Am 15. Oktober veranstalten wir ein Webinar zu What L&D Leaders Need to Know About Data Fluency. Ein Schwerpunkt ist der Aufbau der richtigen Kompetenzen für deine wichtigsten Daten-Personas. Hier ist eine kurze Vorschau darauf, was dich erwartet.
Die Herausforderungen bei der Weiterbildung für Datenkompetenz
Datenkompetenz ist weniger eine einzelne Fähigkeit als vielmehr eine Methodik, um Geschäftsfragen zu beantworten – anders als klassische Learning-&-Development-Programme. Beim Skalieren von Lern- und Entwicklungsprogrammen für Datenkompetenz unterscheiden sich die Lernreisen je nach dem, wie stark einzelne Personen mit Daten arbeiten. Eine Marketing-Analystin, die regelmäßig mit Excel arbeitet, muss zum Beispiel R oder Python lernen, um in ihrem Job zu bestehen, während eine Führungskraft vor allem wissen muss, wie sie fundierte Entscheidungen auf Basis von Daten trifft.
Warum eine persona-gesteuerte Methodik der richtige Weg ist
Eine rollenbasierte, persona-gesteuerte Lernreise skaliert Trainingsprogramme für Datenkompetenz deutlich effektiver. Auch wenn jede Organisation und ihre Daten anders sind, gibt es Gemeinsamkeiten in der Art, wie Menschen mit Daten umgehen. Ein hilfreicher Ansatz für datenfokussierte Weiterbildungsinitiativen sind Daten-Personas. Jede Daten-Persona hat eine andere Beziehung zu Daten und braucht spezifische Kompetenzen, um ihr Potenzial auszuschöpfen. Organisationen können dann Rollen den passenden Personas zuordnen und darauf basierend kuratierte, personalisierte Lernerfahrungen entwickeln.
1. Data Consumers and Leaders
Data Consumers and Leaders arbeiten häufig in nicht-technischen Rollen, nutzen aber Daten und Analysen, um datenbasierte Entscheidungen zu treffen. Sie müssen regelmäßig mit Datenprofis sprechen und erkennen können, wann Daten geeignet sind, eine Geschäftsfrage zu beantworten – und wann nicht.
Häufig genutzte Technologien und Tools
Tabellenkalkulation: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau
Beispielhafte Jobtitel
Chief Marketing Officer, Human Resources Manager, Head of Sales
2. Business Analysts
Business Analysts verknüpfen Daten-Insights mit konkreten Maßnahmen, die Profitabilität oder Effizienz steigern. Sie kennen das jeweilige Fachgebiet sehr gut und verwenden oft SQL zusammen mit No-Code-Tools, um Erkenntnisse aus Daten zu kommunizieren.
Häufig genutzte Technologien und Tools
Tabellenkalkulation: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Beispielhafte Jobtitel
Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
3. Data Analysts
Ähnlich wie Business Analysts analysieren Data Analysts Daten und berichten über ihre Erkenntnisse. Sie kennen den Workflow der Datenanalyse im Detail und kommunizieren Ergebnisse mit einer Kombination aus Code- und No-Code-Tools.
Häufig genutzte Technologien und Tools
Programmiersprachen: Python, R Tabellenkalkulation: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Beispielhafte Jobtitel
Data Analyst, Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
4. Data Scientists
Data Scientists untersuchen, extrahieren und berichten aussagekräftige Insights aus den Daten der Organisation. Sie vermitteln diese Ergebnisse an nicht-technische Stakeholder und verstehen Machine-Learning-Workflows sowie deren Bezug zu geschäftlichen Anwendungen. Sie arbeiten fast ausschließlich mit Coding-Tools, führen Analysen durch und nutzen häufig Big-Data-Werkzeuge.
Häufig genutzte Technologien und Tools
Programmiersprachen: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Big-Data-Tools: Airflow, Spark
Beispielhafte Jobtitel
Data Scientist, Data Analyst; kann auch einen „Citizen Data Scientist“ einschließen (d. h. eine Person, die Aufgaben eines Data Scientists übernimmt, ohne den Titel „Data Scientist“ zu tragen).
5. Machine Learning Scientists
Machine Learning Scientists entwickeln Machine-Learning-Systeme im großen Maßstab. Sie leiten mithilfe von Modellen Vorhersagen aus Daten ab, um Probleme wie Churn oder Customer Lifetime Value zu adressieren, und sind dafür verantwortlich, diese Modelle in der Organisation einsatzfähig zu machen.
Häufig genutzte Technologien und Tools
Programmiersprachen: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Big-Data-Tools: Airflow, Spark Kommandozeilen-Tools: Git, Shell
Beispielhafte Jobtitel
Data Scientist, Research Scientist, Machine Learning Scientist, Machine Learning Engineer
6. Statisticians
Statisticians arbeiten – ähnlich wie Data Scientists – an hochgradig rigorosen Analysen. Dazu gehören das Design und die Durchführung von Experimenten wie A/B-Tests und Hypothesentests. Sie quantifizieren Unsicherheit und bereiten Ergebnisse auf, die ein außergewöhnlich hohes Maß an Strenge erfordern, etwa in Finanzen oder Gesundheitswesen.
Häufig genutzte Technologien und Tools
Programmiersprachen: Python, R SQL: PostgreSQL, SQL Server, Oracle SQL
Beispielhafte Jobtitel
Quantitative Analyst, Inference Data Scientist, Data Scientist
7. Programmers
Programmers sind hoch technische Fachkräfte in Datenteams, die wiederkehrende Aufgaben beim Zugriff auf und der Arbeit mit den Daten einer Organisation automatisieren. Sie schlagen die Brücke zwischen klassischer Softwareentwicklung und Data Science und kennen sich mit dem Ausrollen und Teilen von Code im großen Maßstab aus.
Häufig genutzte Technologien und Tools
Programmiersprachen: Python, R, Scala Kommandozeilen-Tools: Git, Shell
Beispielhafte Jobtitel
Software Engineer, Data Scientist, DevOps Engineer
8. Data Engineers
Data Engineers sorgen dafür, dass die richtigen Personen die richtigen Daten erhalten. Sie bauen und betreiben die Infrastruktur und Datenpipelines, die Terabytes an Rohdaten aus verschiedenen Quellen zentral zusammenführen und in saubere, relevante Daten für die Organisation verwandeln.
Häufig genutzte Technologien und Tools
Programmiersprachen: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Kommandozeilen-Tools: Git, Shell Big-Data-Tools: Airflow, Spark Cloud-Plattformen (z. B. Amazon Web Services)
Beispielhafte Jobtitel
Software Engineer, Data Engineer, DevOps Engineer
