Im Kontext von IoT spielt die Gewinnung und Verarbeitung von großen Datenmengen, z.B. von Sensoren eine große Rolle. Die Rohdaten alleine machen aber noch lange keine smarten Systeme. Aus Daten werden Informationen aus Informationen wird Wissen und aus Wissen resultieren Entscheidungen - im besten Fall. Neben der technischen Herausforderungen im Umgang mit BigData rückt die „schlaue Auswertung" derselben (Digitale Analyse) immer mehr in den Vordergrund und zeigt die Grenzen des Könnens vieler Unternehmen auf. Kein Wunder also, dass dem Berufsbild des Data Scientisten eine wachsende Bedeutung zukommt. Nicht umsonst benannte das Harvard Business Review diesen als „The sexiest job of the 21st Century“. Die Digital Analytics Assocations e.V. (DAA) treibt gezielt Fach- und Führungskräfte sowie Unternehmen die Professionalisierung von Digitalen Analysten und Data Scientists voran. Frank Pörschmann, Mitglied des Vorstands des DAA e.V., erzählt in diesem Vortrag etwas über - den Unterschied zwischen BigData, SmartData und Data Analytics - Datenökonomie - das Berufsbild des Data Scientist / Digitalen Analysten - Aus- und Fortbildungsmöglichkeiten

1. IOT MEET-UP / HAMBURG
FRANK PÖRSCHMANN
01.10.2015
Data$Scien*st$
$
The$Sexiest$Job$ob$the$
21st$Century?$
$ $$

2. KONTAKT$
2
Frank$Pörschmann$
$
Digital$Analy*cs$Associa*on$e.V.$
Mitglied$des$Vorstandes$
$
iDIGMA$GmbH$
GeschäLsführender$GesellschaLer$
$
$
Digital$Analy*cs$
Associa*on$e.V.$
$
Crémon$36$
20457$Hamburg$
$
Frank.Poerschmann@daaWgermany.org$
$
www.daaWgermany.org$
www.digitalanaly*csassocia*on.org$
$
iDIGMA$GmbH$
$
Bondenwald$17$
22453$Hamburg$$
Tel:$040$325$340$W$47$
$
Frank.Poerschmann@idigma.com$$
$
www.idigma.com$
$

3. 3
! Weiterbildung$
! Nachwuchsförderung$
! Netzwerk$
! WissensWAustausch$
! Veranstaltungen$
! Wegweiser$für$Unternehmen$und$
Anwender$
! Ak*ve$KarriereWUnterstützung$
$
! Science$&$Educa*on$||$Promo*on$of$Young$
! Business$&$Governance$$
! SoLware$Producer$||$Agencies$&$Service$
Companies$
! Methods$||$Knowledge$Management$
! Interna*onal$||$Networking$
! Marke*ng,$PR$&$Events$||$Members$
! Legal$
Angebote(und(Ak,vitäten( Ressorts(
„Professionalisierung datengetriebener Berufsbilder für
Fach- und Führungskräfte“

4. 4
• Europaweit erster themenspezifischer Inkubator mit
Fokus Datenanalyse
• Bündelt die deutsche Kompetenz der Digitalanalyse in
Hamburg (bisher auch einmalig in E.U.)
• Katalysator für Unternehmensgründung und -
entwicklung im Kompetenzbereich der Digitalanalyse:
vom Startup bis zum Konzern, über Wissenschaft,
Presse und Politik
• Wichtigste Elemente:
• Standort
• Netzwerk/Austausch:
• Akademie:
• Start-Up Förderung
Initiatoren:

5. 5
! Organisations-Design &
Entwicklung
! Digital Transformation &
Business Design
! Big Data Governance
! Entscheidungs-
Architekturen
! Training & Coaching
Organisations-
Entwicklung"
Entscheidungs-Design"
! Rent a DataScientist
! DataScience Projects
! Data Science Capability
Development
Analytics Services"
„Das teuerste in Unternehmen sind noch immer
schlechte Entscheidungen“
iDIGMA GmbH, Bondenwald 17, 22453 Hamburg, Tel:$040$325$340$–$47,$ frank.poerschmann@idigma.com, www.idigma.com,

6. THE$JOB$
6
DATA
Data Scientist: The Sexiest
Job of the 21st Century
by Thomas H. Davenport and D.J. Patil
FROM THE OCTOBER 2012 ISSUE
When Jonathan Goldman arrived for work in June 2006 at LinkedIn, the
business networking site, the place still felt like a start-up. The company
had just under 8 million accounts, and the number was growing quickly
as existing members invited their friends and colleagues to join. But users weren’t
seeking out connections with the people who were already on the site at the rate
executives had expected. Something was apparently missing in the social experience. As
one LinkedIn manager put it, “It was like arriving at a conference reception and realizing
you don’t know anyone. So you just stand in the corner sipping your drink—and you
probably leave early.”

7. NICHT$NUR$DER$MENSCH,$AUCH$MASCHINEN$WERFEN$DEN$DIGITALEN$SCHATTEN.$
DER$DIGITALEWZWILLING.$

8. 8
PREDICTIVE$DISILLUSION$$

9. INFONEA
111
177
210
343
454 454
28 28 28
55
92
129
-
100
200
300
400
500
2011 2012 2013 2014 2015
USA Deutschland
USA$BIS$ZU$5$JAHRE$WEITER$ALS$DEUTSCHLAND$
02.10.15Frank Pörschmann9
“Data Science” in DE nimmt erst seit 2014 Fahrt auf
Anzahl der jährlichen Google-Suchen nach
“Data Science” pro 1 Mio. Einwohner Dtl. vs. USA
Buzzword Big-Data weltweit gleichauf
Quelle: Google, IoT Analytics
5 Jahre
164
601
1.339
1.968
2.2692.269
104
365
1.096
1.748
2.2442.166
-
500
1.000
1.500
2.000
2.500
2011 2012 2013 2014 2015
USA Deutschland
Anzahl der jährlichen Google-Suchen nach
“BigData” pro 1 Mio. Einwohner Dtl. vs. USA

10. BIG$DATA$AUS$UNTERSCHIEDLICHEN$SICHTEN$$
Volume$ Velocity$ Variety$ Veracity$
$ $ $ $
Sta,sche(Daten( Streaming(Data( Mul,ple(Forms( Data(in(Doubt(
Milliseconds
response time
Structured,
unstructured, text,
video, audio, ...
Uncertain,
incomplete,
ambiguous,
inconsistent
Massive Data to
minimal cost
BIG DATA SMART DATA !
BIG DATA
SMART DATA
IT-Vendors
Wirtschafts-
Politik
Data Scientist
Tall-Data
Wide-Data

11. 80%(( (der$verfügbaren$Daten$sind$unstrukturiert$
(
20%( $der$$Daten$eines$Unternehmens$sind$für$
$Analyse$nutzbar$und$tragen$einen
$„Nutzen“$
$
80% $des$Aufwandes$der$DatenWAnalyse$besteht$
$in$Bereinigung$und$Vorbereitung$
$
80% $der$Inves**onen$für$BigData$liegen$in$
$Technologie,$weniger$als$5%$in$der$Analyse$
$
((3%( $der$Daten$werden$kategorisiert$(geWtagged)$
$
0,5%( (werden$tatsächlich$ausgewertet $$
$
$$
$
„BIG$DATA“$$IST$NICHT$$„BIG$INFORMATION“$

12. 12
DIE$BEGRENZTHEIT$VON$ALGORITHMEN$BEFEUERT$EIN$GANZES$ÖKOSYSTEM$
Daten
AlgorithmenPlattformen Aufwand
Qualität
$ #
#
t t
t

13. VON$BUSINESS$REPORTING$ZUM$STRATEGISCHEN$ANALYTICS$
Analytics-KategorienEntwicklungsstufen
Operatives Reporting
Isoliert, Vergangenheitsbetrachtung, reaktiv
Intelligentes Reporting
(BI) Mehrdimensional, erlaubt internes
Benchmarking, langzeit-Betrachtungen,
Dashboards
Analytics
Statistische Analysen, Korrelationen,
Mustererkennung, Erkennung von
Ursache-Wirkungsketten, große
heterogene Datenmengen,
Echtzeitanalysen
Strategisches Analytics
Integriert in Entscheidungsprozesse,
Einbezug selbstlernender Systeme,
Simulationen, Künstliche Intelligenz,
Echtzeit-Entscheidungssysteme
Deskriptiv
Preskriptiv
Inquisitiv
Prediktiv
Was ist passiert?
Zeigt Entwicklungen,
Häufigkeiten,
Verteilungen, Muster
Was wäre wenn?
Was können wir tun?
„Warum geschieht etwas?“.
Zeigt Ursache-Wirkungs-
Ketten, Komplexe Zusammenhänge
Was wird geschehen?
Wahrscheinlichkeits-Vorhersagen
ReportingAnalyticsAdvanced
Analytics

14. HANDWERK$HAT$VIELE$GESICHTER,$SO$AUCH$DIE$DATENWKUNST$

15. 15
! Breite Analyse Methoden (Höhere Mathematik, Informatik)
! Coding & Hacker-Skills (Informatik)
! Decision Science (Psychologie, Wirtschaftswissenschaften, Mathematik)
! Behavioural Economics (Soziologie / Psychologie)
! Projekt-Management & -Methoden (Agil und klassisch)
! Internationales IT- und Datenschutz-Recht (Jura)
! Kommunikation
! Allg. Wirtschaftskunde
! Leadership
DAS$IDEALE$SKILLWPROFIL:$DER$SUPERWANALYST$$

16. DIE$5$–KERNWKOMPETENZEN$DER$DATENWDETEKTIVE$
Wissenschaftliche
Methoden
QualitativeMethoden
Coding&Tools
Fach-Domäne
Agiles-PM/Digital/
Leadership
Daten-Detektiv

17. ANALYSTEN$ENTFALTEN$IHRE$KRAFT$IN$INTERDISZIPLINÄREN$TEAMS$
Wissenschaft
Methoden
Coding&Tools
Fach-Domäne
Agiles-PM/Digital/
Leadership
Wissenschaft
Methoden
Coding&Tools
Fach-Domäne
Agiles-PM/Digital/
Leadership
Real-Time Performance =
Team-Mix + Dynamische Organisation + Entscheidungs-
Architektur

18. DIE$WELT$DER$DATENWSPÜRNASEN$
LeadershipWRollen$
• Data$Captain$
• Chief$Data$Officer$
• Head$of$DataWInsight$
• Chief$DataWAnalyst$
Mögliche$Rollen$
• DataWEngineer$
• DataWModeller$
• DataWIntegrator$
• DataWArchitect$
• DataWScien*st$
• Data$Analyst$
• Data$Ar*st$
• ...$
Methoden$(Exempl.)$
• Deskrip,on(
• Lage$&$Streuung$
• Boxplots$
• Korrela*on$
• Extrapola*on(
• Interferenz(
• FisherWTest$
• X2WTest$
• Kon*ngenztafeln(
• Regression(
• NearestWNeighbor$
• Residualanlyse$
• Linerae$Modelle(
• Klassifika,on(
• Bayes$
• Random$Forrest$
• DiskriminierungsWAnalyse$

19. INFONEA
DATA$SCIENCE$DERZEIT$VORRANGIG$EINE$DIENSTLEISTERW$UND$
ONLINEWDISZIPLIN.$IT$&$SERVICES$FÜHREND$$
02.10.15Frank Pörschmann19
Anzahl an Linkedin-Profilen und Jobs
mit dem Tag “Data Science” in
Deutschland
Quelle: LinkedIn, IoT Analytics, iDIGMA
“Data Science” Deutschland
441$
232$
198$
129$
60$
33$ 32$ 31$ 23$ 22$ 22$ 20$ 16$ 16$ 15$ 14$ 10$ 10$ 9$ 8$ 7$ 7$ 6$ 6$ 6$
0$
50$
100$
150$
200$
250$
300$
350$
400$
450$
500$
Data$Science$people$ Data$Science$job$offers$
Anbieter Anwender

20. ATTRAKTIV$FÜR$DIE$ZUKUNFT?$
Datenkompetenz$beeinflusst$die$
zukünLige$Gehaltsentwicklung$
• Methoden$&$Tools$
• KompetenzWFelder$
• KomplexitätsWErfahrung$
$
Nachfrage$höher$als$Angebot$
• Ca.$50%$Unterdeckung$bis$2025$
• USWGap$von$ca.$1,5$mio.$Digital$Leader$
• US$Bedarf$2018:$500.000$DA$
• Auffächerung$in$nichtWakdemische$
Berufsbilder$
$

21. Universitäten$ Priv.$Akademien$
SWWAnbieterWKurse$ Berufsverbände,$
und$Vereinigungen$
QUALIFIZIERUNG$
• Euroforum$
• Fraunhofer$Akademie$
• ...$
• VDI$
• Digital(Analy,cs(
Associa,on(
• ...$
• Universitäten$
• Fachhochschulen$
• Begleitkurse$
• OnlineWPortale$$
(Coursera,$u.a.)$
• BlueYonder$
• Alexander$Thamme$
• IBM,$SAP,$etc$
• ...$

22. DIGITALE ÖKONOMIE
23

23. DATENÖKONOMIE:$PRODUKTIONFAKTOR$„WISSEN“.$
WISSEN$IST$PRODUKTIONSFAKTOR,$DER$DURCH$TEILEN$WÄCHST.$

24. DATEN$W$EINE$NEUE$WÄHRUNG$$

25. 26
DIGITALE$ÖKONOMIE$

26. 27
EIGENW$ODER$FREMDWBILD$$

27. BREAKWOUT$SESSIONS$
28
Thema 1:
Welche mögliche Formen der Daten-Ökonomie könnten
sich im IoT ausprägen? (Handel, Veredelung und
Vermarktung von IoT-Wissen und -Daten)
Thema 2:
Wie wird sich Daten-Analyse im IoT ausprägen? Welche
Anwendungsfälle gibt es schon heute?
Welche zukünftig?