Datenkompetenz

Inhaltsverzeichnis

1. Frontmatter

2. 1. Datenkompetenz – Grundlagen

   Robert Butscher

   Zusammenfassung

   Beide Kompetenzen zählt das Goethe-Institut zu den Schlüsselqualifikationen (Goethe-Institut 2022): Unter Literacy fallen Kompetenzen wie Lesen und Sinnverstehen von Texten, sprachliche Abstraktionsfähigkeit oder die Fähigkeit, Texte eigenhändig zu verfassen oder mit eigenen Worten wiederzugeben. Literacy befähigt somit den Einzelnen, Inhalte zu erzeugen, niederzuschreiben oder Information aus Texten zu ziehen. Zu Literacy zählt auch die Fähigkeit, den Sinn gesprochener wie geschriebener Sprache zu verstehen und zu kommunizieren. Das dafür nötige Kompetenzspektrum ermöglicht den sicheren Umgang mit einer Sprache.

3. 2. Datenmodellierung

   Andreas Gadatsch, Benedikt Haag

   Zusammenfassung

   Der Begriff des Modells ist sehr vielfältig. Vereinfacht gesagt handelt es sich um eine Abbildung der Realität in einer vereinfachten Form mit den zielorientierten und notwendigen Informationen.

4. 3. Daten sammeln, aufbereiten und speichern

   Beate Navarro Bullock

   Zusammenfassung

   Ein aufwendiger und oft unterschätzter Schritt in der Datenanalyse ist die Vorbereitung der zu analysierenden Daten. Nach Aussagen von Anwendern verbringen diese bis zu 80 % ihrer Zeit mit Aufgaben, die die Datenvorverarbeitung betreffen (Matzer/Litzel 2019).

5. 4. Datenanalyse – Einführung, deskriptive und diagnostische Analyse

   Oliver Schwarz

   Zusammenfassung

   Häufig wird die Datenanalyse in vier Analyseformen eingeteilt (Tabelle 4.1 und Amann/Petzold/Westerkamp 2020). Eine Einteilung in lediglich drei Analyseformen ohne die diagnostische Analyse ist ebenfalls möglich (Seiter 2019).

6. 5. Datenanalyse – prädiktive und präskriptive Analyse

   Oliver Schwarz

   Zusammenfassung

   In den letzten Jahren hat sich das maschinelle Lernen in der Datenanalyse immer mehr durchgesetzt. Maschinelles Lernen kann als eine Reihe von Methoden der Datenanalyse verstanden werden, die in der Lage sind, mithilfe von Algorithmen Muster in den Daten zu erkennen. Die entdeckten Muster werden dann verwendet, um die Zukunft vorherzusagen (Murphy 2012). Diese Methoden lassen sich in erster Linie in die zwei Kategorien „überwachtes Lernen“ und „unüberwachtes Lernen“ unterteilen. Daneben findet sich auch das „teilüberwachte“ und das „bestärkende Lernen“. Ein weiterer Teilbereich des maschinellen Lernens ist das „Deep Learning“. Die Verfahren des Deep Learning basieren auf künstlichen neuronalen Netzen. In dieser Einführung wird nur auf die beiden Themen überwachtes und unüberwachtes Lernen eingegangen.

7. 6. Datenvisualisierung – die relevanten Daten vor Augen

   Roland Zimmermann

   Zusammenfassung

   Sogenannte „Faktenchecks“, Charts und Analysen, datengetriebene Entscheidungen, aber auch Fake News und verzerrte Wahrnehmungen markieren Pole, wie unterschiedlich Informationen uns täglich begegnen. Dabei spielt in vielen Fällen die visuelle Wahrnehmung eine bedeutende Rolle. Dass wir uns inzwischen bei vielen Fotos und Videos fragen, ob sie noch die Realität widerspiegeln, ist zunächst eher eine Frage des Blickwinkels („Was ist nicht im Bild?“) oder auch der technischen Nachbearbeitung („Photoshop? Deep Fake?“). Darüber hinaus lohnt es sich, zu verstehen, dass unsere Augen nicht immer so vertrauenswürdig sind, wie wir gerne meinen.

8. 7. Data Governance

   Kristin Weber, Christiana Klingenberg

   Zusammenfassung

   Data Governance schafft einen Ordnungsrahmen für das Datenmanagement. D. h., Data Governance definiert Standards, Prozesse und Regeln für den Umgang mit Unternehmensdaten, überwacht deren Einhaltung und legt Rollen und Verantwortlichkeiten für das Datenmanagement fest. Die Unternehmensdaten sollen somit die Erfüllung der strategischen Ziele des Unternehmens unterstützen, sei es durch Datenprodukte, korrekte Kennzahlen und Berichte oder effiziente und fehlerfreie Geschäftsprozesse.

9. 8. Datenqualität

   Christiana Klingenberg, Kristin Weber

   Zusammenfassung

   Obwohl Daten einen wichtigen, vielleicht den entscheidenden Erfolgsfaktor für individuelle Karrieren, einzelne Entscheidungen, Projekte, Unternehmen und Volkswirtschaften darstellen, wird ihrer Qualität in der Praxis kaum Beachtung geschenkt – jedenfalls nicht in einer systematischen Art und Weise. Und das, obwohl den Unternehmen durch schlechte Datenqualität zunehmend hohe Kosten entstehen, die Produktivität der Mitarbeitenden sinkt, Prozessabläufe behindert werden und das Vertrauen der Datennutzenden in die Daten abnimmt.

10. 9. Datenschutz und Datensicherheit

    Stefan Karg

    Zusammenfassung

    Ein Datum wird durch den Kontext, in dem es steht, bzw. durch seine Interpretation zu einer Information (siehe Abschnitt 2.2). Schon deshalb liegt nahe, dass mit Datensicherheit und Informationssicherheit im Wesentlichen dieselben Dinge gemeint sein müssen. Im Alltagsgebrauch werden aber häufig auch Datenschutz und Datensicherheit verwechselt oder irrtümlich synonym verwendet.

11. 10. Big Data und Big Data Analytics

    Oliver Hummel

    Zusammenfassung

    Wörtlich übersetzt bedeutet „Big Data“ erst einmal nichts weiter als „große Daten“, bzw. passender übersetzt „große Datenmengen“. Nie zuvor in ihrer Geschichte hat die Menschheit solche Massen davon produziert wie heute. Aktuelle Schätzungen (Reinsel/Gantz/Rydning 2018) gehen davon aus, dass 2025 ca. 175 Zettabyte (= 175 000 000 000 000 Gigabyte, vgl. Bild 10.1) an Daten auf der Welt gespeichert sein werden. Das ist eine Menge, die auf heute gängigen 10-Terabyte-Festplatten gespeichert und übereinandergestapelt ungefähr die Strecke von der Erde zum Mond ergeben würde.

12. 11. Datenkompetenz: Warum es ohne Soft Skills nicht geht

    Benedikt Haag, Andreas Gadatsch

    Zusammenfassung

    Skills, Fähigkeiten, Kompetenzen und Qualifikationen – dies alles sind Begriffe, welche häufig zu lesen und doch in ihrer Bedeutung nicht immer eindeutig sind. Während sie in einem Zusammenhang noch synonym verwendet werden, werden sie im nächsten dafür eingesetzt, eine Unterscheidung zu verdeutlichen. Um also zu verstehen, was die Begriffe Hard Skill und Soft Skill bedeuten, kann es helfen, diese Bezeichnungen zunächst einzusortieren und voneinander abzugrenzen.

13. Backmatter