Durch die Digitalisierung der letzten Jahrzehnte entstehen immer mehr Daten. Vor allem die Handelsbranche nutzt sie, um das Kaufverhalten der Menschen zu analysieren. Aber auch die Gesundheitsbranche versucht, durch eine genaue Datenanalyse zum Beispiel die Wirksamkeit von Medikamenten zu untersuchen. Vorteile versprechen sich auch Banken, Versicherungen, ja im Prinzip alle Fachbereiche. Das Problem: Daten sammeln kann jeder. „Und genau da verbergen sich auch schon die ersten Fehler und Gefahren“, warnt Giuseppe Casalicchio vom Institut für Statistik an der Uni München. Für eine zielgerichtete Analyse müssten erst die richtigen Fragen gestellt werden. An dieser Stelle kommen die Data Scientists ins Spiel.

Daten sind das neue Gold, aber das Schürfen ist nicht einfach

Mit Data Science ist die Extraktion von Wissen aus Daten gemeint. Obwohl der Begriff schon Ende der 1990er-Jahre modern wurde, ist das Wissenschaftsfeld in Deutschland noch sehr jung. Es basiert allerdings auf fundamentalen Methoden aus Statistik und Informatik. Ziel ist es, aus Daten neue Erkenntnisse zu gewinnen, Zusammenhänge zu verstehen, Prognosen zu erstellen und die Ergebnisse sinnvoll zu präsentieren, interpretieren sowie darzustellen. Denn Daten können nicht nur Antworten auf Fragen liefern, sondern durch Zufallsfunde auch neue Fragen generieren, auf die sonst kein Mensch gestoßen wäre. „Da gute Fragen immer wertvoll sind, gewinnt dieses Thema in allen möglichen Fachbereichen immer mehr an Bedeutung“, erklärt Casalicchio. Kein Wunder gelten Daten als das „neue Gold“.

Die Nachfrage nach qualifizierten Data Scientists ist entsprechend hoch. Der weltweite Mangel an Experten und die ständig wachsenden Datenmengen treiben die Nachfrage weiter nach oben. Bei vielen Unternehmen und Einrichtungen warten Unmengen von Daten und Informationen darauf, analysiert zu werden. Hochschulen in Deutschland haben auf die Entwicklung reagiert und bieten spezielle Studiengänge an. Seit zwei Jahren können Abiturienten in Marburg und Stuttgart Data Science auf Bachelor studieren, ab dem Wintersemester auch in Göttingen. Der Schwerpunkt liegt aber bei Masterstudiengängen, die zum Beispiel an den Universitäten Dortmund, Magdeburg, und München angeboten werden. In den letzten zwölf Monaten haben auch viele Hochschulen Data Science in ihr Curriculum aufgenommen.

Die Hauptaufgabe eines ausgebildeten Data Scientists ist die Beantwortung von Fragen anhand von Big Data. Der erste Schritt ist dabei, auf die Daten zugreifen zu können, sie zu aggregieren und mit anderen Datenquellen zu verbinden. „Da Daten bei größeren Mengen auf mehrere Computer und Server verteilt sind, erfordert dies ein grundlegendes Verständnis in Informatik“, erklärt Statistiker Casalicchio. Anschließend müssen die Daten mithilfe von Methoden aus der Statistik und Informatik analysiert und visualisiert werden, um Zusammenhänge und Eigenheiten aufzudecken. „Da Daten aus verschiedenen Themengebieten stammen können, ist hier fachliches Know-how im jeweiligen Themengebiet von Vorteil“, ergänzt Casalicchio. Das heißt, Data Scientists sollten sich auch in fremde Themengebiete einarbeiten.

Neben dem Data-Science-Studium existieren auch berufsbegleitende Studiengänge und spezialisierte Weiterbildungsangebote – zum Beispiel an der Uni München. Seit 2014 bietet Casalicchio (Inhouse-)Kurse zu den Themen Datenanalyse, Data Science und Machine Learning mit Fokus auf die statistische Programmiersprache „R“ an. Immer wieder fragten ihn dabei Teilnehmer, ob sie den Data-Science-Masterstudiengang auch berufsbegleitend studieren können. Gefragt, getan. Kurz darauf bot die Weiterbildung der Uni einen berufsbegleitenden Zertifikatskurs mit anschließender Prüfung an. Der Kurs richtet sich an Führungs- und Fachkräfte aus allen Fachbereichen der Industrie und Wissenschaft, die Interesse an Data Science haben und ein gewisses Grundverständnis für das Thema beziehungsweise die verschiedenen Use Cases erhalten möchten.

„Durch den zehntägigen Zertifikatskurs wird man natürlich nicht zum Data-Science-Experten“, sagt Casalicchio. Allerdings bekämen Teilnehmer einen sehr guten Einblick in die Arbeitswelt eines Data Scientists und in die Vielfalt der Tätigkeiten. Dazu gehören zum Beispiel neben den Grundlagen in Statistik und Informatik moderne Visualisierungsmethoden, Datensicherheit sowie insbesondere das Anwenden von Vorhersagemodellen und die Interpretation der Ergebnisse. Die ersten Evaluationsergebnisse waren sehr positiv – es gab aber auch Kritik. Zum Beispiel hatte sich die Uni bewusst gegen Hausaufgaben entschieden, damit das Programm nicht zu verschult wirkt. Doch genau das hätten sich die Teilnehmer gewünscht. „Das hat mich überrascht und gleichermaßen beeindruckt“, sagt Casalicchio. In Zukunft wird es Hausaufgaben geben, verspricht er und lacht.

Die Berufsbezeichnung ist bisher nicht geschützt

Wer auf Jobportalen wie Xing oder LinkedIn sucht, findet inzwischen viele Data Scientists. Doch nicht alle sind auch wirklich welche. „Jeder, der irgendwie mit Daten arbeitet, darf sich so nennen“, erläutert Casalicchio. Das liegt daran, dass „Data Scientist“ keine geschützte Berufsbezeichnung ist und die Aufgabenbereiche nicht eindeutig definiert sind. Fest steht aber: Ein Data Scientist sollte kreativ und kommunikativ sein, um sich mit den verschiedenen Ebenen in einer Organisation austauschen zu können. Spöttern, die sagen, diese Kombination gebe es bei Menschen aus den Bereichen Mathematik, Statistik oder Informationstechnologie gar, verweist Casalicchio mit einem Augenzwinkern auf Google. Wer dort „sexiest Job“ eingibt, findet nur Einträge zu Data Scientists. (David Lohmann)