So machen CIOs ihre Mitarbeiter zu Datenexperten

Big DataBig Data hier, Deep Learning dort, Data Science überall - das sind die wirtschaftspolitischen Dauertrends 2018 und 2019, die auch für alle anderen Entwicklungen rund um mobiles Zahlen, autonomes Fahren und der Industrie 4.0 nachwirken. Nahezu alle gegenwärtigen Wirtschaftstrends stehen direkt in Verbindung mit der Auswertung von Daten oder sind zumindest Teil der Daten-Genierungsmaschinerie - für die sich folglich spätestens dann im zweiten Schritt die Frage stellt: Wer analysiert diese Daten dann eigentlich? Alles zu Big Data auf CIO.de

Man mag den FachkräftemangelFachkräftemangel infrage stellen, für den Bereich rund um Big Data, Data Science und Deep Learning ist der Mangel an Fachkräften nicht zu verschweigen. Für Unternehmen in ländlichen Gebieten, die auf deutschsprachige Mitarbeiter noch stärker angewiesen sind, ist der Mangel sogar extrem; Stellen kaum mit qualifizierten Fachkräften zu besetzen. Alles zu Fachkräftemangel auf CIO.de

Dank der traditionellen technisch-mathematischen Studiengänge wie der Mathematik, Statistik oder Physik, gibt es zwar kein Überangebot an Data Scientists - zumindest ist ein Bruchteil des gegenwärtigen Grundbedarfes gedeckt. Die Hoffnung liegt nun auf die kommenden Absolventen der neuen Bachelor- und vor allem der Master-Studiengänge "Data Science" oder solche mit alternativen Bezeichnung, aber irgendwas mit Daten.

Ein Grund für das späte Erscheinen der speziellen Studiengänge der Data Science ist, dass wir es mit einem Schnittstellenbereich zu tun haben. Ein Data Scientist muss Statistik und lineare Algebra verstehen und anwenden können, er braucht auch ein Verständnis für Datenbanken und Programmierung. Und er braucht Daten zum Analysieren, was übrigens einer der Gründe ist, warum der Einstieg in die Data Science etwas aufwändiger ist als in die Software-Entwicklung.

Ganz wichtig ist indes, dass der Data Scientist auch in einem Anwendungsfeld sehr fit sein muss, um zu verstehen, was zu analysieren ist, sei es zum Beispiel Medizin (medizinische Daten), Maschinenbau (Maschinendaten) oder auch beispielsweise die Finanzwelt (Finanzdaten). Ein Datenexperte benötigt daher auch eine gewisse substanzielle Expertise in seinem Tätigkeitsfeld.

Ein Einsteiger in die Software-Entwicklung denkt sich zum Beispiel eine mobile Anwendung aus und legt los, ein Einsteiger in die Data Science braucht hingegen erstmal Daten, die die Basis für das analytische Handeln darstellen, und für deren Sinn und Potenzial ein Verständnis vorhanden sein muss. Nicht umsonst beschäftigen sich die meisten angehenden Data Scientist in ihrer Verzweiflung mit der Analyse von Bild- oder Textdaten aus irgendwelchen Open-Source-Datenbanken.

Die neuen Studiengänge, die sich direkt mit "Data Science" betiteln oder der Data Science thematisch nahestehen, die mittlerweile von einigen deutschen TUs angeboten werden, sind für Absolventen im Anschluss eines Bachelor-Studienganges sehr interessant. Auch für Berufstätige, die sich für drei bis vier Semester eine Auszeit von ihrem Hauptberuf nehmen möchten und es sich leisten können, mag ein solches Master-Studium eine mögliche Alternative sein.

Für alle anderen bereits im Berufsalltag stehende Personen ist die Zeit jedoch knapp und die Aufmerksamkeitsspanne neben dem Beruf kurz, so dass sie gut verwaltet sein will. Hinzu kommt, dass kein Unternehmen auf seine Mitarbeiter verzichten möchte, ganz besonders nicht auf die herausragenden.

Gezielte Fortbildungen

Verfügen Unternehmen bereits über eingespielte Teams und haben Schwierigkeiten bei der Einstellung von passenden Datenexperten, liegt es nicht fern, diesen eine Expertise im Umgang mit Daten und den richtigen Analyseansätzen zu vermitteln. Hierfür gibt es gezielte Angebote, die sich speziell an Berufstätige - und an deren Arbeitgeber - richten. Beispielsweise hat die Agentur für Wissenschaftliche Weiterbildung und Wissenstransfer in Brandenburg in den vergangenen drei Jahren dutzende Teilnehmer aus ganz Deutschland mit unterschiedlichen beruflichen Hintergründen zu Data Scientists qualifiziert.

Laut der Erfahrung von Dr. Peter Lauf, einer der Dozenten der AWW bzw. der Technischen Hochschule Brandenburg, kommt es gerade darauf an, die Teilnehmer mit ihren konkreten Anforderungen abzuholen, um die vielfältigen Anwendungsbeispiele für Data Science für die Lehre zu filtern.

Die Teilnehmer erhalten dabei ein adaptives Grundlagenwissen, das Ihnen die individuelle Zusammenstellung eines Software Stacks zur Lösung der je spezifischen Aufgaben ermöglicht, wobei der Software Stack einen wesentlichen Teil des Data Science Knowledge Stacks ausmacht. Der Lackmus-Test auf die Relevanz dieses Wissens besteht oft darin, dass die Teilnehmer konkrete Fragen aus dem eigenen Umfeld einbringen: "Wie kann ich Wetterdaten abfragen und auf dieser Grundlage die Anzahl der Besucher unseres Online-Shops vorhersagen?"

Augen auf bei der Wahl des Anbieters

Die nach wie vor bestehende Diskrepanz zwischen Hochschul-Output und Unternehmensbedarf an Data Science Absolventen wirft die Frage auf, ob und inwieweit Weiterbildungsangebote diese Lücke schließen können. Tatsächlich gibt es inzwischen eine Reihe von Angeboten, so dass es sich lohnt einen Kriterienkatalog zur Bewertung dieser Anbieter zu entwickeln. Folgende Kriterien sind dabei zu beachten:

• Kursgebühren (Kosten)
  Kursgebühren sind sicherlich eines der entscheidenden Faktoren für oder gegen die Wahl eines Anbieters. Dabei mitberücksichtigt werden sollte jedoch auch der didaktische Aufbau des Kurses sowie ob und wie lange ein Mitarbeiter wegen der Fortbildung ausfällt.Werden die allfälligen Kursgebühren als Investition betrachtet, spielt bei der Evaluation die Art der Zertifizierung eine wichtige Rolle. Ein international anerkanntes Zertifikat ist die beste Währung, die bei einem anschließenden Aufbaustudium durch Anrechnung von Creditpoints echte Kaufkraft zeigt.

• Grundlagen-Vermittlung
  Natürlich kann es auch eine Rolle spielen, ob und in welchem Umfang einzelne Verfahren unterrichtet werden. Eine noch größere Bedeutung besitzt aber die Vermittlung eines adaptiven Grundwissens. Adaptiv bedeutet, dass das Basiswissen über Daten, Modellbildung und Kommunikation flexibel angepasst werden kann.

• Technologische Neutralität
  Zumindest wenn es kein spezifisches Angebot für die im Unternehmen bereits etablierten Tools gibt. Ist dem nicht so, darf Entwarnung ausgesprochen werden: Tools sind leichter erlernbar als die eigentlichen Methoden der Data Science. Ferner beruhen viele gegenwärtige Data Science Konzepte auf einem Open Source Software Stack, die für Unternehmen unkritisch sind.

• Praxis, Praxis, Praxis und Theorie, wo es sie braucht
  Übung macht bekanntlich immer noch den Meister, deshalb bilden praktische, von den Teilnehmern selbst zu lösende Aufgaben ein weiteres Qualitätskriterium. Dabei sollten selbstverständlich realistische Datensätze zur Verfügung gestellt werden.

Selten erwähnt und oft unterschätzt wird der Wert der Skepsis. Tatsächlich sollte jeder gute Kurs diesen Aspekt berücksichtigen. Denn der Weg zum erfolgreichen Data Science Projekt ist umstellt von problematischen Daten, statistischen Fehlschlüssen und kognitiven Verzerrungen. Nur wer diesen Gefahren der statistischen Fehlinterpretation durch Kenntnis gewappnet entgegentritt, kann sie bewältigen.

Die richtige Auswahl an qualifizierten Mitarbeitern ist für jedes Unternehmen genauso ein Teil der Entwicklung und Umsetzung einer Datenstrategie, wie die Auswahl an Hard- und Software. Nicht nur die Wahl des Anbieters zur Qualifizierung der Mitarbeiter ist entscheidend, wichtiger noch ist die treffende Auswahl an Mitarbeitern für solch eine Maßnahme. Hier versteht es sich von selbst, dass vor allem datenaffine Mitarbeiter mit einer Leidenschaft für Daten, Zahlen und IT auserwählt werden. Diese Auswahl ist nicht alleine der Personalabteilung zu überlassen, sondern es ist eine Entscheidung mit direkter CIO-Verantwortung.