihre Schlüsselthemen in regelmäßigen Abständen zu untersuchen und sowohl der Wissenschaft als auch der Praxis eine Hilfestellung auf die Frage zu bieten, auf welche Kernkompetenzen sich fokussiert und welche erforderlichen Fähigkeiten aufgebaut werden sollten.¹²⁴

2.4 Kompetenzprofile der Data Science

Im Zuge des Literaturreviews konnten sieben Fachbeiträge identifiziert werden, die sich hinreichend mit der Feststellung aktueller Anforderungen an Data Scientists auseinandersetzen . Während Goerke und Seif ¹²⁵, Blohm ¹²⁶ und Berman et al. ¹²⁷ diese Kompetenzprofile als (Teil-)Ergebnisse ihrer Untersuchungen präsentieren, stützen Cao ¹²⁸ und Carillo ¹²⁹ ihre Darstellungen auf wissenschaftliche Publikationen und Aussagen von Fachautoren. Demgegenüber basieren die Ergebnisse von Prüfer und Prüfer ¹³⁰ auf der Auswertung erhobener Stellenangebote, wohingegen Zschech et al. ¹³¹ vorangegangene Studien, die sich ebenfalls mit dieser Thematik beschäftigt haben, aufbereiten und analysieren. Dabei unterscheiden sich die einzelnen Darstellungen hinsichtlich ihres Tiefgangs stark voneinander. Die Zusammenstellungen von Cao, Carillo, Goerke und Seif, Berman et al. sowie Blohm bestätigen das im vorherigen Kapitel aufgestellte Bild des sozialkompetenten Wunschkandidaten, der über eine mathematische sowie quantitative Expertise verfügt und mithilfe von Data Mining, Machine Learning oder AI-Algorithmen die Entscheidungsfindung optimiert, wobei er gleichzeitig über ein grundlegendes betriebswirtschaftliches Verständnis sowie entsprechendes Domänenwissen verfügt, um als Moderator und Schnittstelle zwischen den Unternehmensbereichen zu kommunizieren als auch eigens visualisierte Ergebnisse professionell präsentieren kann.¹³² Auffällig hierbei ist, dass alle Autoren diese Kompetenzen weder entsprechend eines Kategoriensystems unterteilen noch die jeweiligen Kompetenzfelder ihrer Bedeutung nach bewerten. Entgegen einer einfachen Zusammenstellung von Kompetenzen gehen Prüfer und Prüfer sowie Zschech et al. einen Schritt weiter und ordnen den jeweiligen Kompetenzen eine ihrer Relevanz entsprechenden Gewichtung zu, um ein genaueres Bild der Schlüsselkompetenzen wiederspiegeln zu können.¹³³ Darüber hinaus systematisieren Zschech et al. die festgestellten Anforderungen in konzeptbezogene sowie systembezogene Kompetenzen.¹³⁴

In ihrer Studie konnten Prüfer und Prüfer feststellen, dass der Bedarf an Planungs- und Organisationsfähigkeiten in IKT-Berufen, die auch die Data Science umfassen, im Untersuchungszeitraum von 2015 bis 2017 am stärksten nachgefragt wurden.¹³⁵ Darunter fallen auch Kompetenzen aus dem Bereich des Projektmanagements wie beispielsweise Scrum oder andere agile Methoden.¹³⁶ Angesichts der wachsenden Bedeutung der Datenkommunikation und der breiteren interdisziplinären Vernetzung sind Kommunikationsfähigkeiten gefolgt von Kooperationsfähigkeiten ebenfalls besonders gefragt.¹³⁷ Darüber hinaus zeigen die Untersuchungsergebnisse, dass die Nutzung der Data Science für eigene Zwecke oft keinen Doktortitel oder andere akademische Qualifikationen in diesem Bereich erfordert und sich Unternehmen stattdessen auf das zunehmende Interesse unternehmerischer Fähigkeiten konzentrieren sollten.¹³⁸

Zschech et al. ordnen die untersuchten Kompetenzen zunächst in zwei Kompetenzfelder ein. Unter konzeptbezogenen Kompetenzen werden Anforderungen aus Konzeptwissen, Fachdisziplinen und Wissensgebieten zusammengefasst, wohingegen die systembezogenen Kompetenzen sämtliche Kenntnisse im Umgang mit Programmiersprachen, Softwarelösungen und IT-Produkten umfassen (s. Tabelle 3, S.21 und Tabelle 4, 23). Aufgaben- sowie personenbezogene Kompetenzen werden zugunsten einer besseren Vergleichbarkeit der Ergebnisse von Zschech et al. ausgeschlossen. Da sich im Vergleich zu den systembezogenen Kompetenzen die Begrifflichkeiten der konzeptbezogenen Kompetenzen teilweise nicht eindeutig voneinander unterscheiden lassen, werden diese in acht übergeordnete Cluster zusammengefasst. Die ermittelten Score-Werte von 0,00 bis 1,00 entsprechen dabei einer quantitativen Aussage bestehend aus dem arithmetischen Mittel zweier Komponenten. Zum einen wird hierbei der relative Anteil basierend auf der Nennung der jeweiligen Kompetenz in den untersuchten Studien sowie ein Mittelwert aus den vorhandenen Gewichtungen in den einzelnen Anforderungsprofilen zugrunde gelegt. Die daraus resultierenden Ergebnisse von Zschech et al. legen dar, dass insbesondere konzeptbezogene Kompetenzen aus den Bereichen Datenanalyse/ Data Analytics, Machine Learning und Data Mining/ KDD sowie statistische Verfahren als auch Kenntnisse der angewandten Mathematik von insgesamt höchster Relevanz sind. Darüber hinaus sind Kenntnisse aus dem Bereich der Datenvisualisierung ebenfalls von höherer Bedeutung. Geringer, jedoch immer noch vergleichsweise hoch, fallen dagegen Anforderungen aus den Bereichen Programmierung, Management klassischer Datenstrukturen, Management von Big Data sowie Geschäftsverständnis aus, wobei festzuhalten ist, dass die maximale Differenz zwischen den jeweils höchsten Score-Werten eines Clusters bei lediglich 0,21 liegt. Demgegenüber weist die Analyse der systembezogenen Kompetenzprofile deutlichere Unterschiede auf. So sind hauptsächlich statistisch geprägte Programmiersprachen und IT-Produkte wie R, Python, Hadoop, SAS, MapReduce oder SPSS am stärksten gewichtet, aber auch Programmiersprachen wie SQL und Java sind laut Zschech et al. für die Data Science von hoher Relevanz.¹³⁹

Insgesamt kann somit festgehalten werden, dass Prüfer und Prüfer sowie insbesondere Zschech et al. die allgemein relevantesten Erkenntnisse aufführen. Jedoch muss beachtet werden, dass Prüfer und Prüfer sich auf zwischen 2015 und 2017 erhobene Datensätze beziehen und die von Zschech et al. 2018 veröffentlichte Untersuchung auf Studien beruht, die zwischen 2014 und 2016 publiziert wurden. Um die für diese Forschungsarbeit notwendige Aktualität des gegenwärtigen Stands des Wissens zu erfassen, werden die innerhalb des Literaturreviews erhobenen Fachbeiträge hinsichtlich der Nennung von Data Science Kompetenzzuteilungen untersucht. Orientierungspunkt bieten dabei die von Zschech et al. aufgeführten Kompetenzen unter Ergänzung der relevantesten Anforderungen von Prüfer und Prüfer. So wird innerhalb der konzeptbezogenen Kompetenzen das Kompetenzcluster Geschäftsverständnis um den Punkt Projektmanagement erweitert, worunter auch Planungs- und Organisationsfähigkeiten als auch die Anwendung Projektmanagement-bezogener Methoden zählen. Zur Abdeckung sozialer Kompetenzen werden zudem die Kooperations-/ Teamfähigkeit als auch kommutative Fähigkeiten wie Beratungs-/ Präsentations-/ Dialogfähigkeit ergänzt. Darüber hinaus wird aufgrund der mehrfachen Nennung die Fachdisziplin Deep Learning als weiteres AI-gestütztes Verfahren der Datenanalyse ergänzt. Die aufgeführten Vergleichswerte entsprechen den von Zschech et al. ermittelten relativen Anteilen der Kompetenzen, jedoch gemessen im Verhältnis zur höchsten festgestellten Nennung einer Kompetenz innerhalb des Kompetenzprofils. Dabei konnten 143 Autorenaussagen in 46 Fachbeiträgen identifiziert werden, die mindestens eine der dargestellten Kompetenzen in einer allgemeingültigen Darstellung der Data Science als konkrete Anforderung zuordnen. Kompetenzzuteilungen, die hypothetisch oder ausschließlich im direkten Zusammenhang mit einem nicht allgemeingültigen Fall angeführt werden, werden hierbei ausgeschlossen. Somit konnten insgesamt 308 allgemeingültige Kompetenzzuteilungen erfasst werden. Zwecks einer besseren Überschaubarkeit werden Kompetenzen mittels einer sogenannten Heat Map entsprechend der relativen Häufigkeit ihrer Nennungen ausgehend vom insgesamt höchsten Wert farblich hervorgehoben, wobei das systembezogenes Kompetenzprofil separat betrachtet wird (s. Tabelle 4, S. 23).

Tabelle 2 : Soziales Kompetenzprofil

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung in Anlehnung an Zschech et al.¹⁴⁰ ; Datengrundlage Anhang V

* in der Untersuchung von Prüfer und Prüfer nach Rangfolge von 1 bis 11 bewertet

Im Vergleich zum konzeptbezogenen sowie dem systembezogenen Kompetenzprofil weisen die sozialen Kompetenzen eine mittlere bis hohe Gewichtung auf (s. Tabelle 2). Wie bereits in den vorherigen Kapiteln thematisiert, nimmt die Bedeutung sozialer Kompetenzen innerhalb der betriebswirtschaftlichen Forschung zum Thema Data Science zu. Auch in den Ergebnissen von Prüfer und Prüfer gehören kooperative sowie kommunikative Kompetenzen zu den Top-Qualifikationen eines Data Scientist.¹⁴¹ Ihr Rollenbild kann dementsprechend als motivierter Teamplayer für Kollegen und kommunikativer Berater für Kunden und Management verstanden werden, sodass nach gegenwärtigem Standpunkt gewisse soziale Kompetenzen im Repertoire eines Data Scientist erwartbar sind.

Tabelle 3 : Konzeptbezogenes Kompetenzprofil

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Eigene Darstellung in Anlehnung an Zschech et al.; Datengrundlage Anhang IV

* Begriffsdefinition in Anhang I

** in der Untersuchung von Zschech et al. nicht enthalten

Auffällig bei der Betrachtung des konzeptbezogenen Kompetenzprofils ist, dass die dargelegte Aufstellung aus den Beiträgen des zugrundeliegenden Literaturreviews hinsichtlich Gewichtung und Rangfolge Parallelen zur Untersuchung von Zschech et al. aufweist (s. Tabelle 3, S.21). Trotz Abweichungen einzelner Kompetenzen unterscheiden sich die arithmetischen Mittel der jeweiligen Kompetenzcluster oftmals nur geringfügig voneinander. Ein Erklärungsansatz für die trotz dessen bestehenden Abweichungen innerhalb der Cluster ist unter anderem, dass bestimmte Aussagen synonymbedingt teilweise nur schwer einer konkreten Kompetenz zuordbar sind. Dennoch liefert diese Übersicht insgesamt ein objektives Bild der gegenwärtigen konzeptbezogenen Kompetenzschwerpunkte der Data Science. Dabei steht eindeutig das Verständnis von Datenanalyse und Data Analytics als eine Schlüsselkompetenz im Vordergrund. Daneben werden jedoch auch Kompetenzen aus den Bereichen Machine Learning, Data Mining/ KDD, Artificial Intelligence, Deep Learning, Predictive/ Prescriptive Analytics sowie der Erkennung von Mustern und Zusammenhängen in Datenbeständen wiederholt der Data Science zugeschrieben. Jedoch selbst wenn alle Fachdisziplinen der Datenanalyse mittels AI-gestützter Verfahren nach derzeitigem Verständnis für die Data Science sowie ihrer Entwicklung im Allgemeinen von hoher Bedeutung sind, ist es wie zuvor thematisiert fraglich, ob ein Kandidat sämtliche Disziplinen beherrschen könne. Vielmehr ist erkennbar, dass ein Data Scientist die zur Anwendung der jeweiligen Fachdisziplin notwendigen grundlegenden Kompetenzen aus den Bereichen der Statistik sowie der angewandten Mathematik beherrschen können muss. Innerhalb der Statistik sollte ein Data Scientist daher im Umgang mit deskriptiven Verfahren zur Datenverdichtung und ihrer visuellen Darstellung vertraut sein sowie auf Basis von Hypothesentests, Schätz- oder anderen quantitativen Verfahren empirische Sachverhalte erheben und auswerten können.¹⁴² Des Weiteren sollten zur Anwendung analytischer Algorithmen der jeweiligen Fachdisziplinen mathematische Grundkenntnisse in Bereichen wie Matrixoperationen, Differential- und Integralrechnungen vorliegen.¹⁴³ Weniger zum Standardrepertoire gehören dagegen fortgeschrittene Kenntnisse der angewandten Mathematik wie Simulations- oder Optimierungsverfahren.¹⁴⁴ Weiterhin sind mit einem relativen Score von 0,65 Kompetenzen im Umgang mit Visualisierungstechniken sowie der visuellen Datenanalyse von einem Data Scientist generell erwartbar. Gleiches gilt für die technische Realisierung von Algorithmen und der Entwicklung von IT-Lösungen. Die hohe Differenz zwischen den Kompetenzen Programmierung und Software Engineering kann dabei zum Teil auf synonymbedingte Abweichungen zurückgeführt werden, sodass das Kompetenzcluster Programmierung insgesamt ebenfalls eine Basiskompetenz des Data Scientists darstellt. Welche Softwarelösung oder Programmiersprache dabei von besonderer Relevanz ist, wird innerhalb der systembezogenen Kompetenzen (s. Tabelle 4, S. 23) betrachtet.

[...]

---

¹ Vgl. Bundesagentur für Arbeit 2019, S. 8.

² Vgl. Korrigane 2019, 32f.

³ Bitkom e.V. 2019.

⁴ Vgl. Institut der deutschen Wirtschaft Köln 2019, S. 67 Im MINT-Report untersuchen Wissenschaftler des Instituts der deutschen Wirtschaft zweimal jährlich den Arbeitsmarkt im MINT-Bereich (Mathematik, Informatik, Naturwissenschaften, Technik)

⁵ Vgl. Bitkom e.V. 2019; Korrigane 2019, S. 33; DEKRA Akademie GmbH 2018, S. 5, 2019, S. 4; Dämon 2017.

⁶ Ebd.

⁷ Indeed Ireland Operations Limited 2020.

⁸ Vgl. Dorozalla und Hegewald 2018, S. 81f.; Korrigane 2019, S. 33; Bitkom e.V. 2019; Bundesagentur für Arbeit 2019, S. 12.

⁹ Vgl. Bitkom e.V. 2019; Prüfer und Prüfer 2019, S. 10.

¹⁰ Vgl. Prüfer und Prüfer 2019, S. 10; Naumann und Sack 2018, S. 357.

¹¹ Vgl. Meier 2019, S. 2; Tesch 2019, S. 64; Jetzek et al. 2019, S. 708; Wilkesmann et al. 2018, S. 135; Institut der deutschen Wirtschaft Köln 2019, S. 68f.

¹² Vgl. Cao 2017a, S. 9; Naumann und Sack 2018, S. 357; Hirschi und Spurk 2019, S. 9.

¹³ Vgl. Cao 2017a, S. 14f.; Dämon 2017; Meier 2019, S. 9.

¹⁴ Vgl. Cao 2017a, S. 12; Zschech et al. 2018, 165f.

¹⁵ Vgl. Pagel 2018, S. 10; Dämon 2017; Tesch 2019, S. 64; Blohm 2019, S. 13.

¹⁶ Vgl. Prüfer und Prüfer 2019, S. 10; Al-Ani et al. 2019, S. 32.

¹⁷ Vgl. Del Vecchio et al. 2018, S. 16; Pagel 2018, S. 9.

¹⁸ Vgl. Kauermann und Seidl 2018, S. 195.

¹⁹ Vgl. Kauermann und Seidl 2018, S. 195; Ley und Bordas 2018, S. 168; Cao 2017a, S. 2.

²⁰ Vgl. Berman et al. 2018, S. 70f.; Allen 2019, S. 41.

²¹ Vgl. Pagel 2018, S. 9; Cao 2017a, S. 2.

²² Vgl. Lismont et al. 2018, S. 1.

²³ Vgl. Prüfer und Prüfer 2019, S. 10; Jetzek et al. 2019, S. 709.

²⁴ Vgl. Saporta 2018, S. 201f.; Harvard Business Publishing 2017, S. 24; Khatri und Samuel 2019, S. 100; Müller et al. 2018, S. 495; Carillo 2017, S. 604.

²⁵ Vgl. Pagel 2018, S. 10; Carillo 2017, S. 617.

²⁶ Ebd.

²⁷ Ebd.

²⁸ Zschech et al. 2018.

²⁹ Vgl. Zschech et al. 2018, S. 167.

³⁰ EBSCO Industries, Inc 2020.

³¹ Springer Nature Switzerland AG 2020.

³² GBI-Genios Deutsche Wirtschaftsdatenbank GmbH 2020.

³³ Kempkes et al. 2019, S. 99f.

³⁴ Vgl. Disterer 2014, S. 61f.

³⁵ Ebd.

³⁶ Verband der Hochschullehrer für Betriebswirtschaft e.V. 2019 Der Verband der Hochschullehrer für Betriebswirtschaft e.V. (VHB) setzt sich aus über 2.600 Mitgliedern zusammen, die sich wissenschaftlich auf dem Gebiet der Betriebswirtschaftslehre betätigen. Ziel des VHB ist die Förderung und Weiterentwicklung der BWL als gesellschaftlich relevante, international anschlussfähige und zukunftsweisende Wissenschaftsdisziplin.

³⁷ Vgl. Cao 2017a, S. 3ff.

³⁸ Vgl. Becker und Feichtinger 2018, S. 27, 2018, S. 30; Fountaine et al. 2019, S. 72.

³⁹ Vgl. Cao 2017a, S. 4.

⁴⁰ Vgl. Del Vecchio et al. 2018, S. 9; Prüfer und Prüfer 2019, S. 3; Troilo et al. 2017, S. 621; Lismont et al. 2018, S. 1.

⁴¹ Vgl. Cao 2017a, S. 4; Chen et al. 2019, S. 6; Al-Ani et al. 2019, S. 29; Hindle und Vidgen 2018, S. 838.

⁴² Vgl. Al-Ani et al. 2019, S. 29; Hofmann 2017, S. 5123; Meier 2019, S. 7; Cao 2017a.

⁴³ Ebd.

⁴⁴ Vgl. Meier 2019, S. 2; Dannenberg et al. 2018, S. 66f.; Al-Ani et al. 2019, S. 29; Goerke und Seif 2019, S. 36.

⁴⁵ Ebd.

⁴⁶ Vgl. Becker und Feichtinger 2018, 28; Meier 2019, S. 3; Cao 2017a, S. 4.

⁴⁷ Vgl. Meier 2019, S. 2; Cao 2017a, S. 4; Zschech et al. 2018, S. 170.

⁴⁸ Vgl. Cao 2017a, S. 19, 2017a, S. 21; Becker und Feichtinger 2018, S. 28.

⁴⁹ Vgl. Becker und Feichtinger 2018, 28.

⁵⁰ Vgl. Cao 2017a, S. 4, 2017a, S. 18; Zschech et al. 2018, S. 171; Becker und Feichtinger 2018, S. 28.

⁵¹ Vgl. Cao 2017a, S. 18, 2017a, S. 21; Biel 2018, S. 35; Becker und Feichtinger 2018, S. 28.

⁵² Vgl. Cao 2017a, S. 4, 2017a, S. 18; Meier 2019, S. 2; Eppler 2019, S. 21; Becker und Feichtinger 2018, S. 28.

⁵³ Vgl. Eppler 2019, S. 21; Cao 2017a, S. 21.

⁵⁴ Becker und Feichtinger 2018, 28.

⁵⁵ Vgl. Zschech et al. 2018, S. 164; Vierkorn 2019, S. 58; Becker und Feichtinger 2018, S. 26.

⁵⁶ Ebd.

⁵⁷ Vgl. Meier 2019, S. 13; Zschech et al. 2018, S. 171; Kress und Oberdörster 2018, S. 67; Becker und Feichtinger 2018, S. 30.

⁵⁸ Vgl. Eppler 2019, S. 18; Egle und Keimer 2018, S. 52; Vierkorn 2019, S. 60; Adams 2019, S. 48.

⁵⁹ Vgl. Eppler 2019, S. 18; Becker und Feichtinger 2018, S. 28.

⁶⁰ Vgl. Cao 2017a, S. 4.

⁶¹ Vgl. Vierkorn 2019, S. 58; Becker und Feichtinger 2018, S. 26; Meier 2019, S. 13; Biel 2018, S. 36.

⁶² Vgl. Dannenberg et al. 2018, S. 67; Comm und Mathaisel 2018, S. 152.

⁶³ Vgl. Bichler et al. 2017, S. 77.

⁶⁴ Vgl. Carillo 2017, S. 601; Müller et al. 2018, S. 489; Biel 2018, S. 37.

⁶⁵ Vgl. Biel 2018, S. 36.

⁶⁶ Ebd.

⁶⁷ Vgl. Cao 2017a, S. 21; Egle und Keimer 2018, S. 50, 2018, S. 52; Hindle und Vidgen 2018, S. 838; Comm und Mathaisel 2018, S. 152; Biel 2018, S. 35.

⁶⁸ Vgl. Biel 2018, S. 35; Meier 2019, S. 3.

⁶⁹ Vgl. Cao 2017a, S. 21; Egle und Keimer 2018, S. 50, 2018, S. 52; Hindle und Vidgen 2018, S. 838; Comm und Mathaisel 2018, S. 152; Biel 2018, S. 35.

⁷⁰ Ebd.

⁷¹ Vgl. Vierkorn 2019, S. 58; Becker und Feichtinger 2018, S. 26; Meier 2019, S. 13; Biel 2018, S. 36.

⁷² Vgl. Goerke und Seif 2019, S. 36.

⁷³ Tukey 1962.

⁷⁴ Vgl. Cao 2017a, S. 4, 2017b, S. 60; Chang et al. 2019, S. 29.

⁷⁵ Vgl. Goerke und Seif 2019, S. 36; Cao 2017a, S. 4.

⁷⁶ Naur 1974.

⁷⁷ Vgl. Cao 2017a, S. 3.

⁷⁸ Vgl. Cao 2017a, S. 3.

⁷⁹ Vgl. Cao 2017a, S. 7.

⁸⁰ Vgl. Cao 2017a, S. 7.

⁸¹ Cleveland 2001.

⁸² Breiman 2001.

⁸³ Vgl. Cao 2017a, S. 4, 2017a, S. 7.

⁸⁴ Vgl. Cao 2017a, S. 2.

⁸⁵ Vgl. Cao 2017a, S. 2, 2017a, S. 7; Schäffer und Weber 2018, S. 9; Goerke und Seif 2019, S. 38.

⁸⁶ Ebd.

⁸⁷ Vgl. Cao 2017a, S. 7, 2017b, S. 60; Prüfer und Prüfer 2019, S. 2; Adams 2019, S. 46.

⁸⁸ Vgl. Cao 2017a, S. 17; Prüfer und Prüfer 2019, S. 2.

⁸⁹ Vgl. Allen 2019, S. 41; Bichler et al. 2017, S. 77.

⁹⁰ Vgl. Cao 2017a, S. 8, 2017b, S. 60; Carillo 2017, S. 607; Eppler 2019, S. 19.

⁹¹ Vgl. Cao 2017a, S. 7, 2017a, S. 8, 2017b, S. 61; Meier 2019, S. 4; Carillo 2017, S. 604; Del Vecchio et al. 2018, S. 16; Prüfer und Prüfer 2019, S. 3; Eppler 2019, S. 19.

⁹² Vgl. Cao 2017a, S. 8, 2017b, S. 60; Eppler 2019, S. 19; Carillo 2017, S. 603.

⁹³ Vgl. Prüfer und Prüfer 2019, S. 2f.; Prüfer und Prüfer 2019, S. 16. Lismont et al. 2018, S. 1

⁹⁴ Ebd.

⁹⁵ Ebd.

⁹⁶ Vgl. Zschech et al. 2018, S. 170; Prüfer und Prüfer 2019, S. 3.

⁹⁷ Vgl. Cao 2017a, S. 5; Prüfer und Prüfer 2019, S. 16.

⁹⁸ Vgl. Goerke und Seif 2019, S. 36, 2019, S. 38; Carillo 2017, S. 603, 2017, S. 604; Chang et al. 2019, S. 29.

⁹⁹ Vgl. Cao 2017a, S. 5; Del Vecchio et al. 2018, S. 16; Carillo 2017, S. 599, 2017, S. 607; Morik et al. 2018, S. 28; Egle und Keimer 2018, S. 51.

¹⁰⁰ Vgl. Carillo 2017, S. 607; Del Vecchio et al. 2018, S. 16; Carillo 2017, S. 599.

¹⁰¹ Vgl. Troilo et al. 2017, S. 629f.; Jorgensen und Eppler 2019, S. 16; Schäffer und Weber 2018, S. 11; Goerke und Seif 2019, S. 38.

¹⁰² Ebd.

¹⁰³ Vgl. Vierkorn 2019, S. 60; Jorgensen und Eppler 2019, S. 16.

¹⁰⁴ Vgl. Carillo 2017, S. 608.

¹⁰⁵ Vgl. Cao 2017a, S. 31f.; Del Vecchio et al. 2018, S. 16.

¹⁰⁶ Vgl. Cao 2017a, S. 31f.; Del Vecchio et al. 2018, S. 16.

¹⁰⁷ Vgl. Müller et al. 2018, S. 494; Egle und Keimer 2018, S. 51.

¹⁰⁸ Vgl. Del Vecchio et al. 2018, S. 16; Egle und Keimer 2018, S. 51; Biel 2018, S. 35.

¹⁰⁹ Vgl. Biel 2018, S. 35; Bichler et al. 2017, S. 77.

¹¹⁰ Vgl. Google Ireland Limited 2020 Trendvergleich der Online-Suchanfragen in Deutschland nach datenwissenschaftlichen Schlüsselwörtern; Suchbegriffe: Business Intelligence, Business Analytics, Data Analytics, Data Science; im Zeitraum: 01.01.2010 bis 29.02.2020. Erhebung der Daten: 05.03.2020

¹¹¹ Vgl. Google Ireland Limited 2020; van der Aalst et al. 2018, S. 465; Cao 2017a, S. 33; Vierkorn 2019, S. 60.

¹¹² Vgl. van der Aalst et al. 2018, S. 465; Cao 2017a, S. 33; Vierkorn 2019, S. 60.

¹¹³ Ebd.

¹¹⁴ Vgl. Vierkorn 2019, S. 60.

¹¹⁵ Vgl. Zschech et al. 2018, S. 165f.; Carillo 2017, S. 599, 2017, S. 607; Del Vecchio et al. 2018, S. 16.

¹¹⁶ Vgl. Zschech et al. 2018, S. 166; Carillo 2017, S. 608; Del Vecchio et al. 2018, S. 16.

¹¹⁷ Vgl. Lismont et al. 2018, S. 1; Vierkorn 2019, S. 60.

¹¹⁸ Coursera Inc. 2020.

¹¹⁹ Udemy, Inc. 2020.

¹²⁰ Udacity, Inc. 2020.

¹²¹ Vgl. Cao 2017a, S. 13; Zschech et al. 2018, 165f.

¹²² Vgl. Vierkorn 2019, S. 60; Lismont et al. 2018, S. 1; Burgert und Klages 2019, S. 34.

¹²³ Vgl. Cao 2017a, S. 2; Berman et al. 2018, S. 70f.; Biel 2018, S. 39.

¹²⁴ Vgl. Zschech et al. 2018, S. 166; Zschech et al. 2018, S. 179f.; Berman et al. 2018, S. 70f.

¹²⁵ Goerke und Seif 2019.

¹²⁶ Blohm 2019.

¹²⁷ Berman et al. 2018.

¹²⁸ Cao 2017a.

¹²⁹ Carillo 2017.

¹³⁰ Prüfer und Prüfer 2019.

¹³¹ Zschech et al. 2018.

¹³² Vgl. Cao 2017a, S. 31; Carillo 2017, S. 612; Goerke und Seif 2019, S. 38; Berman et al. 2018, S. 70; Blohm 2019, S. 14.

¹³³ Vgl. Prüfer und Prüfer 2019, S. 12ff.; Zschech et al. 2018, S. 168ff.

¹³⁴ Vgl. Zschech et al. 2018, S. 168.

¹³⁵ Vgl. Prüfer und Prüfer 2019, S. 12ff.

¹³⁶ Ebd.

¹³⁷ Ebd.

¹³⁸ Vgl. Prüfer und Prüfer 2019, S. 12ff.; Prüfer und Prüfer 2019, S. 18.

¹³⁹ Vgl. Zschech et al. 2018, S. 168ff.

¹⁴⁰ Zschech et al. 2018, S. 168ff.

¹⁴¹ Vgl. Prüfer und Prüfer 2019, 13f.

¹⁴² Vgl. Zschech et al. 2018, S. 170.

¹⁴³ Vgl. Zschech et al. 2018, S. 171.

¹⁴⁴ Ebd.