Das Ende des Zufalls - Wie Big Data uns und unser Leben vorhersagbar macht (German Edition)

Forschung. „Gleichzeitig schafft jede Big-Data-Personalstelle drei Beschäftigungsverhältnisse außerhalb des IT-Bereichs.“ Die Fachleute von McKinsey schätzen, dass bis 2018 allein in den USA rund 140.000 bis 190.000 ausgebildete Datenfachleute mit speziellen analytischen Fähigkeiten fehlen werden, dazu kommen noch bis zu 1,5 Millionen fehlende Manager und Analysten mit dem Know-how, um Big-Data-Analysen richtig einsetzen zu können. 135
     
    Noch bieten Universitäten und Fachhochschulen diese neuen Berufsbilder kaum an. Erst jetzt werden dafür erste Ausbildungslehrgänge geschaffen. Kein Wunder, dass Talent auf diesem Sektor rar und hoch bezahlt ist. Und wenn ein Unternehmen endlich einen guten Mitarbeiter hat, ist es schwer, ihn auch zu behalten. Jonathan Goldman wanderte von LinkedIn zu Aster Data und von dort zu Level Up Analytics, einer Firma, die er selbst mitgründete. Der Appeal von Big Data, schreibt das US-Magazin „Venture Beat“, hat Data Scientists zu einem heißen Thema gemacht, vergleichbar mit Supermodels oder Football-Stars. 136
    Wall Street, Hedgefonds, aber auch Banken und Versicherungen sind schon seit längerer Zeit hinter den jungen Mathematik-Talenten her. Hier wurde der Wert von Algorithmen und Datenstrategien wesentlich früher erkannt. Nun kommt aber Bedarf aus vielen zusätzlichen Bereichen, was die Nachfrage weiter erhöhen wird. Auch im deutschen Sprachraum beginnt man sich Gedanken zu machen, wie man mit den neuen Anforderungen umgeht. „Data-Scientist und Data-Artist sind Berufsbilder, die im Rahmen einer zwei- bis dreijährigen Berufsausbildung vermittelbar sind, die aber aufgrund ihres Querschnittscharakters heute noch nicht existieren“, erläutert Holm Landrock, Senior Advisor der Experton Group. Der Data-Scientist benötigt eine Querschnittausbildung, beispielsweise mit Kenntnissen in Mathematik und Statistik, IT (Grundlagen der Programmierung, SQL und Datenbanken, Grundlagen der Informationstechnik, Kenntnisse über Netzwerke), Unternehmensstrukturen und Unternehmensführung, Psychologie, Technik (in den jeweiligen Fachbereichen wie Verkehr, Medizin, Nahrungsmittel) und Medien. Zusätzlich wird auch das Berufsbild des Data-Artists oder Data-Designers entstehen, dessen Aufgabe vor allem die Visualisierung der gewonnenen Informationen ist. Zu dieser Ausbildung gehören Grafikdesign, Psychologie, Mathematik, IT und Kommunikation. 137
    Eine Reihe internationaler Universitäten hat begonnen, Data-Science-Ausbildungsprogramme einzurichten, und auch die Wirtschaft reagiert. Nach der Akquisition der Data-Company Greenplum hat sich auch der globale IT-Konzern EMC entschlossen, im Rahmen seiner Ausbildungsinitiativen ein Big-Data-Analytics-, Trainings- und Zertifizierungsprogramm einzurichten. 138

Data-Designer: Den Daten ein Gesicht geben
    John Snow war sicher nicht der Erste, der eine Landkarte mit zusätzlichen Daten verband. Tatsächlich hatte sogar auch die Londoner Abwasserkommission eine Karte mit Todesfällen erstellen lassen. Aber Snow konzentrierte sich auf das Wesentliche, auf die Geschichte, die er mithilfe der Daten beweisen wollte. Er richtete sein Augenmerk auf den Wohnort der Opfer und dessen Distanz zur Wasserpumpe. So wurde seine Aktion nicht nur ein Markstein der epidemiologischen Forschung, sondern auch ein Beispiel für gelungenes Daten-Design – nicht weil es grafisch so spektakulär war, sondern weil es die Botschaft der Daten unmissverständlich signalisierte. Daten sprechen nicht von selbst und je mehr wir von ihnen haben und je komplexer die Ergebnisse ihrer Analysen sind, desto wichtiger ist die Fähigkeit, aus Daten visuelle Informationen zu generieren.
    Das Volk denkt in Bildern, sagte schon Gustave Le Bon in seiner „Psychologie der Massen“. Nicht umsonst sind Infografiken so populär. Aber wir brauchen noch besseres Data-Design, gerade weil wir in Zukunft noch wesentlich stärker von der Analyse und der Interpretation von Big Data abhängig werden. Visualisierung ist ein wesentlicher Faktor, um am Ende aus den vielen Messwerten unseres globalen, digitalen Nervensystems auch verständliche und umsetzbare Ergebnisse kreieren zu können. Bei der Schnelligkeit, in der die Daten generiert und wieder in Verhaltensadaptierung umgesetzt werden sollen, funktioniert nur die Mustererkennung, also eine Umsetzung in einfache Bilder, die idealerweise auch gleich der Feedback-Button für die nächste Entscheidung ist. Die Visualisierung in attraktiver,