Data Scientist - Versionsgeschichte

Salis.Matteo am 4. Dezember 2020 um 10:22 Uhr

2020-12-04T10:22:58Z

← Nächstältere Version		Version vom 4. Dezember 2020, 12:22 Uhr
Zeile 137:		Zeile 137:
	[[Kategorie:Digital Controlling]]		[[Kategorie:Digital Controlling]]
	[[Kategorie:Funktionales Controlling]]		[[Kategorie:Funktionales Controlling]]
			[[Kategorie:Rollenprofile]]

Salis.Matteo am 4. Dezember 2020 um 10:22 Uhr

2020-12-04T10:22:35Z

← Nächstältere Version		Version vom 4. Dezember 2020, 12:22 Uhr
Zeile 136:		Zeile 136:
	[[Kategorie:F&E-Controlling]]		[[Kategorie:F&E-Controlling]]
	[[Kategorie:Digital Controlling]]		[[Kategorie:Digital Controlling]]
			[[Kategorie:Funktionales Controlling]]

Salis.Matteo am 4. Dezember 2020 um 09:55 Uhr

2020-12-04T09:55:56Z

← Nächstältere Version		Version vom 4. Dezember 2020, 11:55 Uhr
Zeile 135:		Zeile 135:

	[[Kategorie:F&E-Controlling]]		[[Kategorie:F&E-Controlling]]
			[[Kategorie:Digital Controlling]]

Salis.Matteo: /* Vergleich Data Scientist und Controller */

2020-10-28T12:13:32Z

Vergleich Data Scientist und Controller

← Nächstältere Version		Version vom 28. Oktober 2020, 14:13 Uhr
Zeile 69:		Zeile 69:
	\| '''Fachliche Kompetenzen''' \|\| Controlling Fachkenntnisse, Geschäftskenntnisse/-verständnis \|\| Verständnis von Unternehmenszielen und ihrer Verbindung zu Data Analytics. Engineering-Wissen über Realisierbarkeit, Skalierbarkeit und Kosten.		\| '''Fachliche Kompetenzen''' \|\| Controlling Fachkenntnisse, Geschäftskenntnisse/-verständnis \|\| Verständnis von Unternehmenszielen und ihrer Verbindung zu Data Analytics. Engineering-Wissen über Realisierbarkeit, Skalierbarkeit und Kosten.
	\|-		\|-
	\| '''Methodische Kompetenzen''' \|\| Analytische Kompetenzen, Lösungsorientierung, Umsetzungskompetenzen \|\| Solides Grundverständnis datengetriebener ~~Modelbildung~~ mit analytischen Methoden. Fähigkeiten zur Identifikation und Verknüpfung von Datenquellen. Beherrschung der notwendigen Algorithmen und Werkzeuge für Analyse und Verknüpfung.		\| '''Methodische Kompetenzen''' \|\| Analytische Kompetenzen, Lösungsorientierung, Umsetzungskompetenzen \|\| Solides Grundverständnis datengetriebener Modellbildung mit analytischen Methoden. Fähigkeiten zur Identifikation und Verknüpfung von Datenquellen. Beherrschung der notwendigen Algorithmen und Werkzeuge für Analyse und Verknüpfung.
	\|-		\|-
	\| '''Persönliche Kompetenzen''' \|\| Leistungsorientierung, Belastbarkeit, Proaktivität, Gewissenhaftigkeit, Neutralität		\| '''Persönliche Kompetenzen''' \|\| Leistungsorientierung, Belastbarkeit, Proaktivität, Gewissenhaftigkeit, Neutralität
	\|\| Urteilsfähigkeit bezüglich Werten und Normen und kommunikatives Talent zur Übersetzung von Ergebnissen in die Business-Welt.		\|\| Urteilsfähigkeit bezüglich Werten und Normen und kommunikatives Talent zur Übersetzung von Ergebnissen in die Business-Welt.
	\|-		\|-
	\| '''Soziale Kompetenzen''' \|\| Führungskompetenzen, ~~Kommunikative~~ Kompetenzen, Teamorientierung. Kooperation, Empathie/Sensitivität, Konfliktfähigkeit, Kundenorientierung		\| '''Soziale Kompetenzen''' \|\| Führungskompetenzen, kommunikative Kompetenzen, Teamorientierung. Kooperation, Empathie/Sensitivität, Konfliktfähigkeit, Kundenorientierung
	\|\| Fähigkeiten zur Übernahme von Verantwortung, Führungsverhalten, Nutzung von Geschäftskontakten.		\|\| Fähigkeiten zur Übernahme von Verantwortung, Führungsverhalten, Nutzung von Geschäftskontakten.
	\|}		\|}

Salis.Matteo: /* Organisatorische Eingliederung */

2020-10-28T12:10:29Z

Organisatorische Eingliederung

← Nächstältere Version		Version vom 28. Oktober 2020, 14:10 Uhr
Zeile 49:		Zeile 49:
	Durch die hohen Erwartungen an die Kompetenzen des Controllers oder bei der Einstellung eines Data Scientists stellt sich allerdings die Frage, wie dieser organisatorisch in das Unternehmen eingegliedert werden soll. Einzelne Stellen werden dabei oftmals dem Controlling oder der IT unterstellt. Werden allerdings grössere Teams gebildet, dann werden diese Abteilungen oft Data- oder Digital-Lab, Data & Analytics oder Data Science genannt. Dabei gibt es auch die Möglichkeit, ein [[Data Science Center]] zu errichten (Langmann, 2019, S. 41).		Durch die hohen Erwartungen an die Kompetenzen des Controllers oder bei der Einstellung eines Data Scientists stellt sich allerdings die Frage, wie dieser organisatorisch in das Unternehmen eingegliedert werden soll. Einzelne Stellen werden dabei oftmals dem Controlling oder der IT unterstellt. Werden allerdings grössere Teams gebildet, dann werden diese Abteilungen oft Data- oder Digital-Lab, Data & Analytics oder Data Science genannt. Dabei gibt es auch die Möglichkeit, ein [[Data Science Center]] zu errichten (Langmann, 2019, S. 41).

	Obwohl die Aufgaben eines Data Scientists auf den ersten Blick denen eines Controllers ähneln, gibt es doch signifikante Unterschiede. Deshalb wird den Unternehmen empfohlen, die Data Scientists in einer anderen Abteilung ausserhalb des Controllings anzusiedeln. Man erhofft sich von dieser Massnahme, dass sich die einzelnen Bereiche besser auf ihre spezifischen Aufgabengebiete fokussieren und damit jeweils ihr ~~vollstes~~ Potenzial ausschöpfen können. Dafür benötigt es allerdings auch eine gute partnerschaftliche Zusammenarbeit zwischen den Data Scientists und dem Controlling (Steiner und Welker, 2016).		Obwohl die Aufgaben eines Data Scientists auf den ersten Blick denen eines Controllers ähneln, gibt es doch signifikante Unterschiede. Deshalb wird den Unternehmen empfohlen, die Data Scientists in einer anderen Abteilung ausserhalb des Controllings anzusiedeln. Man erhofft sich von dieser Massnahme, dass sich die einzelnen Bereiche besser auf ihre spezifischen Aufgabengebiete fokussieren und damit jeweils ihr volles Potenzial ausschöpfen können. Dafür benötigt es allerdings auch eine gute partnerschaftliche Zusammenarbeit zwischen den Data Scientists und dem Controlling (Steiner und Welker, 2016).

	== Vergleich Data Scientist und Controller ==		== Vergleich Data Scientist und Controller ==

Salis.Matteo: /* Herkunft und Begriffsdefinition */

2020-10-28T12:09:41Z

Herkunft und Begriffsdefinition

← Nächstältere Version		Version vom 28. Oktober 2020, 14:09 Uhr
Zeile 8:		Zeile 8:
	Der Begriff Data Scientist wird zudem auch als eine Überschneidung von Aufgaben aus verschiedenen Berufsfeldern wie beispielsweise des [[Business Partner\|Business Partners]], des Statistikers oder des Softwareentwicklers verstanden (Horváth & Aschenbrücker, 2014, S. 50).		Der Begriff Data Scientist wird zudem auch als eine Überschneidung von Aufgaben aus verschiedenen Berufsfeldern wie beispielsweise des [[Business Partner\|Business Partners]], des Statistikers oder des Softwareentwicklers verstanden (Horváth & Aschenbrücker, 2014, S. 50).

	Durch die Digitalisierung können einige Aufgaben im Controlling automatisiert und vereinfacht werden. Die daraus entstehenden freien Kapazitäten können zu komplexeren Analysen und Aufgabenerweiterungen genutzt werden. Das führte dazu, dass im Controlling zuerst das Rollenbild des [[Business Partner\|Business Partners]] entstanden ist. Zusätzlich zur Führungsunterstützung durch den [[Business Partner\|Business ~~Partners~~]] wird nun auch das Rollenbild des Data Scientist immer wichtiger, welcher sich durch sein methodisches Spezialwissen auszeichnet (Keimer, Zorn, Gisler und Fallegger, 2017, S. 831).		Durch die Digitalisierung können einige Aufgaben im Controlling automatisiert und vereinfacht werden. Die daraus entstehenden freien Kapazitäten können zu komplexeren Analysen und Aufgabenerweiterungen genutzt werden. Das führte dazu, dass im Controlling zuerst das Rollenbild des [[Business Partner\|Business Partners]] entstanden ist. Zusätzlich zur Führungsunterstützung durch den [[Business Partner\|Business Partner]] wird nun auch das Rollenbild des Data Scientist immer wichtiger, welcher sich durch sein methodisches Spezialwissen auszeichnet (Keimer, Zorn, Gisler und Fallegger, 2017, S. 831).
	Werden die Kompetenzen des Data Scientist mit Business Fähigkeiten verbunden, so spricht man auch vom Business Data Scientist (Goerke und Seif, 2019, S. 36 - 37).		Werden die Kompetenzen des Data Scientist mit Business Fähigkeiten verbunden, so spricht man auch vom Business Data Scientist (Goerke und Seif, 2019, S. 36 - 37).

Salis.Matteo am 28. Oktober 2020 um 12:09 Uhr

2020-10-28T12:09:04Z

← Nächstältere Version		Version vom 28. Oktober 2020, 14:09 Uhr
Zeile 1:		Zeile 1:
	{{Geprueft\|+}}		{{Geprueft\|+}}

	Der Beruf und Begriff des Data Scientist wurde bei Unternehmen in den letzten Jahren immer populärer. Dennoch gibt es momentan ~~keinen abschliessenden Berufsbeschrieb~~, ~~welcher~~ beschreibt, welche Fähigkeiten für diesen Beruf mitgebracht werden müssen. Dasselbe gilt für die Aufgaben, welche ein Data Scientist erfüllen sollte. Es ist jedoch unbestritten, dass es eine der wichtigsten Aufgaben des Data Scientist ist, unstrukturierte Daten aufzubereiten und zu analysieren (Freistühler, Kempkes, Suprano & Wömpener, 2019, S. 63-64). Der Data Scientist wird allgemein auch als Allrounder und Problemlöser beschrieben (Schumann, Zschech, & Hilbert, 2016, S. 454).		Der Beruf und Begriff des Data Scientist wurde bei Unternehmen in den letzten Jahren immer populärer. Dennoch gibt es momentan keine abschliessende Berufsbeschreibung, welche beschreibt, welche Fähigkeiten für diesen Beruf mitgebracht werden müssen. Dasselbe gilt für die Aufgaben, welche ein Data Scientist erfüllen sollte. Es ist jedoch unbestritten, dass es eine der wichtigsten Aufgaben des Data Scientist ist, unstrukturierte Daten aufzubereiten und zu analysieren (Freistühler, Kempkes, Suprano & Wömpener, 2019, S. 63-64). Der Data Scientist wird allgemein auch als Allrounder und Problemlöser beschrieben (Schumann, Zschech, & Hilbert, 2016, S. 454).

	== Herkunft und Begriffsdefinition ==		== Herkunft und Begriffsdefinition ==

Salis.Matteo am 16. Oktober 2020 um 04:46 Uhr

2020-10-16T04:46:45Z

← Nächstältere Version		Version vom 16. Oktober 2020, 06:46 Uhr
Zeile 25:		Zeile 25:
	=== Kompetenzen ===		=== Kompetenzen ===

	Grundsätzlich verfügt ein Data Scientist über eine gute Kommunikationsfähigkeit, eine schnelle Auffassungsgabe und kann erkennen, was für das Unternehmen den grössten Mehrwert schafft. Er entwickelt Massnahmen, testet sie aus und stellt das Ergebnis der Unternehmensleitung möglichst überzeugend vor. Das benötigte Wissen verfügt er zudem meistens bereits. Der Data Scientist hat ebenfalls Kenntnisse über Technologien wie [[Big Data]] und [[Machine Learning]] und Data Analytics wie [[Data Mining]] und [[Predictive Analytics]] (Steiner & Welker, 2016, S. 69-70). Der Umgang mit den Daten und deren Analyse setzt ein hohes Expertenwissen und ausserdem ein Verständnis von Geschäftszusammenhängen und -modellen voraus (Hoder & Kuhr, 2015, S. 25).		Grundsätzlich verfügt ein Data Scientist über eine gute Kommunikationsfähigkeit, eine schnelle Auffassungsgabe und kann erkennen, was für das Unternehmen den grössten Mehrwert schafft. Er entwickelt Massnahmen, testet sie aus und stellt das Ergebnis der Unternehmensleitung möglichst überzeugend vor. Das benötigte Wissen verfügt er zudem meistens bereits. Der Data Scientist hat ebenfalls Kenntnisse über Technologien wie [[Big Data]] und [[Machine Learning]] und Data Analytics wie [[Data Mining]] und [[Business Analytics#Einsatzgebiete\|Predictive Analytics]] (Steiner & Welker, 2016, S. 69-70). Der Umgang mit den Daten und deren Analyse setzt ein hohes Expertenwissen und ausserdem ein Verständnis von Geschäftszusammenhängen und -modellen voraus (Hoder & Kuhr, 2015, S. 25).

	Zusätzlich weiss der Data Scientist viel über die praktische Informatik und Datenbanken und er kennt die wichtigsten Anwendungen zur Analyse und diverse Programmiersprachen (Steiner & Welker, 2016, S. 69-70). Alle diese Fähigkeiten zählen zu den Fachkompetenzen des Data Scientist (Schumann, Zschech & Hilbert, 2016, S. 462-464).		Zusätzlich weiss der Data Scientist viel über die praktische Informatik und Datenbanken und er kennt die wichtigsten Anwendungen zur Analyse und diverse Programmiersprachen (Steiner & Welker, 2016, S. 69-70). Alle diese Fähigkeiten zählen zu den Fachkompetenzen des Data Scientist (Schumann, Zschech & Hilbert, 2016, S. 462-464).

Salis.Matteo: Schützte „Data Scientist“ ([Bearbeiten=Nur Administratoren erlauben] (unbeschränkt) [Verschieben=Nur Administratoren erlauben] (unbeschränkt))

2020-02-11T09:30:12Z

Schützte „Data Scientist“ ([Bearbeiten=Nur Administratoren erlauben] (unbeschränkt) [Verschieben=Nur Administratoren erlauben] (unbeschränkt))

← Nächstältere Version	Version vom 11. Februar 2020, 11:30 Uhr
(kein Unterschied)

Salis.Matteo am 11. Februar 2020 um 09:30 Uhr

2020-02-11T09:30:07Z

← Nächstältere Version		Version vom 11. Februar 2020, 11:30 Uhr
Zeile 1:		Zeile 1:
	{{Geprueft\|-}}		{{Geprueft\|+}}

	Der Beruf und Begriff des Data Scientist wurde bei Unternehmen in den letzten Jahren immer populärer. Dennoch gibt es momentan keinen abschliessenden Berufsbeschrieb, welcher beschreibt, welche Fähigkeiten für diesen Beruf mitgebracht werden müssen. Dasselbe gilt für die Aufgaben, welche ein Data Scientist erfüllen sollte. Es ist jedoch unbestritten, dass es eine der wichtigsten Aufgaben des Data Scientist ist, unstrukturierte Daten aufzubereiten und zu analysieren (Freistühler, Kempkes, Suprano & Wömpener, 2019, S. 63-64). Der Data Scientist wird allgemein auch als Allrounder und Problemlöser beschrieben (Schumann, Zschech, & Hilbert, 2016, S. 454).		Der Beruf und Begriff des Data Scientist wurde bei Unternehmen in den letzten Jahren immer populärer. Dennoch gibt es momentan keinen abschliessenden Berufsbeschrieb, welcher beschreibt, welche Fähigkeiten für diesen Beruf mitgebracht werden müssen. Dasselbe gilt für die Aufgaben, welche ein Data Scientist erfüllen sollte. Es ist jedoch unbestritten, dass es eine der wichtigsten Aufgaben des Data Scientist ist, unstrukturierte Daten aufzubereiten und zu analysieren (Freistühler, Kempkes, Suprano & Wömpener, 2019, S. 63-64). Der Data Scientist wird allgemein auch als Allrounder und Problemlöser beschrieben (Schumann, Zschech, & Hilbert, 2016, S. 454).