Diese Masterarbeit widmet sich der Frage, welche Rolle Data Scientists in Unternehmen einnehmen. „Data Scientist“ ist eine relativ neue Berufsbezeichnung und ist noch nicht vollständig erforscht. Es wurde zunächst die Literatur aufgearbeitet, indem die Entstehung und Einordnung des neuen Berufsbildes des Data Scientists näher analysiert wurde.
Es wird daher in der Literatur Bezug zu der Digitalisierung, der Entstehung von Data Science und dem Data Scientist als auch zu knowledge work und der Rollentheorie in Organisationen aufgebaut. Jedoch beruhen diese Erkenntnisse nicht auf empirischen Befunden. Der Beitrag stützt sich auf empirische Daten, die im Rahmen einer Analyse von 145 Stellenanzeigen verschiedener Unternehmen, die Data Scientists anwerben, durchgeführt wurde. Dabei lag der Fokus der Untersuchung auf den unterschiedlichen Kenntnissen und Fähigkeiten, die von den Unternehmen gefordert werden.
Der Zweck dieser Forschung ist es, die Rolle von Data Scientists innerhalb von Unternehmen zu untersuchen. Als Ergebnis dieser Untersuchung wurde festgestellt, dass viele Unternehmen aus allen Branchenbereichen Data Scientists einstellen wollen, um ihren Bedarf an großen Datensätzen zu decken und die darin enthaltenen Informationen zu entschlüsseln und daraus einen Mehrwert für die Organisation zu generieren. Durch das Erstellen von Kompetenzprofilen von Data Scientists konnten verschiedene Rollen innerhalb der Branchen identifiziert werden. Gestützt auf den Typologien von unterschiedlichen Data Scientists lassen sich diese anhand von Dimensionen, wie der von fachlichen und sozialen Anforderungen sowie der von Aufgabengebieten, den Branchen zuweisen. Darüber hinaus zeigt diese Analyse, dass die Rolle von Data Scientists von der jeweiligen Branche und dem darin geforderten Domänenwissen abhängig ist.
Inhaltsverzeichnis
1. Einleitung
1.1 Ziel und Forschungsfrage
1.2 Methodische Vorgehensweise
2. Digitalisierung und das Aufkommen des Data Scientists
2.1 Digitalisierung als Megatrend und Auswirkungen auf Unternehmen
2.1.1 Entwicklung der Industrie 4.0 innerhalb der Unternehmen
2.1.2 Veränderung der Berufsbilder im Kontext der Digitalisierung
2.2 Data Science und der Data Scientist
2.2.1 Ursprung von Data Science
2.2.2 Data Scientist: ein neues berufliches Profil
2.2.3 Typologien von Data Scientists
2.3 Data Scientists: Die Unterscheidung zu anderen Berufsprofilen
2.3.1 Data Analyst
2.3.2 Business Intelligence Analyst
2.3.3 Data Scientist
2.4 Eine neue Form von knowledge workern
2.4.1 Funktionen des knowledge worker
2.4.2 Rolle des knowledge worker
2.5 Rollentheorie in Organisationen
2.5.1 Rollentheoretisches Modell
2.5.2 Rollenattribute in Form von Stellenanzeigen
3. Forschungsmethode
3.1 Stellenanzeigen als empirische Datenbasis
3.2 Kategorisierung
3.3 Codierung
3.4 Forschungsdesign
4. Analyse von Data-Scientist-Stellenanzeigen
4.1 Typisierung der Aufgabengebiete des Data Scientists
4.1.1 Identifikation und Aufbereitung von Daten
4.1.2 Strategische und operative Entwicklung digitaler Infrastrukturen
4.1.3 Instandhaltung der digitalen Infrastrukturen
4.1.4 Programmiertätigkeiten und das Entwickeln von prognostischen Modellen
4.1.5 Durchführung von Analysen zur Entscheidungsvorbereitung
4.1.6 Beratung, Betreuung und Teamarbeit
4.1.7 Projektarbeit
4.2 Auswertung und Interpretierung der Aufgabenfelder
4.3 Typisierung des fachlichen Anforderungsprofils der Data Scientists
4.3.1 Ausbildung
4.3.2 Berufserfahrung
4.3.3 IT-Kenntnisse
4.3.4 BWL-Kenntnisse
4.3.5 Fremdsprachenkenntnisse
4.4 Auswertung und Interpretierung der fachlichen Anforderungen
4.5 Typisierung des persönlichen Anforderungsprofils der Data Scientists
4.5.1 Soziale Kompetenzen
4.5.2 Problemlösungskompetenzen
4.5.3 Individuelle Kompetenzen
4.6 Auswertung und Interpretierung der persönlichen Anforderungen
4.7 Branchenspezifische Analyse der Stellenanzeigen
4.7.1 Kompetenzprofil in der Branche Technik & Telekommunikation
4.7.2 Kompetenzprofil in der Branche Finanzen, Versicherungen & Immobilien
4.7.3 Kompetenzprofil in der Branche Dienstleistung & Handwerk
4.7.4 Kompetenzprofil in der Branche Handel
4.7.5 Kompetenzprofil in der Branche Metall & Elektrotechnik
4.7.6 Kompetenzprofil in der Branche Verkehr & Logistik
5. Diskussion
6. Zusammenfassung und Fazit
6.1 Zusammenfassung und Beantwortung der Forschungsfragen
6.2 Kritische Betrachtung und Ausblick
Zielsetzung & Themen
Die Arbeit untersucht die neu entstehende Rolle des Data Scientists in Unternehmen aus einer empirischen Perspektive. Ziel ist es, ein besseres Verständnis dafür zu entwickeln, wie Data Scientists in Organisationen definiert werden, welche Fähigkeiten von ihnen erwartet werden und inwiefern sich diese Rollen zwischen verschiedenen Branchen unterscheiden.
- Empirische Analyse von 145 Stellenanzeigen zur Identifikation von Anforderungen.
- Entwicklung von Kompetenzprofilen für verschiedene Data-Scientist-Typen (Data Creative, Data Businessperson, Data Developer).
- Untersuchung der Bedeutung von fachlichen und sozialen Kompetenzen im Arbeitsalltag.
- Abgrenzung des Data-Scientist-Profils zu ähnlichen Rollen wie Data Analyst und Business Intelligence Analyst.
- Analyse der Branchenabhängigkeit des Anforderungsprofils.
Auszug aus dem Buch
2.2.1 Ursprung von Data Science
Obwohl Data Science eine relativ neue Disziplin ist, ist der Begriff „Data Science“ viel älter als erwartet. Es ist erwähnenswert, dass es keine klare und vereinbarte Definition des Begriffs „Data Science“ gibt. Dieser Mangel an Klarheit erscheint in der ersten Verwendung des Begriffs durch Naur 1974. Naur verwendete den Begriff „Datenverarbeitung“ im Sinne der Informatik. Er wurde jedoch manchmal auch als Ersatzname für den Bereich Statistik oder zumindest für angewandte Statistik verwendet.26 Naur verfeinerte seine frühere Definition wie folgt: „Data Science ist die Wissenschaft des Umgangs mit Daten, [...] während die Beziehung von Daten zu dem, was sie repräsentieren, auf andere Bereiche und Wissenschaften [...] delegiert ist“.27
In den späten 1970er Jahren veröffentlichte Tukey (1977) die Exploratory Data Analysis, die einen neuen Ansatz für die Statistik propagiert, bei dem „mehr Wert auf die Verwendung von Daten gelegt werden muss, um Hypothesen zu testen“.28 Im Jahr 1977 wurde die International Association for Statistical Computing (IASC) als eine Sektion des International Statistical Institute gegründet. Es ist die Aufgabe des IASC, traditionelle Statistiken mit Methodik, moderner Computertechnologie und dem Wissen von Domänenexperten zu verknüpfen, um Daten in Informationen und Wissen umzuwandeln.29
Im Jahr 2001 forderte William S. Cleveland, Data Science als einen Bereich zu etablieren, um die Hauptbereiche wie dem des Statistikbereichs zu erweitern. Da der Plan ehrgeizig ist und wesentliche Veränderungen mit sich bringt, wird das geänderte Gebiet als Data Science bezeichnet. Cleveland stellte die vorgeschlagene neue Disziplin in den Kontext der Informatik und der zeitgenössischen Arbeit im Bereich des Data Mining.30 Im Jahr 2003 wurden zwei Zeitschriften ins Leben gerufen: The Data Science Journal und The Journal of Data Science. Diese sind hauptsächlich der Grund, warum der Begriff „Data Science“ derzeit von vielen Menschen als eng verwandt mit Data Mining und Big Data Analytics verstanden wird und nicht im ursprünglichen Sinne, in dem der Begriff verwendet wurde. Data Science wurde auch aus den Perspektiven der Künstlichen Intelligenz (KI) und des maschinellen Lernens angesprochen.31 In vielen aktuellen Kontexten kann Data Science aus betriebswirtschaftlicher Sicht als Prozess der Entdeckung von Daten, die wir nicht kennen, verstanden werden. Es ermöglicht vorausschauende, umsetzbare Erkenntnisse aus Daten zu gewinnen, Datenprodukte mit geschäftlichen Auswirkungen zu erstellen, relevante Geschäfte aus Daten zu kommunizieren und Vertrauen in Entscheidungen zu schaffen, die den geschäftlichen Wert steigern.32
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung führt in die Relevanz von Data Scientists in einer digitalisierten Arbeitswelt ein und definiert das Ziel sowie die methodische Vorgehensweise der Untersuchung.
2. Digitalisierung und das Aufkommen des Data Scientists: Dieses Kapitel behandelt die theoretischen Grundlagen der Digitalisierung, definiert Data Science, den Data Scientist sowie Rollen innerhalb von Organisationen.
3. Forschungsmethode: Hier wird der methodische Ansatz der quantitativen Inhaltsanalyse von 145 Online-Stellenanzeigen beschrieben, inklusive der Datenerhebung und Codierung.
4. Analyse von Data-Scientist-Stellenanzeigen: Der Hauptteil analysiert empirisch die Aufgabengebiete, fachlichen und persönlichen Anforderungen sowie die branchenspezifischen Profile.
5. Diskussion: Die Ergebnisse werden mit bestehender Literatur verglichen und kritisch reflektiert, um die Rolle des Data Scientists besser einzuordnen.
6. Zusammenfassung und Fazit: Das abschließende Kapitel fasst die zentralen Ergebnisse zusammen, beantwortet die Forschungsfragen und gibt einen Ausblick auf zukünftige Forschungsmöglichkeiten.
Schlüsselwörter
Data Scientist, Digitalisierung, Stellenanzeigen, Kompetenzprofil, Datenanalyse, Branchenanalyse, Knowledge Worker, Rollentheorie, Industrie 4.0, Maschinelles Lernen, Fachliche Anforderungen, Persönliche Anforderungen, Business Intelligence, Datenmanagement, Algorithmen.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die Rolle des Data Scientists in Unternehmen, basierend auf einer empirischen Analyse von Stellenanzeigen.
Was sind die zentralen Themenfelder der Analyse?
Die Schwerpunkte liegen auf der Identifikation von Aufgabenfeldern, fachlichen Anforderungen und persönlichen Eigenschaften, die von Unternehmen an Data Scientists gestellt werden.
Was ist das primäre Ziel der Studie?
Das Ziel ist es, herauszufinden, welches Rollenbild Data Scientists in der heutigen Unternehmenspraxis einnehmen und wie sich dieses durch unterschiedliche Branchen und Anforderungsprofile unterscheidet.
Welche wissenschaftliche Methode wird verwendet?
Der Autor führt eine quantitative Inhaltsanalyse von 145 ausgewählten Stellenanzeigen durch, ergänzt durch eine induktive Kategorisierung der geforderten Kompetenzen.
Was wird im umfangreichen Hauptteil behandelt?
Der Hauptteil gliedert sich in die Typisierung der Aufgaben und Kompetenzen (fachlich/persönlich) sowie in eine detaillierte branchenspezifische Untersuchung, um Unterschiede in den Anforderungsprofilen aufzuzeigen.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Zu den wichtigsten Begriffen zählen Data Scientist, Kompetenzprofil, Digitalisierung, Datenanalyse, Rollentheorie und Branchenanalyse.
Gibt es spezifische Unterschiede bei der Rolle des Data Scientists in verschiedenen Branchen?
Ja, die Arbeit zeigt, dass je nach Branche unterschiedliche Schwerpunkte gesetzt werden, etwa ein stärkerer Fokus auf BWL-Kenntnisse in Finanz- und Handelsbranchen im Vergleich zu einem eher technischen Fokus in der Branche Technik & Telekommunikation.
Was unterscheidet den Data Scientist von einem Data Analyst oder Business Intelligence Analyst?
Obwohl es Überlappungen gibt, liegt der Fokus beim Data Scientist stärker auf der Verwendung fortgeschrittener statistischer Techniken, maschinellem Lernen und der Entwicklung prognostischer Modelle, kombiniert mit ausgeprägten Programmierkenntnissen.
- Quote paper
- Maximilian Riedel (Author), 2019, Die Rolle des Data Scientists in Unternehmen. Eine Analyse von Stellenanzeigen, Munich, GRIN Verlag, https://www.grin.com/document/461487
