Unternehmen brauchen leistungsstarke Datenteams
Heutige Unternehmen erzeugen mehr Daten als je zuvor. Forbes berichtete, dass 2018 täglich über 2,5 Trillionen Bytes an Daten entstanden und mehr als 90 Prozent der weltweiten Daten in den zwei Jahren vor Veröffentlichung des Artikels erzeugt wurden. Einzelne Länder produzieren noch mehr Daten. 2018 meldete CNBC, dass China 7,6 Zettabyte an Daten generierte – bis 2025 sollen es 48,6 ZB sein. Die USA erzeugen ähnlich große Datenmengen.
In diesen Daten stecken zahlreiche wertvolle Erkenntnisse, die oft ungenutzt bleiben. Laut Forrester werden 60 bis 73 Prozent der Daten von Organisationen nicht für Analysen eingesetzt.
Erfolgreiche, datengesteuerte Unternehmen nutzen Daten im großen Stil, um Wert zu schaffen. So hat Uber massiv in eine Plattform investiert, die über 100 Petabyte verfügbarer Daten effizient per einfacher Oberfläche an Datenteams liefert und sie skaliert, um über 1 Milliarde Uber-Eats-Bestellungen mit mehr als 24 Millionen Meilen abzuwickeln. Durch A/B-Tests erzielt Netflix 20 bis 30 Prozent mehr Aufrufe, indem einfach das Bild zu einem Film oder einer Serie geändert wird.
Es ist klar: Wer seine komplexen, großen Datenlandschaften souverän beherrscht, erschließt erhebliche Mehrwerte. Das gelingt nur mit einem leistungsstarken, vielseitigen Datenteam.
Rollen in einem erfolgreichen Datenteam
Viele Schlüsselrollen tragen zu einem starken Datenteam bei. In diesem Whitepaper beschreibt DataCamp acht Rollen bzw. Personas, die sich in jeder datengesteuerten Organisation finden. Auch wenn Jobtitel variieren, stellen wir hier fünf Rollen vor, die ein starkes Datenteam ausmachen: Business Analyst, Data Analyst, Data Scientist, Machine Learning Scientist und Data Engineer.
Business Analyst
Business Analysts steigern Profitabilität und Effizienz mithilfe von Dateninsights. Sie ergänzen ihr tiefes Domänenwissen durch Kompetenzen in Datenanalyse und -visualisierung und berichten ihre Erkenntnisse an Datenkonsumenten.
Wichtige Kompetenzen: Datenaufbereitung, Datenvisualisierung, Reporting, Grundlegende Statistik. Tools: Tabellenkalkulationen (Excel, Google Sheets), Business-Intelligence-Tools (Tableau, Power BI), SQL
Kursempfehlungen: Introduction to SQL, Data Analysis in Spreadsheets / Excel, Marketing Analytics in Spreadsheets, Financial Analytics in Spreadsheets
Data Analyst
Data Analysts ähneln Business Analysts darin, aus Daten Insights abzuleiten, die Geschäftsergebnisse verbessern. Ihre Kompetenzen überschneiden sich, allerdings bearbeiten Data Analysts weniger klar definierte Fragestellungen, benötigen ein tieferes Verständnis des Analyse-Workflows und nutzen eine Mischung aus Coding- und No-Coding-Tools.
Wichtige Kompetenzen: Datenaufbereitung, Datenvisualisierung, Reporting, Datenimport und -bereinigung, Wahrscheinlichkeitsrechnung und Statistik
Tools: R oder Python, Tabellenkalkulationen (Excel, Google Sheets), Business-Intelligence-Tools (Tableau, Power BI), SQL
Kursempfehlungen: Data Analyst Career Track (R - 16 Kurse/Python - 16 Kurse), Cleaning Data in R/Python, Time Series Analysis in SQL
Data Scientist
Data Scientists übernehmen eine deutlich technischere Rolle und arbeiten überwiegend mit Coding-Tools, um Daten zu untersuchen, Erkenntnisse zu gewinnen und Wert zu schaffen. Sie benötigen ein fundiertes Verständnis von Analyse- und Machine-Learning-Workflows sowie die Fähigkeit, mit unstrukturierten Datentypen und Big-Data-Tools zu arbeiten.
Wichtige Kompetenzen: Datenaufbereitung, Datenvisualisierung, Reporting, Datenimport und -bereinigung, Wahrscheinlichkeitsrechnung und Statistik, Machine Learning
Tools: R, Python, Scala, Big-Data-Tools (Airflow, Spark), SQL, Kommandozeilentools (Git, Shell)
Kursempfehlungen: Data Scientist Career Track (R - 22 Kurse/Python - 23 Kurse), Sentiment Analysis in Python, Introduction to Git
Machine Learning Scientist
Machine Learning Scientists entwickeln ML-Systeme im großen Maßstab. Sie leiten mithilfe unterschiedlichster Modelle Vorhersagen aus Daten ab, etwa zur Prognose von Churn oder Customer Lifetime Value, und verantworten die Bereitstellung dieser Modelle für den Einsatz im Unternehmen.
Wichtige Kompetenzen: Datenaufbereitung, Datenvisualisierung, Datenimport und -bereinigung, Wahrscheinlichkeitsrechnung und Statistik, Machine Learning, Data Engineering. Tools: R, Python, Scala, Big-Data-Tools (Airflow, Spark), SQL, Kommandozeilentools (Git, Shell). Kursempfehlungen: Machine Learning Scientists Career Track (R - 14 Kurse/Python - 23 Kurse), Image Processing in Python, Machine Learning with PySpark
Data Engineers
Data Engineers bauen Datenpipelines, die dafür sorgen, dass die richtigen Daten bei den richtigen Personen ankommen. Sie führen große Datenmengen aus unterschiedlichen Quellen in einer zentralen Umgebung zusammen und ermöglichen so allen Datenrollen die Arbeit mit sauberen, relevanten, regelkonformen und verwertbaren Daten.
Wichtige Kompetenzen: Datenaufbereitung, Datenimport und -bereinigung, Data Engineering, Fortgeschrittenes Programmieren. Tools: Python, Scala, Big-Data-Tools (Airflow, Spark), SQL, Kommandozeilentools (Git, Shell), Cloud-Plattformen (z. B. AWS). Kursempfehlungen: Data Engineer with Python Career Track (25 Kurse), Introduction to Airflow in Python, Streaming Data with AWS Kinesis and Lambda
So baust du ein erfolgreiches Datenteam
Fallstudie
Mit einem Überblick über die Verantwortlichkeiten der einzelnen Rollen schauen wir uns nun an einem Praxisbeispiel an, wie diese Rollen im Unternehmensalltag zusammenspielen, um Wert zu schaffen – hier: Ein Datenteam erschließt Mehrwert mit einem Churn-Modell.
In diesem Szenario stellen Data Engineers sicher, dass Data Scientists und Machine Learning Scientists Zugang zu den hochwertigen Daten haben, die sie zur Entwicklung und Operationalisierung des Modells benötigen. Sie gewährleisten Datenqualität und die korrekten Berechtigungen je Datensatz. Außerdem liefern sie die Daten leicht zugänglich, mit der nötigen Metadatenstruktur und den relevanten Variablen für eine wirksame Analyse.
Anschließend entwickeln Data Scientists und Machine Learning Scientists gemeinsam ein präzises Modell zur Vorhersage von Kundenabwanderung. Sie achten darauf, dass das Modell genau, interpretierbar und in Geschäftsprozesse integrierbar ist und auch auf neuen, ungesehenen Daten nach dem Go-live verlässlich bleibt.
Abschließend nutzen Data Analysts und Business Analysts die Modellergebnisse, um Entscheidungen mit Geschäftswert zu treffen. Sie können Marketingbudgets auf Basis der Churn-Wahrscheinlichkeit einzelner Kundengruppen steuern und Entscheidern faktenbasiert erläutern, warum bestimmte Segmente eher abwandern.
Wie bei den meisten Datenprojekten trägt jede Rolle dazu bei, Wert aus Daten zu ziehen.
Der Weg zu einem effektiven Datenteam beginnt bei deinen Leuten
Trotz pandemiebedingter Einstellungsrückgänge sind Datenrollen stark gefragt und belegten gleich zweimal die Top 3 im jährlichen Emerging-Jobs-Report von LinkedIn. Ende 2020 berichtete Deloitte, dass 23 % der Organisationen eine große oder sehr große Lücke zwischen ihren KI-Anforderungen und den aktuellen Fähigkeiten sehen. 2021 argumentierte Deloitte, dass Unternehmen diesem Engpass mit selektivem Recruiting und gezielter Weiterbildung begegnen müssen.
Angesichts des Talentmangels sollten Organisationen selektives Recruiting mit Weiterbildung kombinieren, um hochqualifizierte Datenteams aufzubauen, die Wert schaffen. Das gelingt, indem du personalisierte Lernpfade anbietest, die gezielt auf diese Rollen zugeschnitten sind. Bei DataCamp erhalten Lernende individuelle Lernreisen basierend auf ihrem Kompetenzstand und ihren Lernzielen – inklusive Tools zum Assessments, Lernen, Üben und Anwenden neuer Datenkompetenzen. Mit DataCamp for Business profitieren Lernende von maßgeschneiderten Lernpfaden, mit denen Organisationen ihre Lernprogramme auf konkrete Ziele und Herausforderungen ausrichten. Erfahre, wie du mit DataCamp dein Talent transformierst.
DataCamp for Business ist eine interaktive Lernplattform für Unternehmen, die ihre Mitarbeitenden in Datenkompetenzen weiterbilden oder umschulen möchten. Von Datenkompetenz über Data Science bis hin zu Data Engineering und Machine Learning – mehr als 1.600 Unternehmen vertrauen bei der Weiterbildung ihres Talents auf DataCamp for Business.