Wikipedia · einfach zusammengefasst · Stand
Data Science
Der Begriff Data Science (dt. etwa Datenwissenschaft) bezeichnet die Wissenschaft von der Extraktion von Wissen aus Daten, um daraus zu lernen.
Inhalt5 Abschnitte
Gegenstand und Ziel
Data Science (etwa „Datenwissenschaft“) ist die Wissenschaft, Wissen aus Daten zu extrahieren, um daraus zu lernen. Gemeint sind vor allem große Mengen digitaler Daten, etwa aus Datenbanken oder Onlineservices. Als interdisziplinäres Feld verbindet Data Science mathematisch-statistisch basierte Methoden, Prozesse, Algorithmen und Systeme. Damit werden aus strukturierten Daten, also Daten mit festem Aufbau, und unstrukturierten Daten Erkenntnisse, Muster und Schlussfolgerungen gewonnen.
Ein besonderer Schwerpunkt liegt auf der Verwertung und Visualisierung von Daten. Datenvisualisierung bedeutet, Daten anschaulich darzustellen; sie ist zugleich ein eigenes Fachgebiet und umfasst unter anderem Computergrafik. Data Science soll vergangene, aktuelle und zukünftige Phänomene der realen Welt digital erfassen, analysieren und visualisieren. So soll die datengetriebene Wissensgenerierung als möglichst gute Entscheidungsbasis für menschliches Handeln verbessert werden.
Data Science kommt auch als Teilbereich anderer Wissenschaften vor, etwa in Materialwissenschaften sowie in Logistik und Produktion. Verwandte Begriffe sind Data Analytics („Datenanalyse“), Data Mining als Gewinnung oder Erzeugung von Daten und Big Data für umfangreiche Daten. Auch große Sprachmodelle (Large Language Models, LLM) verarbeiten große Datenmengen. Data Science steht insgesamt in Zusammenhang mit der digitalen Wirtschaft.
Datenquellen und Wissensgewinnung
Data Science ist durch die Nutzung digitaler Daten geprägt, die im Informationszeitalter und in einer „digitalen Revolution“ entstehen. Technische Geräte und wirtschaftliche Abläufe erzeugen heute Daten. Wichtige Quellen sind das Internet, digitale Services, das Internet der Dinge, Smartphones sowie große Datenbanken von Organisationen und Unternehmen.
Ziel ist es, aus diesen Daten einen Mehrwert zu schaffen. Dabei wird die DIKW-Hierarchie beziehungsweise DIKW-Pyramide verwendet: Daten (Data) werden zu Informationen (Information), daraus entsteht Wissen (Knowledge) und schließlich Einsicht oder Weisheit (Wisdom). Data Science unterstützt also den Weg von einzelnen gespeicherten Werten hin zu begründeten Einsichten.
Daten als Grundlage
Messdaten wurden bereits über Jahrzehnte analytisch verarbeitet, früher oft ohne Computertechnik und elektronische Datenverarbeitung. Statistische Methoden gehören traditionell zur wissenschaftlichen Arbeit in Ingenieur- und Naturwissenschaften und werden auch in Data Science eingesetzt. Forschende Ingenieure, Softwerker sowie andere Computer- und IT-Spezialisten können deshalb teilweise ähnliche Tätigkeiten wie Data Scientists ausüben.
Daten sind der „Roh-“ und nach ihrer Bearbeitung der „Brennstoff“ der Datenwissenschaft: Sie dienen dazu, andere Prozesse anzutreiben, positiv zu beeinflussen oder zu optimieren. Ein Data Scientist kann sich beispielsweise auf Programmiersprachen wie Python oder R konzentrieren oder zusätzlich Werkzeuge zur Visualisierung einsetzen. Daten sind außerdem notwendige Bausteine für moderne künstliche Intelligenz, LLM und Technologien wie das selbstfahrende Kraftfahrzeug. Besonders gefragt ist Data Science im Umfeld moderner Internettechnologie, etwa Cloud Computing; sie wurde ungefähr zeitgleich mit der Idee von Big Data groß.
Studium, Rollen und Kompetenzen
Ein Data-Science-Studium nutzt Techniken und Theorien aus Mathematik, Statistik und Informationstechnologie. Dazu gehören Signalverarbeitung, Wahrscheinlichkeitsmodelle des maschinellen und statistischen Lernens, Programmierung, Datentechnik, Mustererkennung, Prognostik, Modellierung von Unsicherheiten und Datenlagerung.
Die häufigste Stellenbezeichnung lautet Data Scientist. Weitere datenbezogene Rollen sind Data Engineer, Data Specialist, Data Analyst und Chief Data Officer (CDO). Im deutschen Sprachraum gibt es spezialisierte Studiengänge, vor allem Masterstudiengänge, zunehmend aber auch Bachelorstudiengänge. Ergänzend bestehen Weiterbildungsangebote und berufsbegleitende Studiengänge.
Data Scientists werden auch Datenwissenschaftler genannt; in der Praxis handelt es sich oft um Spezialisierungen übergeordneter Berufe wie Statistiker oder Informatiker. Sie sollen überzeugend, kreativ und kommunikationsfähig sein. Als „Übersetzer“ vermitteln sie zwischen Fachabteilungen und Top-Management und bereiten Ergebnisse für beide verständlich auf. Wichtig sind zudem Offenheit für neue Analysetools und Verfahren, die Bereitschaft, neue Fragen und Ansätze zu suchen, sowie Koordinationstalent. Die Beschaffung von Daten kann delegiert werden, Kontrolle und Steuerung sollen jedoch beim Data Scientist bleiben.
Aufgaben und Einsatz in der Wirtschaft
Die zentrale Aufgabe eines Data Scientist besteht darin, aus großen Datenmengen Informationen zu gewinnen und daraus Handlungsempfehlungen abzuleiten. Diese sollen Unternehmen helfen, effizienter zu arbeiten. Dazu entwickelt die Person Abfragen und nutzt Analysetools, um wertvolle Informationen aus unübersichtlichen Datenmengen zu destillieren. Anschließend werden Hypothesen formuliert, statistisch überprüft und für das Management als Entscheidungsgrundlage aufbereitet.
Nach den im Artikel als nicht hinreichend belegt gekennzeichneten Angaben werden in allen Wirtschaftszweigen große Datenmengen ausgewertet, während ein Mangel an Data Scientists die Nutzung erschwert. Daten werden dabei als „neues Gold“ bezeichnet. Genannt werden auch ein nahezu nicht vorhandener Markt für Spezialisten zu Datenarchitekturen und Datenmodellen sowie eine wachsende Nachfrage in der Logistik.
Als Beispiele nennt der Artikel die Gesundheitsbranche: Analysen von Daten aus Krankenhausaufenthalten könnten über Ähnlichkeitsanalysen von Patientendaten individualisierte Behandlungen in der Personalisierten Medizin ableiten und Medikationspläne optimieren. Im Handel kann das Kaufverhalten analysiert werden, um Ursachen von Retouren zu ermitteln und dadurch Warenrücksendungen zu reduzieren.
