Selbst die Spatzen auf dem Ast wissen, dass die Grundlage jedes modernen Unternehmens, ob produzierend oder dienstleistend, Daten sind. Es gibt kein Unternehmen, dessen Produkte, Dienstleistungen, Verkaufs- und Marketingprozesse und zahlreiche andere Aktivitäten nicht auf großen Datensätzen basieren, die natürlich angemessen gespeichert, vor Cyberangriffen geschützt und kontinuierlich verwaltet werden müssen. Unternehmen, sowohl kleine als auch große, haben die Macht erkannt, die gespeicherte Daten über Geschäftsprozesse für die aktuellen Abläufe sowie für die Entscheidungsfindung für die Zukunft haben können. Aus diesem Grund sind Datenexperten, nämlich Datenanalysten, Wissenschaftler, Ingenieure, Business-Systemanalysten und Datenbankentwickler zu einigen der gefragtesten Berufe auf dem Arbeitsmarkt geworden.
Getrieben von KI
Aktuelle Themen wie generative künstliche Intelligenz und ChatGPT haben großes Interesse in der Öffentlichkeit im Bereich der Analytik und künstlichen Intelligenz geweckt, aber in den letzten Jahren hatte der Markt erhebliche Bedürfnisse in diesen Bereichen, betont Andrea Pirša Ilić, Leiterin des Zentrums für Exzellenz für künstliche Intelligenz und Daten bei A1 Kroatien.
– Dies wird am besten durch die Anzahl der Studierenden veranschaulicht, die sich für Datenwissenschaftsprogramme einschreiben, sowie durch die Eröffnung zahlreicher Studiengänge in diesem Bereich. Das Interesse an den Stellenangeboten, die wir für diese Bereiche schaffen, ist wirklich hoch, und kürzlich gab es einen interessanten Trend von Bewerbungen erfahrener Entwicklungsingenieure und Programmierer, die sich entscheiden, die Karriere zu wechseln und Datenwissenschaftler zu werden, sagt Pirša Ilić.
Dass Datenanalysten zu den gefragtesten, wenn nicht sogar zu den gefragtesten Berufen auf dem Markt gehören, bestätigt Jelena Škalec, technische Vertriebsanalytikerin bei IBM Kroatien.
—
Erfahrene Datenwissenschaftler, Datenanalysten, Dateningenieure, Datenbankentwickler… bestätigen das alte Sprichwort – dass der Umgang mit Daten einfach ist, das könnte jeder tun.
—
– KI ist ein sehr aktuelles Thema – ChatGPT hat großes Interesse an KI geweckt. Seitdem ist künstliche Intelligenz in Gesprächen auf der ganzen Welt präsent, und wir können sagen, dass sie auch in Kroatien an Fahrt gewonnen hat. Eine IBM-Studie hat ergeben, dass CIOs in Mittel- und Osteuropa KI, Cloud, Automatisierung, 5G und IoT als ihre größten Investitionen in den nächsten drei Jahren sehen, betont Škalec und merkt an, dass viele Unternehmen, mit denen sie arbeitet, bereits etablierte Datenwissenschaft-Teams haben, während viele andere beginnen möchten, künstliche Intelligenz in ihre Prozesse zu implementieren, aber einfach keine Experten finden können.
Ein durchschnittlicher Datentag
Aber wie sieht ein durchschnittlicher Tag für Datenexperten in verschiedenen Unternehmen aus, und welches Wissen ist notwendig, um in diesem Beruf zu starten? Experten, die mit Daten arbeiten, verbessern die Geschäftsabläufe in Organisationen. Bei Megatrend Business Solutions, das analytische Lösungen im Bankwesen, Gastgewerbe und Einzelhandel mit einem Schwerpunkt auf Big Data, KI und maschinellem Lernen anbietet, ist Domagoj Marić als Leiter der Abteilung für künstliche Intelligenz und Datenwissenschaft beschäftigt. Er betont, dass Datenanalysten, indem sie qualitativ hochwertige und zeitnahe Informationen auf der Grundlage von Daten aus verschiedenen Quellen bereitstellen, den Kunden helfen, Entscheidungen zu treffen, was jeder Direktor und Manager als einen entscheidenden Teil des Geschäfts ansehen wird. Marić nennt die Anwendungen Hospitality Insights und ShelfXplore als Beispiele für eine der Lösungen von Megatrend.
– Die ShelfXplore-Anwendung, die auf Computer Vision basiert, wurde für die Bedürfnisse von Distributoren und Herstellern von Konsumgütern entwickelt, während die Anwendung Hospitality Insights den Dienstleistungsbranchen und Unternehmen hilft, das Kundenerlebnis ihrer Gäste zu verwalten. Die durch die Anwendung Hospitality Insights und aus anderen Quellen gesammelten Daten durchlaufen einen Reinigungs- und Transformationsprozess und werden verwendet, um interaktive Dashboards zu generieren, die unsere Kunden zur Unterstützung der Entscheidungsfindung auf allen Ebenen nutzen, erklärt Marić.
Für alle Beteiligten
Škalec erklärt, dass, wenn Organisationen Daten vorbereitet haben, wenn sie wissen, wo sich jedes Datenstück befindet, wer das Recht hat, darauf zuzugreifen, und wo diese Daten verwendet werden, die Prozesse rund um die Erstellung von beispielsweise Berichten, Datenmodellen oder Modellen des maschinellen Lernens erheblich beschleunigt werden.
– Forschungen zeigen, dass Datenwissenschaftler etwa 80 Prozent ihrer Zeit mit der Vorbereitung von Daten verbringen, und wenn sie eine richtig strukturierte Datenarchitektur haben, verbringen sie selbst weniger Zeit mit der Vorbereitung von Daten und können sich mehr auf die Entwicklung von Modellen des maschinellen Lernens konzentrieren. Hier sprechen wir nicht nur von Datenwissenschaftlern, sondern von allen Personen, die an der Datennutzung beteiligt sind, wie z.B. Berichterstattung, da sie nicht auf jemanden warten müssen, der die Daten für sie vorbereitet. Daher sind Organisationen, wenn wir eine strukturierte Informations-/Datenarchitektur haben, agiler und können die gesammelten Daten schneller nutzen, erklärt Škalec, die an verschiedenen Projekten bei IBM arbeitet, die mit der Einrichtung von Datenlagern, der Organisation von Daten und Projekten im Bereich der Datenverwaltung zu tun haben, und merkt an, dass sie kürzlich auch an vielen Projekten gearbeitet haben, die KI in die Geschäftsprozesse von Organisationen implementieren.
—
Jeder Datenanalyst sollte über eine Kombination aus technischen, fachlichen und sozialen Fähigkeiten verfügen. Zum Beispiel Fähigkeiten wie effiziente Manipulation und Abfrage von Daten mit SQL, Datenvisualisierung und unverzichtbare Kommunikationsfähigkeiten.
—
– Mit den Nutzern bauen wir oft die gesamte Geschichte auf, was bedeutet, dass wir mit der IBM Cloud Pak for Data-Plattform dem Nutzer ermöglichen, alle end-to-end analytischen Prozesse zu verbinden, vom Moment, in dem die Daten in der Datenbank liegen, bis zu dem Moment, in dem diese Daten genutzt werden, fügt Škalec hinzu.
Nichts ohne Analytik
Bei A1 Kroatien gibt es beispielsweise keine Abteilung, die nicht mindestens eine Form von Datenanalytik nutzt, von verschiedenen Formen der fortgeschrittenen Analytik, der Entwicklung von Modellen des maschinellen Lernens bis hin zur Anwendung von künstlicher Intelligenz, merkt Pirša Ilić an. Zum Beispiel nutzen sie im Kundenservice Datenwissenschaft, um die Bedürfnisse der Kunden zu verstehen, hinsichtlich der häufigsten Bedürfnisse für den Kontakt mit A1.
– In der E-Mail-Kommunikation mit Endbenutzern werden unsere Agenten von intern entwickelten Modellen des maschinellen Lernens unterstützt, die E-Mails nach Inhalt klassifizieren, um sie an die Agenten weiterzuleiten, die den Bereich des Inhalts der E-Mail am besten kennen und die dem Nutzer die schnellste Unterstützung bieten können. Wir entwickeln auch interne Chatbots; der interne Chatbot Bob Rock unterstützt unsere Mitarbeiter bei technischen Supportanfragen und verschiedenen Fragen im Zusammenhang mit Personalangelegenheiten, während unser Chatbot Nikša derzeit für Nutzer bei Fragen zu Gutscheinen zur Verfügung steht. Wir haben eine interne Abteilung, die sich mit fortgeschrittener Analytik beschäftigt, die Modelle des maschinellen Lernens erforscht und Lösungen auf der Grundlage von künstlicher Intelligenz entwickelt. Wir entwickeln Lösungen, die Angebote gemäß den Benutzerbedürfnissen personalisieren, um die Interaktionen mit den Nutzern besser zu verstehen, die Vertriebskanäle zu optimieren und unser Netzwerk zu verwalten, beschreibt Pirša Ilić.
Fachwissen ist der Schlüssel
Um jedoch in ihrem Job erfolgreich zu sein, sollte jeder Datenanalyst über bestimmte Fähigkeiten verfügen. Marić nennt mehrere, die er für unerlässlich hält: effiziente Manipulation und Abfrage von Daten mit SQL (Structured Query Language), Fähigkeiten zur Visualisierung von Daten in verständlicher Weise für alle, Problemlösungsfähigkeiten und das Finden optimaler Lösungen, gute Kenntnisse des Geschäftsfeldes des Projekts, an dem sie arbeiten, und letztendlich unverzichtbare Kommunikationsfähigkeiten, die eine klare Übermittlung von Informationen an alle Projektbeteiligten ermöglichen. Pirša Ilić erwähnt ebenfalls eine ähnliche Kombination aus technischen, fachlichen und ‚weichen‘ Fähigkeiten.
– Ausgeprägte analytische Fähigkeiten und Mathematikkenntnisse sind notwendig, ebenso wie hervorragende Programmierkenntnisse und die Modellierung von Geschäftsprozessen. Es ist sehr wichtig, dass ein Datenwissenschaftler die Daten, die er analysiert oder modelliert, versteht, und das Fachwissen der Branche ist entscheidend. Kenntnisse über Cloud-Technologien, Datenverarbeitungswerkzeuge und die Entwicklung von Modellen innerhalb dieser werden ebenfalls sehr wichtige Fähigkeiten für Datenwissenschaftler, fügt Pirša Ilić hinzu und merkt an, dass der herausforderndste Teil des Jobs für junge Datenanalysten und Wissenschaftler genau das Fachwissen ist, das mit Erfahrung kommt.
Forschungssinn
Wie in fast jedem Job heute müssen Datenanalysten, angesichts der enormen technologischen Entwicklungen, ständig über die neuesten Errungenschaften in ihrem Bereich informiert bleiben. Zum Beispiel verfolgt Pirša Ilić Themen im Bereich Analytik und Datenwissenschaft auf mehreren Plattformen, Konferenzen in diesem Bereich und sagt, dass ein großer Teil des praktischen Wissens von Teammitgliedern kommt, die sich mit Forschung beschäftigen.
—
Wenn es eine strukturierte Informations-/Datenarchitektur gibt, sind Organisationen agiler und können die gesammelten Daten schneller nutzen.
—
– Wir pflegen einen Forschungssinn innerhalb der Abteilung, sodass jedes interessante Thema, das potenziell Anwendung in unserer Entwicklung hat, dem Rest der Abteilung präsentiert wird, und wir bemühen uns, neues Wissen zu teilen. Ich folge mehreren Themen in diesem Bereich auf LinkedIn sowie verschiedenen Nachrichten über Blogs und Seiten wie KDnuggets, Towards Data Science, Data Science Central, Gartner und ähnliches, erklärt Pirša Ilić.
Neben all dem oben Genannten fügt Škalec hinzu, dass es für Datenwissenschaftler sehr wichtig ist, beharrlich zu sein.
– Denn zum Beispiel können Datenwissenschaftler ein Modell des maschinellen Lernens tagelang, wenn nicht wochenlang entwickeln, nur um am Ende zu erkennen, dass es nicht gut genug ist, dass ihnen einige Daten fehlen, erklärt Škalec.
Sie betont die Bedeutung des Denkens außerhalb der Box.
– Wenn etwas Wert gebracht hat und erfolgreich für einen Nutzer/Organisation funktioniert hat, bedeutet das nicht, dass es für einen anderen auf die gleiche Weise funktionieren wird. Datenwissenschaftler zu sein, bedeutet nicht nur, in Python zu programmieren und ähnliche Anwendungsfälle zu replizieren oder Code zu kopieren; es ist ein breiteres Bild erforderlich, schließt Škalec.
