Was ist eigentlich Data Science?
Wenn ich mich bei unseren Kunden als Data Scientist – ein Datenwissenschaftler – vorstelle, dann klingt das ähnlich unspektakulär und nichtssagend wie „Informatiker“, „Computer Scientist“ oder „EDV-Experte“.
Dennoch bezeichnet der Harvard Business Review diesen Job als „Sexiest Job of the 21st Century“. Und das auch ohne die Worte maschinelles Lernen oder künstliche Intelligenz vorab in den Mund genommen zu haben.
Was steckt dahinter?
Data Science ist ein interdisziplinäres Feld und kombiniert tiefgehende Themen aus der Informatik, Mathematik, Statistik und Informationswissenschaft. Insbesondere relevant sind hierbei die Felder Maschinelles Lernen, Datenklassifikation, Cluster Analysen, Data Mining, Datenbanken und Visualisierung.
Insgesamt ist es also eine Kombination verschiedener Spezialisierungen aus Mathematik und Informatik, die einiges an Fachwissen erfordert.
Dies ist unter anderem ein Grund, warum echte Data Scientists so selten – und dennoch so gefragt sind.
Wo wird Data Science angewendet? Einige Beispiele
Suchmaschinen
Ein Beispiel für angewandte Data Science, welches uns jeden Tag begegnet, vereinfacht unser Leben jeden Tag auf fast schon magische Art und Weise und wirkt manchmal fast schon unheimlich. Es geht um Suchmaschinen und ihre Fähigkeit Millionen von Webseiten in Sekundenbruchteilen abzusuchen und uns genau die Ergebnisse zu liefern, die wir gerade für unsere Arbeit brauchen:
Suchmaschinen leisten Phantastisches!
Digitales Marketing
Für Unternehmen in der heutigen Zeit nicht mehr wegzudenken und allgegenwärtig ist auch die Nutzung digitaler Marketingkanäle und die damit verbundenen ausgefeilten Strategien. Denn es entscheidet über Bestehen oder Scheitern eines Unternehmens, ob es bei den richtigen Stichwörtern gefunden wird, oder nicht.
Google Suchmaschinenoptimierung
Sprach- und Bilderkennung
Was vor ein paar Jahren noch als Spielerei oder Zukunftsmusik abgetan wurde, ist heute Realität. Wir nutzen vermeintlich intelligente Sprachhilfen wie Siri, Alexa und co. Und vergessen dabei zu leicht, was für ein komplexer Prozess das Erkennen menschlicher Sprache mit all ihren Akzenten und Ausprägungen ist. …jedenfalls so lange, bis wir uns wiederfinden, wie wir auf einem belebten Platz „Neuer Termin“ in unser Smartphone brüllen, dieses aber viel lieber den gesamten Vortrag des in der Nähe befindlichen Reiseführers mitdokumentiert.
Intelligente Spracherkennung ist heute Realität
Ein weiteres Beispiel:
Das Notizprogramm OneNote von Microsoft, das für viele fast schon als zweites Gedächtnis dient, verfügt standardmäßig bereits über die Funktion, Texte in Bildern zu erkennen, und diese herauszukopieren. Dies wird als OCR – optical character recognition- bezeichnet und besitzt bereits heute eine faszinierende Akkuratesse.
BTW: Meine wissenschaftlichen Beiträge auf dem Gebiet der Bildverarbeitung finden Sie unter meinem Google Scholar Profil
Logstistikplanung und Supply Chain Management
In Zeiten von next-day-delivery und Co sind Unternehmen zunehmend gezwungen, auf intelligente Lösungen umzusteigen, um den anfallenden Datenbergen überhaupt nur ansatzweise Herr zu werden. Während dies am einen Ende des Spektrums absolut notwendig wird, um überhaupt effiziente Prozesse zu ermöglichen, liegen auf der anderen Seite auch enorme Potentiale für Optimierungen jeglicher Art in Bezug auf Zeit, Ressourcen und sogar der Auswahl von Drittanbietern.
Ein Extrembeispiel für derartige Datenmengen ist der Teilchenbeschleuniger CERN. Bei einem Testlauf fallen hier alleine für den Detektor CMS so viele Daten an, wie eine Digitalkamera mit 70 Megapixeln, die pro Sekunde 40 Millionen Bilder schießt, erzeugen würde!
Klingt utopisch? Doch stellen Sie sich kurz vor, wie viele Maschinen in einem einzigen Produktionswerk eines Automobilteilezulieferers im Einsatz sind und wie viele Daten jede einzelne Maschine erzeugt und verarbeitet. Und damit sind wir schnell bei einem weiteren Hype-Thema:
Predictive Maintenance
Ausfälle und Fehler erkennen und verhindern, bevor sie entstehen? Wartungen nicht so einplanen müssen, wie sie anfallen, sondern nach individuellen Kriterien für jede einzelne Maschine aufgrund von Echtzeit-Daten?
Was für viele Unternehmen noch wie ein Traum klingt, der zu gut scheint, um wahr zu sein, so entstehen derzeit immer mehr Pilotprojekte, wie z.B. das SAP IoT bei TrenItalia oder die neuen Lösungen von IBM.
Fest steht, wer diese Innovationen verpasst, dem droht nicht nur ein Nachteil im Wettbewerb auf Dauer. Viel mehr verlieren Unternehmen, die zu konservativ an ihren alten festgefahrenen Strukturen festhalten und sich gegen diese Innovationen dauerhaft wehren, jegliche Wettbewerbsfähigkeit in einer Zukunft, die zunehmend von disruptiven Entwicklungen am Markt beherrscht wird.
Außerdem stelle ich Ihnen vor, wie sie selbst fit genug werden, um in Sachen Data Science mitreden zu können.
The post Data Scientist – Das Hype Thema erklärt. Part 1 appeared first on Die SAP HR/HCM Berater.