Lade Inhalt...

Die Rolle des Data Scientists in Unternehmen. Eine Analyse von Stellenanzeigen

Masterarbeit 2019 116 Seiten

BWL - Controlling

Leseprobe

Inhaltsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

I. Abstract

1. Einleitung
1.1 Ziel und Forschungsfrage
1.2 Methodische Vorgehensweise

2. Digitalisierung und das Aufkommen des Data Scientists
2.1 Digitalisierung als Megatrend und Auswirkungen auf Unternehmen
2.1.1 Entwicklung der Industrie 4.0 innerhalb der Unternehmen
2.1.2 Veränderung der Berufsbilder im Kontext der Digitalisierung
2.2 Data Science und der Data Scientist
2.2.1 Ursprung von Data Science
2.2.2 Data Scientist: ein neues berufliches Profil
2.2.3 Typologien von Data Scientists
2.3 Data Scientists: Die Unterscheidung zu anderen Berufsprofilen
2.3.1 Data Analyst
2.3.2 Business Intelligence Analyst
2.3.3 Data Scientist
2.4 Eine neue Form von knowledge workern
2.4.1 Funktionen des knowledge worker
2.4.2 Rolle des knowledge worker
2.5 Rollentheorie in Organisationen
2.5.1 Rollentheoretisches Modell
2.5.2 Rollenattribute in Form von Stellenanzeigen

3. Forschungsmethode
3.1 Stellenanzeigen als empirische Datenbasis
3.2 Kategorisierung
3.3 Codierung
3.4 Forschungsdesign

4. Analyse von Data-Scientist-Stellenanzeigen
4.1 Typisierung der Aufgabengebiete des Data Scientists
4.1.1 Identifikation und Aufbereitung von Daten
4.1.2 Strategische und operative Entwicklung digitaler Infrastrukturen
4.1.3 Instandhaltung der digitalen Infrastrukturen
4.1.4 Programmiertätigkeiten und das Entwickeln von prognostischen Modellen
4.1.5 Durchführung von Analysen zur Entscheidungsvorbereitung
4.1.6 Beratung, Betreuung und Teamarbeit
4.1.7 Projektarbeit
4.2 Auswertung und Interpretierung der Aufgabenfelder
4.3 Typisierung des fachlichen Anforderungsprofils der Data Scientists
4.3.1 Ausbildung
4.3.2 Berufserfahrung
4.3.3 IT-Kenntnisse
4.3.4 BWL-Kenntnisse
4.3.5 Fremdsprachenkenntnisse
4.4 Auswertung und Interpretierung der fachlichen Anforderungen
4.5 Typisierung des persönlichen Anforderungsprofils der Data Scientists
4.5.1 Soziale Kompetenzen
4.5.2 Problemlösungskompetenzen
4.5.3 Individuelle Kompetenzen
4.6 Auswertung und Interpretierung der persönlichen Anforderungen
4.7 Branchenspezifische Analyse der Stellenanzeigen
4.7.1 Kompetenzprofil in der Branche Technik & Telekommunikation
4.7.2 Kompetenzprofil in der Branche Finanzen, Versicherungen & Immobilien
4.7.3 Kompetenzprofil in der Branche Dienstleistung & Handwerk
4.7.4 Kompetenzprofil in der Branche Handel
4.7.5 Kompetenzprofil in der Branche Metall & Elektrotechnik
4.7.6 Kompetenzprofil in der Branche Verkehr & Logistik

5. Diskussion

6. Zusammenfassung und Fazit
6.1 Zusammenfassung und Beantwortung der Forschungsfragen
6.2 Kritische Betrachtung und Ausblick

II. Literaturverzeichnis

III. Anhang
III. i. Stellenanzeige
III. ii. Technik & Telekommunikation
III. iii. Finanzen, Versicherungen & Immobilien
III. iv. Dienstleistung & Handwerk
III. v. Handel
III. vi. Metall & Elektrotechnik
III. vii. Verkehr & Logistik
III. viii. Sonstige

Tabellenverzeichnis

Tabelle 1: Typologien von Data Scientists
Tabelle 2: Typisierung von Data Scientists
Tabelle 3: Aufgabengebiete von Data Scientists
Tabelle 4: Übersicht der Datensammlung
Tabelle 5: Kategorisierungen
Tabelle 6: Aufbau der Kategorie IT-Kenntnisse
Tabelle 7: Interpretation der Aufgabenfelder des Data Scientists
Tabelle 8: Aufgabenfelder des Data Scientists
Tabelle 9: Fachliches Anforderungsprofil
Tabelle 10: Persönliches Anforderungsprofil
Tabelle 11: Branchenübersicht der Stellenanzeigen
Tabelle 12: Data Scientist Kompetenzprofil in Technik & Telekommunikation
Tabelle 13: Data Scientist Kompetenzprofil in Finanzen, Versicherungen & Immobilien
Tabelle 14: Data Scientist Kompetenzprofil in Dienstleistung & Handwerk
Tabelle 15: Data Scientist Kompetenzprofil im Handel
Tabelle 16: Data Scientist Kompetenzprofil in Metall & Elektrotechnik
Tabelle 17: Data Scientist Kompetenzprofil in Verkehr & Logistik

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

I. Abstract

Diese Masterarbeit widmet sich der Frage, welche Rolle Data Scientists in Unternehmen einnehmen. „Data Scientist“ ist eine relativ neue Berufsbezeichnung und ist noch nicht vollständig erforscht. Es wurde zunächst die Literatur aufgearbeitet, indem die Entstehung und Einordnung des neuen Berufsbildes des Data Scientists näher analysiert wurde. Es wird daher in der Literatur Bezug zu der Digitalisierung, der Entstehung von Data Science und dem Data Scientist als auch zu knowledge work und der Rollentheorie in Organisationen aufgebaut. Jedoch beruhen diese Erkenntnisse nicht auf empirischen Befunden. Der Beitrag stützt sich auf empirische Daten, die im Rahmen einer Analyse von 145 Stellenanzeigen verschiedener Unternehmen, die Data Scientists anwerben, durchgeführt wurde. Dabei lag der Fokus der Untersuchung auf den unterschiedlichen Kenntnissen und Fähigkeiten, die von den Unternehmen gefordert werden. Der Zweck dieser Forschung ist es, die Rolle von Data Scientists innerhalb von Unternehmen zu untersuchen.

Als Ergebnis dieser Untersuchung wurde festgestellt, dass viele Unternehmen aus allen Branchenbereichen Data Scientists einstellen wollen, um ihren Bedarf an großen Datensätzen zu decken und die darin enthaltenen Informationen zu entschlüsseln und daraus einen Mehrwert für die Organisation zu generieren. Durch das Erstellen von Kompetenzprofilen von Data Scientists konnten verschiedene Rollen innerhalb der Branchen identifiziert werden. Gestützt auf den Typologien von unterschiedlichen Data Scientists lassen sich diese anhand von Dimensionen, wie der von fachlichen und sozialen Anforderungen sowie der von Aufgabengebieten, den Branchen zuweisen. Darüber hinaus zeigt diese Analyse, dass die Rolle von Data Scientists von der jeweiligen Branche und dem darin geforderten Domänenwissen abhängig ist.

1. Einleitung

Die Autoren Eichhorst und Buhlmann (2015) beschäftigen sich mit der Gestaltung der zukünftigen Arbeit und wie weit diese durch den technischen Fortschritt, die Globalisierung, den demographischen Wandel und die institutionellen Veränderungen beschleunigt wird. Es entwickelt sich daraus eine weiterführende, jüngere und heterogene Arbeitswelt, mit deutlicher Trennung der Arbeitsbedingungen nach Branchen und Berufen, zudem stehen besonders kreative, interaktive und komplexere Tätigkeiten und die dafür benötigten Fachkräfte im Zentrum.1 Davenport und Patil (2012) setzen sich mit den so genannten Data Scientists, dieser neuen Art von Fachkräften, auseinander und beschreiben dieses aufstrebende Berufsbild als „sexiest job“ des 21. Jahrhunderts.2 Gibert et al. (2018) betrachten die Entstehung von Data Science und beschäftigen sich mit dem neuen Konzept in Zusammenhang mit der Entscheidungsfindung, bei der Entscheidungen datengesteuert sind und Technologien und Kapital nicht mehr den Mehrwert für Organisationen darstellen, sondern Informationen in Form von Daten, die als primäre Wissensquelle betrachtet werden. Davenport und Harris (2007) schildern, dass Unternehmen, anstatt mit traditionellen Faktoren zu konkurrieren, damit beginnen, statistische und quantitative Analysen und Vorhersagemodelle als primäre Elemente des Wettbewerbs zu verwenden.3 Darüber hinaus gibt es wenig Einigkeit darüber, wo dieses Berufsbild seinen Platz in einer Organisation findet, wie Data Scientists den größten Mehrwert erzielen können und wie ihre Leistung gemessen werden sollte. Der erste Schritt zur Feststellung des Bedarfs an Data Scientists besteht daher darin, zu verstehen, was sie in Unternehmen tun. Schumann et al. (2016) untersuchen das neue Berufsbild der Data Scientists, indem sie anhand von Fachliteratur ein Kompetenzprofil erstellen und dieses in verschiedene Dimensionen aufteilen. Da es sich jedoch um eine relativ neue Berufsbezeichnung handelt, gibt es immer noch einige Unstimmigkeiten bei der Definition, wer genau Data Scientists sind und welche Rollen diese in den Unternehmen einnehmen. Durch die Darstellung des rasanten Aufstiegs der neuen Berufsgruppe der Data Scientists und ihrer Aufgaben in den Organisationen, beantwortet diese Arbeit die Frage, welche Rolle die Data Scientists in Unternehmen einnehmen.

1.1 Ziel und Forschungsfrage

Der Zweck dieser Forschung ist es, die Rolle von Data Scientists innerhalb der Unternehmen zu untersuchen. Eine Analyse von 145 Stellenanzeigen verschiedener Unternehmen, die Data Scientists anwerben, wird durchgeführt, um zu ermitteln, welche Arten von Kenntnissen und Fähigkeiten allgemein gefordert werden. Darüber hinaus wird basierend auf diesen Erkenntnissen versucht ein Kompetenzprofil eines Data Scientists zu erstellen und anschließend werden mögliche Abhängigkeiten zu Branchen untersucht. Resultierend daraus soll sich anhand von verschiedenen Dimensionen innerhalb der Kompetenzen die Rolle von Data Scientists in Unternehmen ableiten lassen.

1.2 Methodische Vorgehensweise

Als Methode wurde eine Analyse von Stellenanzeigen gewählt, die Aufschluss darüber geben soll, wie die Berufsgruppe von den verschiedensten Unternehmen in den unterschiedlichsten Branchen definiert bzw. beschrieben wird. Dazu wird eine induktive Kategorisierung in Excel vorgenommen, bei der die Ergebnisse aus den Stellenanzeigen codiert werden. Die quantitativen Ergebnisse werden anschließend mit einer deskriptiven Statistik ausgewertet, die im Kern auf der Zählung von Häufigkeiten basiert.

2. Digitalisierung und das Aufkommen des Data Scientists

2.1 Digitalisierung als Megatrend und Auswirkungen auf Unternehmen

Die Führung eines Unternehmens in einem dynamischen Umfeld ist eine herausfordernde Aufgabe für die Unternehmer, die sich mit dem aktuellen Marktszenario vertraut machen und die bevorstehenden Trends vorhersehen sollen. Dabei unterstützt die Digitalisierung als Instrument die Organisationen, Geschäftsgebiete auf der ganzen Welt zu erweitern, indem sie die Geschäftsmodelle von traditionellen zu neuen Geschäftsmodellen umwandelt. Die technologieunterstützte Strategie in Form von neuer Hardware und Software hat den Organisationen verschiedener Sektoren, wie Versicherungen, Bekleidung, Wohnungseinrichtung, Kosmetik, Reisen und Tourismus, eine immense Steigerung der Einnahmen und eine Eindämmung der Kosten ermöglicht. In dem folgenden Abschnitt werden die Hintergründe und Wachstumsparameter im Zusammenhang mit der Digitalisierung innerhalb der Unternehmen genauer beschrieben.4

2.1.1 Entwicklung der Industrie 4.0 innerhalb der Unternehmen

Die Industrie ist der Teil einer Wirtschaft, die materielle Güter produziert, die hoch mechanisiert und automatisiert sind. Seit Anbeginn der Industrialisierung haben technologische Sprünge zu Paradigmenwechseln geführt, die gegenwärtig als „industrielle Revolutionen“ bezeichnet werden: auf dem Gebiet der Mechanisierung (der so genannten 1. industriellen Revolution), der umfassenden Nutzung elektrischer Energie (der so genannten 2. industriellen Revolution) und der weitverbreiteten Digitalisierung (der so genannten 3. industriellen Revolution). Auf der Grundlage einer fortgeschrittenen Digitalisierung innerhalb der Fabriken scheint die Kombination von Internet-Technologien und zukunftsorientierten Technologien im Bereich „intelligenter“ Objekte (Maschinen und Produkte) zu einem neuen grundlegenden Paradigmenwechsel in der industriellen Produktion zu navigieren.5 Die Vorstellung der zukünftigen Produktion umfasst modulare und effiziente Fertigungssysteme und charakterisiert Szenarien, in denen Erzeugnisse ihren eigenen Fertigungsprozess steuern. Dies soll die Herstellung von Einzelprodukten in einer Losgröße von eins unter Beibehaltung der wirtschaftlichen Bedingungen der Massenproduktion ermöglichen. Ausschlaggebend für die schnelle Verbreitung des Begriffs „Industrie 4.0“ war das Bundesministerium für Bildung und Forschung in Deutschland, das den Namen für ein zukünftiges Projekt im Bereich der Hightech-Strategie 2020 übernahm. Derzeit trägt eine Industrieplattform aus drei namhaften Industrieverbänden mit dem Namen „Industrie 4.0“ zur Streuung des Begriffs bei. Außerhalb des deutschsprachigen Raums ist der Begriff nicht üblich. Dieses Kapitel erklärt den Begriff „Industrie 4.0“ als die Bezeichnung für ein Zukunftsprojekt, das durch zwei Entwicklungsrichtungen definiert werden kann. Auf der einen Seite gibt es einen großen Applikationsschub, der aufgrund veränderter operativer Rahmenbedingungen einen erheblichen Veränderungsbedarf mit sich bringt. Auslöser dafür sind allgemeine soziale, wirtschaftliche und politische Veränderungen. Dabei müssen Entwicklungszeiten und Innovationszeiten verkürzt werden. Hohe Innovationsfähigkeit wird für viele Unternehmen zu einem wesentlichen Erfolgsfaktor („Time to Market“). Diese Entwicklung der Unternehmen bringt – durch die Digitalisierung und den wachsenden Anstieg der Arbeitsbedingungen nach Branchen und Berufen – auch eine Veränderung der Berufsbilder mit sich. Zusammenfassend kann abgeleitet werden, dass der Begriff „Industrie 4.0“ unterschiedliche – in erster Linie IT-getriebene – Veränderungen in Fertigungssystemen beschreibt.6 Diese Entwicklungen haben nicht nur technologische, sondern auch vielseitige organisatorische Auswirkungen. So wird etwa auch in traditionellen Branchen ein Wechsel von der Produkt- zur Serviceorientierung erwartet. Zweitens kann mit einem Auftauchen neuer Arten von Unternehmen gerechnet werden, welche neue spezifische Rollen innerhalb des Herstellungsprozesses annehmen.7 Mit der Planung, Analyse, Modellierung, Konzeption, Implementierung und Pflege solch vielschichtiger, dynamischer und integrierter Informationssysteme entsteht eine attraktive und herausfordernde Anforderung für die wissenschaftliche Disziplin der Wirtschaftsinformatik, welche die Wettbewerbsfähigkeit und Weiterentwicklung von Industrieunternehmen sichern kann.8

2.1.2 Veränderung der Berufsbilder im Kontext der Digitalisierung

Die Gestaltung der zukünftigen Arbeit wird vom technischen Fortschritt, der Globalisierung, dem demographischen Wandel und den institutionellen Veränderungen vorangetrieben. Es entwickelt sich daraus eine weiterführende, jüngere und vielschichtige Arbeitswelt, mit deutlicher Trennung der Arbeitsbedingungen nach Branchen und Berufen, zudem stehen besonders kreative, interaktive und komplexere Tätigkeiten und die dafür benötigten Fachkräfte im Zentrum.9

Die beiden Studien von Goos et al. (2009) und Autor & Dorn (2013) beschäftigen sich damit, dass Berufe mit niedrigen oder mittleren Qualifikationsanforderungen im Produktionsbereich durch den technischen Wandel unter Bedrängnis geraten sind, nämlich vor allem dann, wenn es sich dabei um Berufe mit Routinetätigkeiten handelte. Im Gegenzug stieg die Häufigkeit der Berufe bei den Nicht-Routinetätigkeiten vor allem im niedrigen und hoch qualifizierten Bereich. In der Studie von Goos et al. (2009) wurde der Wandel innerhalb bestimmter Berufsgruppen untersucht. Unter den am schnellsten wachsenden Berufen lassen sich viele hochbezahlte Berufe wie Fach- und Führungskräfte finden. Die Studie gibt außerdem einen Einblick in die Berufe, deren Durchschnittseinkommen wesentlich niedriger sind. Dazu zählen in der Studie Berufe wie persönliche Dienstleistungen, Transport- und Verkaufsarbeiter.10 Tatsächlich haben Computer in den letzten Jahrzehnten eine Reihe von Arbeitsplätzen ersetzt, darunter die Funktionen von Buchhaltern, Kassierern und Telefonanbietern. Die Auswirkungen der Computerisierung auf den Arbeitsmarkt sind in der Literatur gut belegt und dokumentieren den Rückgang der Beschäftigung in routinemäßig intensiven Berufen–d.h. Berufe, die hauptsächlich aus Aufgaben bestehen, die klar definierten Verfahren folgen und die leicht mit ausgefeilten Algorithmen durchgeführt werden können.11 In der Vergangenheit war dieser Wandel besonders in der industriellen Produktion zu erkennen. Hier verminderte sich mit ansteigendem Gebrauch von anfänglich Maschinen, später Computern und Internet die Menge der Beschäftigten, die eigentlich für die Produktion gebraucht wurden. Daraus wurden Arbeitskräfte verfügbar, die zukünftig zum Beispiel dem Dienstleistungssektor und wissensintensiveren, innovativeren Produktionsprozessen zur Verfügung stehen.12

David und Dorn (2013) dokumentieren neben der Computerisierung routinemäßiger Fertigungsaufgaben auch eine strukturelle Verschiebung auf dem Arbeitsmarkt, bei der Arbeitskräfte ihr Arbeitskräfteangebot von der mittleren Einkommensproduktion auf einkommensschwache Dienstleistungsberufe umschichten. Wohl deshalb, weil die manuellen Aufgaben von Dienstleistungsberufen weniger anfällig für Computerisierung sind, da sie ein höheres Maß an Flexibilität und physische Anpassungsfähigkeit erfordern. Dies erklärt das starke Beschäftigungswachstum in Berufen mit kognitiven Aufgaben, bei denen Fachkräfte einen komparativen Vorteil haben.13

Die Arbeit von Goos und Manning (2007) erfasst den Kern des aktuellen Trends zur Polarisierung auf dem Arbeitsmarkt, mit wachsender Beschäftigung in einkommensstarken kognitiven Berufen und manuellen Tätigkeiten mit niedrigem Einkommen, begleitet von einer Regression von Routinejobs mit mittlerem Einkommen.14 Laut Brynjolfsson und McAfee (2012) wird das Tempo der technologischen Innovation weiterhin zunehmen und anspruchsvollere Softwaretechnologien werden die Arbeitsmärkte verändern, indem sie Arbeitskräfte in bestimmten Branchen überflüssig machen. Dabei gehen die beiden Autoren darauf ein, dass die Computerisierung nicht mehr auf Routineaufgaben beschränkt ist. Die autonomen fahrerlosen Autos von Google sind ein Beispiel dafür, wie manuelle Aufgaben in Transport und Logistik bald automatisiert werden können.15

Der technologische Wandel in der Vergangenheit und Gegenwart hat eindeutig Auswirkungen auf den Arbeitsmarkt, wie zahlreiche Studien belegen. Frey und Osborne (2013) fassen dies wie folgt zusammen: Der technologische Fortschritt wurde im Laufe der Geschichte von substanziellen Veränderungen in der beruflichen Struktur begleitet, führte jedoch nicht zu einer von Keynes (1933) vorhergesagten technologischen Arbeitslosigkeit. Dies ist darauf zurückzuführen, dass der technologische Fortschritt zwei gegensätzliche Auswirkungen auf die Beschäftigung hat: einen Kapitalisierungseffekt (Beschäftigung wächst in hochproduktiven Sektoren) und einen Zerstörungseffekt (Technologie und Arbeit sind Substitute). Zudem argumentierten Frey und Osborne (2013), dass in der Vergangenheit die Kapitalisierungseffekte dominiert haben. Die Auswirkungen der Kapitalvertiefung auf die relative Nachfrage nach qualifizierten Arbeitskräften haben sich im Laufe der Geschichte erheblich verändert. Im 19. Jahrhundert waren Fertigungstechnologien und qualifizierte Arbeitskräfte Substitute. Das 20. Jahrhundert war gekennzeichnet durch Polarisierung der Arbeit, verursacht durch Computerisierung.16 Die beiden Autoren weisen in ihrer Arbeit darauf hin, dass der Kapitalisierungseffekt zwar historisch dominiert hat, dies aber nicht notwendigerweise für die Zukunft gilt. Tatsächlich ist die Computerisierung nicht länger auf manuelle und kognitive Routineaufgaben beschränkt, sondern wird auch auf nicht routinemäßige Aufgaben ausgedehnt. Diese Entwicklung wird durch die jüngsten Fortschritte in Bezug auf „Big Data“ und maschinelles Lernen (z. B. künstliche Intelligenz) unterstützt. Zudem schätzen die beiden Autoren die Wahrscheinlichkeit einer Computerisierung für 702 Berufe in den USA. Sie finden, dass etwa 47% der gesamten US-Beschäftigung ein hohes Risiko der Computerisierung haben.17 Der technische Wandel braucht Arbeitskräfte, die technologische Innovationen entwickeln und umsetzen können – also zu diesen ergänzend sind. Demzufolge werden hauptsächlich Mathematiker, Informatiker, Ingenieure und Maschinenbauer und die entsprechenden Ausbildungsberufe bzw. Studiengänge benötigt.18 Frey und Osborne (2013) belegen zudem, dass Tätigkeiten, bei denen soziale Intelligenz, Kreativität oder Wahrnehmung und Feinmotorik gefordert sind, eine wesentliche Rolle spielen werden. Stellen mit diesen Tätigkeitsprofilen werden in Zukunft einen noch höheren Stellenwert erreichen.19 Rückwirkend betrachtet haben technische Innovationen schon in der Vergangenheit zur Entstehung, zum Wandel und zum Verschwinden von Unternehmen, Arbeitsplätzen und Berufen geführt, wie zuvor in dem letzten Abschnitt erwähnt. Gegenwärtig tritt jedoch mit der ansteigenden Digitalisierung und Vernetzung eine eventuell neue, vermehrt bedeutende Umgestaltung in den Vordergrund.20 Es lässt sich daraus die Frage ableiten, welche Berufsgruppen diesem Wandel mit angehören und welchen Einfluss diese auf bestehende Berufsbilder ausüben. Die Diskussion über neue Arbeitsplätze und Kompetenzen ist daher stark in der Literatur zu Beschäftigung und technologischem Wandel verankert. Der technologische Fortschritt und andere gesellschaftliche Veränderungen haben grundlegende wirtschaftliche Konsequenzen, wie die Entstehung neuer Berufe.21

Angesichts der riesigen Datenmengen konzentrieren sich Unternehmen in fast jeder Branche darauf, Daten für einen Wettbewerbsvorteil zu nutzen. Die Menge und Vielfalt der Daten haben die Kapazität der manuellen Analyse bei weitem übertroffen und in einigen Fällen die Kapazität herkömmlicher Datenbanken überschritten. Gleichzeitig sind Computer viel leistungsfähiger geworden, Vernetzung ist allgegenwärtig und es wurden Algorithmen entwickelt, die Datensätze verbinden können, um breitere und tiefere Analysen als bisher zu ermöglichen. Die Konvergenz dieser Phänomene hat zu einem zunehmend verbreiteten kommerziellen Einsatz der neuen Experten, der sogenannten Data Scientists, geführt.22 Diese neue Expertengruppe der Data Scientists wird im nächsten Abschnitt näher untersucht. Dabei wird ein Blick auf die Entstehung von Data Science und die daraus entstandene Berufsgruppe der Data Scientists geworfen. Zudem werden die Anforderungen, Kenntnisse und Tätigkeiten von diesen neuen Experten im Kontext zu anderen bestehenden Berufsgruppen untersucht.

2.2 Data Science und der Data Scientist

In diesem Abschnitt werden die Ursprünge von Data Science als eine neue Disziplin analysiert, die so vielfältig ist, dass sie auf alle Bereiche angewendet werden kann. Data Science wird bereits häufig in der Geschäftswelt eingesetzt, um erfolgreiche Strategien und Regeln zu entwickeln. Der Wirtschaftssektor steht aufgrund der Verbreitung datengestützter Innovationen im Geschäftskern vor einer bedeutenden Veränderung. In einer wettbewerbsorientierten Landschaft, in der sich die Herausforderungen ständig ändern und Daten nie aufhören zu fließen, helfen Data Scientists Entscheidungsträgern dabei, von einer Ad-hoc-Analyse zu einer kontinuierlichen Konversation mit Daten überzugehen.23

Die technologische Entwicklung, die für die Erfassung des Volumens und der Auflösung von Daten erforderlich ist, um diese Phänomene zu untersuchen, ist ausgereift, doch die klassischen Datenanalyseverfahren reichen in vielen Fällen nicht aus, um die Größe, Geschwindigkeit und Vielfalt der Informationsquellen unter Beweis zu stellen.24 Da es keine gemeinsame Definition von Data Science gibt, werden im nächsten Abschnitt mehrere Definitionen vorgestellt, die in der Vergangenheit verwendet wurden, und es wird eine neue Konzeptualisierung dessen vorgeschlagen, was Data Science bedeutet.25

2.2.1 Ursprung von Data Science

Obwohl Data Science eine relativ neue Disziplin ist, ist der Begriff „Data Science“ viel älter als erwartet. Es ist erwähnenswert, dass es keine klare und vereinbarte Definition des Begriffs „Data Science“ gibt. Dieser Mangel an Klarheit erscheint in der ersten Verwendung des Begriffs durch Naur 1974. Naur verwendete den Begriff „Datenverarbeitung“ im Sinne der Informatik. Er wurde jedoch manchmal auch als Ersatzname für den Bereich Statistik oder zumindest für angewandte Statistik verwendet.26 Naur verfeinerte seine frühere Definition wie folgt: „ Data Science ist die Wissenschaft des Umgangs mit Daten, [...] während die Beziehung von Daten zu dem, was sie repräsentieren, auf andere Bereiche und Wissenschaften [...] delegiert ist“.27

In den späten 1970er Jahren veröffentlichte Tukey (1977) die Exploratory Data Analysis, die einen neuen Ansatz für die Statistik propagiert, bei dem „mehr Wert auf die Verwendung von Daten gelegt werden muss, um Hypothesen zu testen“.28 Im Jahr 1977 wurde die International Association for Statistical Computing (IASC) als eine Sektion des International Statistical Institute gegründet. Es ist die Aufgabe des IASC, traditionelle Statistiken mit Methodik, moderner Computertechnologie und dem Wissen von Domänenexperten zu verknüpfen, um Daten in Informationen und Wissen umzuwandeln.29

Im Jahr 2001 forderte William S. Cleveland, Data Science als einen Bereich zu etablieren, um die Hauptbereiche wie dem des Statistikbereichs zu erweitern. Da der Plan ehrgeizig ist und wesentliche Veränderungen mit sich bringt, wird das geänderte Gebiet als Data Science bezeichnet. Cleveland stellte die vorgeschlagene neue Disziplin in den Kontext der Informatik und der zeitgenössischen Arbeit im Bereich des Data Mining.30 Im Jahr 2003 wurden zwei Zeitschriften ins Leben gerufen: The Data Science Journal und The Journal of Data Science. Diese sind hauptsächlich der Grund, warum der Begriff „Data Science“ derzeit von vielen Menschen als eng verwandt mit Data Mining und Big Data Analytics verstanden wird und nicht im ursprünglichen Sinne, in dem der Begriff verwendet wurde. Data Science wurde auch aus den Perspektiven der Künstlichen Intelligenz (KI) und des maschinellen Lernens angesprochen.31 In vielen aktuellen Kontexten kann Data Science aus betriebswirtschaftlicher Sicht als Prozess der Entdeckung von Daten, die wir nicht kennen, verstanden werden. Es ermöglicht vorausschauende, umsetzbare Erkenntnisse aus Daten zu gewinnen, Datenprodukte mit geschäftlichen Auswirkungen zu erstellen, relevante Geschäfte aus Daten zu kommunizieren und Vertrauen in Entscheidungen zu schaffen, die den geschäftlichen Wert steigern.32

Mattmann (2013) identifizierte das Integrieren von Algorithmen und die Datenverwaltung als zwei Komponenten der Data Science, die für die Bewältigung der Datenflut in der Erd- und Weltraumwissenschaft und anderen Bereichen wie Physik und Genomik von grundlegender Bedeutung sind. Mattmann beschrieb die Integration von Algorithmen als Modellintegration in wissenschaftliche Workflows und als Schnittstelle zu Datenspeichern und Infrastrukturen. Mattmann forderte auch die Integration von Datenarchivierung mit Datenverarbeitungseinrichtungen und hob in derselben Arbeit die Vielfalt von Wissenschaftsdaten hervor, die viele Formate, Dateitypen und Konventionen beinhalten. In der Tat basiert Data Science oft auf der Analyse von Datensätzen, die aus einer früheren Umwandlung von Videos, Audioaufzeichnungen, Signalen, Datenströmen oder Webseiten in Gruppen von relevanten und/oder ausreichenden Indikatoren mittels Merkmalsextraktionstechniken resultieren, und findet so die Beziehungen zwischen mehreren Quellen heterogener Daten und es kommt zur Identifizierung komplexer, verborgener Muster, die für die Entscheidungsunterstützung nützlich sind.33

Zum Beispiel beschreiben Agarwal und Dhar (2014) die Explosion von Möglichkeiten für wissenschaftliche Untersuchungen mit leicht verfügbaren, großen und komplexen Datensätzen und legen nahe, dass Computer nun leistungsfähig genug sind, um nicht nur Hypothesen zu überprüfen, sondern auch neue Theorien vorzuschlagen. Obwohl solche Behauptungen ambitioniert erscheinen mögen, scheinen Fortschritte bei maschinellem Lernen, Künstlicher Intelligenz, Datenintegration und Verwaltung dies zu belegen.34

Andere Autoren (Lauro et al., 2017) charakterisieren Data Science als den Prozess, bei dem Daten in verwertbares Wissen umgewandelt werden, um Vorhersagen zu treffen und Entscheidungen zu unterstützen und zu validieren.35 Die Entwicklung von Data Science förderte ein neues Konzept bei der Entscheidungsfindung im Allgemeinen (einschließlich Unternehmen), bei dem Entscheidungen datengesteuert sind und der Mehrwert für Organisationen (entweder Institutionen oder Unternehmen) nicht mehr Technologien und Kapital sind, sondern Informationen in Form von Daten, die als primäre Wissensquelle betrachtet werden. Diese Transformation ist nicht auf Geschäftsfelder beschränkt, und der Wert, den Data-Science-Prozesse unserem Verständnis komplexer Phänomene hinzufügen können, ist allgemein anerkannt.36

Davenport und Harris (2007) behaupten, dass Unternehmen, anstatt mit traditionellen Faktoren zu konkurrieren, damit beginnen, statistische und quantitative Analysen und Vorhersagemodelle als primäre Elemente des Wettbewerbs zu verwenden.37 Es gibt auch wenig Einigkeit darüber, wo die Rolle in eine Organisation passt, wie Data Scientists den größten Mehrwert erzielen können und wie ihre Leistung gemessen werden sollte. Der erste Schritt zur Erfüllung des Bedarfs an Data Scientists besteht daher darin, zu verstehen, was sie in Unternehmen tun. Danach erst kann die Frage gestellt werden, welche Fähigkeiten sie eigentlich mitbringen müssen und in welchen Bereichen sind diese Fähigkeiten am leichtesten zu finden?38 Im nächsten Abschnitt werden diese Punkte näher untersucht.

2.2.2 Data Scientist: ein neues berufliches Profil

Hochschulen und Universitäten entwerfen bereits neue Lehrpläne, um diese neue Art von Fachkräften auszubilden.39 Auch auf dem Arbeitsmarkt weisen, so scheint es, die für die Durchführung von Data Science erforderlichen Kompetenzen auf ein neues berufliches Profil hin.40 In vielen Situationen wird erwartet, dass Data Scientists über eine breite Palette von Fähigkeiten verfügen: „ Der Data Scientist ist ein Problemlöser, hat eine Leidenschaft für den Geschäftsbetrieb, ist Entdecker gegenüber Daten, hat eine Denkweise wie ein Hacker, kennt sich in Machine Learning, Statistik, Verfahren wie Entscheidungsbäumen, logistischer Regression und Clusteranalysen aus, beherrscht Programmiersprachen, arbeitet mit Datenbanken und neuen Big-Data-Technologien; Visualisierungstechniken sind für ihn kein Hindernis und auch gute Kommunikationsfähigkeiten besitzt er darüber hinaus.“ 41 Der Erwerb der geeigneten Fähigkeiten für die effektive Anwendung von Data Science ist von entscheidender Bedeutung, um eine solvente Extraktion des in den Daten enthaltenen richtigen Wertes zu gewährleisten.42

Davenport und Patil (2012) argumentieren in ihrem in der Harvard Business Review demonstrativ betitelten Artikel „Data Scientist: The Sexiest Job of the 21st Century“, dass Fähigkeiten, die für einen effektiven Data Scientist erforderlich sind, über statistische oder analytische Fähigkeiten hinausgehen und Storytelling mit Daten ein wesentlicher Bestandteil ist, um für Durchbrüche in der jeweiligen Domäne zu sorgen. Sie beraten darüber hinaus Führungskräfte und Produktmanager über die Auswirkungen der Daten auf Produkte, Prozesse und Entscheidungen. Angesichts des sich entwickelnden Standes ihres Handels ist es oft Aufgabe der Data Scientists, ihre eigenen Werkzeuge zu entwickeln und sogar akademische Forschung durchzuführen.43

Manyika (2011) erwähnt den Bericht von McKinsey, in dem der Mangel an Talenten mit den erforderlichen Fähigkeiten zur Erfassung des gesamten Datenpotenzials im Jahr 2011 untersucht wurde, mit dem Ergebnis, dass bis 2018 ein Mangel an 140.000 bis 190.000 Data Scientists quantifiziert wurde.44 In seiner Keynote auf der Campus Party Europe im September 2013 sagte A.S. Pentland, Leiter von MediaLab Entrepreneurship MIT: „Es gibt zu wenige Data Scientists auf der Welt und die Bildung muss sich ändern, um das wahre Potenzial der Datenwissenschaft zu maximieren“.45

Harris et al. (2014) erwähnen, dass der Mangel in den USA besonders ausgeprägt ist. Beispielsweise wurden 80% der neuen Data Scientist Jobs innerhalb des Jahres 2010/2011 nicht besetzt.46 In den USA wird die Nachfrage nach Data-Science- und Data-Analytics-Arbeitsplätzen zwischen 2015 und 2020 voraussichtlich um 15% steigen, wobei die höchste Wachstumsrate von 28% für die spezifische Berufsbezeichnung „Data Scientist“ erwartet wird.47 Als Antwort auf diese Tatsache wurden in den letzten Jahren Empfehlungen ausgesprochen und Anleitungen für die Integration von Data Science in Studiengänge (z.B. Master of Science in Data Science) gegeben. Viele Universitäten haben Qualifikationen in Data Science oder in einigen verwandten Bereichen wie Data Analytics, Business Intelligence usw. erstellt. Diese neuen Programme neigen dazu, mit den Disziplinen Informatik oder Mathematik und Statistik in Verbindung gebracht zu werden. Dabei unterscheiden sich die Lehrpläne für Data Science von Informatik, Mathematik und Statistik entsprechend.48

2.2.3 Typologien von Data Scientists

Bei näherer Betrachtung von Data Scientists lassen sich Typologien ableiten. Harris (2013) untersuchte in einer repräsentativen Studie die Data Scientists und strukturierte diese in verschiedene Typen. Dabei untersuchte er zunächst deren Tätigkeiten, um einen Überblick darüber zu bekommen, was Data Scientists überhaupt für Aufgaben haben. Anschließend entwickelte Harris mit Hilfe der Aufstellung der Tätigkeiten eine Typologie der Data Scientists. In dieser Typologie, wie in Tabelle 1 zu sehen, wurden vier verschiedene Typen von Data Scientists dargestellt.49

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Typologien von Data Scientists50

Dieses erste Cluster von Data Scientists ermöglicht eine Unterscheidung der unterschiedlichen Typen voneinander. Bei näherer Betrachtung lassen sich vier Muster erkennen: Developer, Researcher, Creative und Businessperson.51 Anhand der verschiedenen fachlichen und sozialen Anforderungen sowie der Aufgabenfelder lassen sich Typisierungen von Data Scientists erstellen. Harris et al. (2013) analysierten verschiedene Typen von Data Scientists und ordneten ihnen bestimmte Eigenschaften zu. Basierend auf diesen Ergebnissen wurde Tabelle 2 erstellt.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Typisierung von Data Scientists52

Nach der Darstellung von Harris et al. (2013) gibt es vier Typen von Data Scientists, die jeweils eine unterschiedliche Ausprägung von persönlichen und fachlichen Anforderungen als auch in den Aufgabenfeldern haben. Dabei unterscheidet sich eine Data Businessperson von einem Data Researcher darin, dass überwiegend Business-Fähigkeiten eingesetzt werden. Hingegen unterscheidet sich ein Data Researcher dahingehend, dass hier vermehrt statistische Fähigkeiten abgerufen werden. Zwischen den beiden anderen Gruppen, Data Creative und Data Developer, fallen im ersten Augenblick nur geringe Unterschiede auf. So ist ein Data Creative mehr ein Statistiker, wohingegen ein Data Developer mehr ein Daten-Ingenieur ist. In der Tabelle 3 werden die jeweiligen Aufgabengebiete detaillierter dargestellt.53 Anhand der Tabelle 3 lassen sich die Aufgabenfelder „Math“, „OR“ und „Statistics“ als eine der umfangreichsten Aufgabenfelder bzw. die mit den höchsten Anforderungen an Data Scientists identifizieren.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3: Aufgabengebiete von Data Scientists54

In der Analyse der empirischen Daten werden die Stellenanzeigen basierend auf dieser Typisierung näher untersucht und es wird auf die darin enthaltenen Aufgaben und Tätigkeiten näher eingegangen.

2.3 Data Scientists: Die Unterscheidung zu anderen Berufsprofilen

Data Science (DS) ist die Verbindung von traditioneller statistischer Methodik, moderner Computertechnologie und dem Wissen von Domänenexperten, um Daten in Informationen und Wissen umzuwandeln. Diese Definition ist etwas breit gefächert, daher wird in diesem Abschnitt eine Klarheit für den Begriff geschaffen, so dass es weniger wahrscheinlich ist, dass er mit anderen Begriffen wie Business Intelligence Analyst (BIA) oder Data Analytics (DA) verwechselt wird. Die drei Begriffe, die manchmal durcheinander geraten – BIA, DA, DS – haben alle relativ breite Definitionen und Überlappungen. Es kommt darauf an, welches datenbezogene Problem besteht und wie es gelöst werden muss. Dabei hilft es zu verstehen, welche Fähigkeiten benötigt werden, um dieses Problem innerhalb der Organisationen zu lösen. Um eine Unterscheidung der genannten Berufsbilder zu treffen, wurden diese mit einem etwas detaillierteren Blick auf die jeweiligen Rollen und Fähigkeiten untersucht.

2.3.1 Data Analyst

Data Analysts konzentrieren sich in der Regel auf die Quellen und Verwendungen von Daten. Diese Personen identifizieren, wo Daten erstellt werden und wie sie durch die Geschäftsprozesse fließen, verfolgen die Geschäftsregeln, die auf die Daten angewendet werden, und beobachten, wie die Daten gemeldet und verwendet werden. Sie erforschen und verstehen, wie verschiedene Daten miteinander in Beziehung stehen und sich gegenseitig beeinflussen. Data Analysts prüfen und überwachen die Qualität der Daten (Vollständigkeit, Aktualität, Konsistenz, Genauigkeit) und erstellen oder unterstützen häufig Datenmodelle, die in Lösungen innerhalb der Organisation verwendet werden. Darüber hinaus verwenden diese auch Software, die ihnen hilft, Daten entlang der Qualitätskomponenten zu analysieren. Rudimentäre Statistiken sind in der Regel alles, was für die meisten Datenanalyse-Aufgaben benötigt wird. Ferner benötigen sie jedoch ein gründliches Verständnis der Geschäftsprozesse, um die Daten effektiv analysieren zu können.55

2.3.2 Business Intelligence Analyst

Ein Business Intelligence Analyst (BIA) kann eine breite Palette von Aktivitäten und Fähigkeiten abdecken. Da sich diese darauf konzentrieren, Geschäftsanwendern Informationen zur Verfügung zu stellen, um Entscheidungen zu unterstützen, verfügt der BIA in der Regel über Kenntnisse und Fähigkeiten, die sowohl in geschäftlicher als auch in technologischer Hinsicht eine Rolle spielen. Ein BIA kann technische Fähigkeiten einsetzen, um Daten aus mehreren Quellen zu einer integrierten Umgebung zu kombinieren, aus der Berichte und Analysen unter Verwendung von Berichts- und Visualisierungssoftware entwickelt werden können. Zudem können sie ihr Wissen über die Daten und das Geschäft anwenden, um Berichte und Analysen zu definieren und zu erstellen, die für das Unternehmen von Wert sind, und sie können diese Informationen den Geschäftsnutzern effektiv vermitteln. Ein Business Intelligence Analyst verfügt normalerweise über Computerkenntnisse, die das Verschieben von Daten zwischen Systemen, den Aufbau von Datenbanken oder die Verwendung von Berichts- und Visualisierungssoftware erleichtern. Des Weiteren haben sie in der Regel die Möglichkeit, ihre Ergebnisse den Geschäftsanwendern mitzuteilen. Während die Arten von Analysen eher den deskriptiven Statistiken (aktuellen Ergebnissen, Trends) entsprechen, können sie Ergebnisse aus statistischen Modellen enthalten, die für eine weitere Geschäftskommunikation zur Verfügung gestellt werden.56

2.3.3 Data Scientist

Was einen Data Scientist von den anderen beiden Kategorien unterscheidet, ist in erster Linie die Verwendung von Statistiken. Während einige Definitionen der Data Science die Abhängigkeit von fortgeschrittenen statistischen Techniken minimieren (oder zumindest verringern), scheint die Geschichte darauf hinzuweisen, dass die Data Science eine Erweiterung der Fähigkeiten von Statistikern darstellt. Während ein Data Scientist in der Lage ist, viel von der Arbeit eines DA oder BIA zu tun, ist sein Hauptaugenmerk auf der statistischen Analyse, sei es die Entwicklung von Vorhersagemodellen, maschinelles Lernen oder die Identifikation von neuen Daten. Die Unterscheidung zwischen Data Scientists und reinen Statistikern liegt darin, dass sie ihre Programmierfähigkeiten verwenden, um große Datensätze zu analysieren.57 Darüber hinaus lässt sich auch sagen, dass das dominante Merkmal unter den Data Scientists eine durchdringende Neugier ist, unter die Oberfläche eines Problems zu gehen, die Fragen in seinem Kern zu finden und sie zu einer sehr klaren Reihe von Hypothesen zu destillieren, die getestet werden können. Dies beinhaltet oft das assoziative Denken, das die kreativsten Wissenschaftler auf allen Gebieten auszeichnet.58

Davenport und Patil (2012) erwähnen ein Beispiel von einem Data Scientist, der ein Betrugsproblem untersuchte und erkannte, dass es analog zu einer Art von DNA-Sequenzierungsproblemen war. Indem er diese unterschiedlichen Welten zusammenführte, gelang es ihm und seinem Team, eine Lösung zu finden, die Betrugsverluste drastisch reduzierten. Die Bewältigung der Arten von großen, multidisziplinären Problemen, mit denen heutige Data Scientists konfrontiert sind, erfordert die Fähigkeit, verfügbare Daten und Informationen zu nutzen, um die Entscheidungsfindung zu beeinflussen. Das erfolgreiche Synthetisieren heterogener Daten aus mehreren Quellen zur Unterstützung ganzheitlicher Analysen und die Gewinnung neuen Wissens erfordert die Anwendung von Data Science.59 Diese neue Generierung von Wissen innerhalb der Organisationen wird im nächsten Abschnitt unter dem Diskurs der so genannten knowledge worker näher betrachtet.

2.4 Eine neue Form von knowledge workern

Während in der klassischen manuellen Arbeit physische Materialien in greifbare Produkte umgewandelt werden, ist die Transformation in knowledge work eine kognitive. Wie in dem vorherigen Abschnitt erwähnt, erfordert knowledge work vorheriges individuelles und gemeinschaftliches Wissen und die Fähigkeit, Wissen in Aktion umzuwandeln und neues potentielles Wissen zu generieren. Drucker (1959) prägte den Begriff des knowledge workers: „ . . .der Mann oder die Frau, die produktive Arbeit, Ideen, Konzepte und Informationen eher als manuelle Fähigkeit oder Muskelkraft anwendet“.60

Despres und Hiltrop (1995) definieren knowledge work als die „ systematische Aktivität, die Daten manipuliert, die Informationen manipuliert und Wissen entwickelt. Die Arbeit kann theoretisch und ohne unmittelbaren praktischen Zweck oder pragmatisch sein und auf die Entwicklung neuer Anwendungen, Geräte, Produkte oder Prozesse abzielen“.61

Kelley (1990) wies darauf hin, dass knowledge worker „ für ihre Fähigkeiten zur Problemlösung, Kreativität, Talent und Intelligenz eingestellt werden“ 62 und Erren (2010) fügte hinzu, dass sie sich ständig mit neuen (wissenschaftlichen) Erkenntnissen auf ihren jeweiligen Gebieten vertraut machen müssen, um über mögliche Probleme und innovative Lösungswege (einschließlich Instrumente und Werkzeuge) auf dem Laufenden zu bleiben.63

Gehl (2015) beschreibt den Data Scientist als eine neue Form von knowledge worker, die innerhalb von Organisationen neues Wissen generieren und dies auch teilen. Die Untersuchung von Daten und das darauffolgende Analysieren führt zu einer neuen Form des Knowledge Managements. Im nächsten Abschnitt werden die Funktionen des knowledge worker näher untersucht.64

2.4.1 Funktionen des knowledge worker

Knowledge work wurde zum Hauptantrieb für die gegenwärtigen Forschungs- und Entwicklungsbemühungen. Bereits 1959 identifizierte Drucker die Umwandlung der Gesellschaft in einen postindustriellen Staat, in dem die Verlagerung von manueller zu nicht manueller Arbeit im Vordergrund steht.65 Das Hauptmerkmal, das knowledge work von anderen konventionellen Arbeiten unterscheidet, ist, dass die grundlegende Aufgabe der knowledge worker das Denken ist. Obwohl alle Arten von Jobs eine Mischung aus physischer, sozialer und mentaler Arbeit beinhalten, ist es die fortwährende Verarbeitung von nicht routinemäßigen Problemen, die nichtlineares und kreatives Denken erfordern, was knowledge work charakterisiert. Organisationsbezogenes knowledge management positioniert Wissen als organisatorische Ressource und betont die Bedeutung von knowledge work und die Produktivität von knowledge workern, um Wettbewerbsvorteile zu erzielen. Die Forschung im Bereich knowledge management hat sich auf vier Bereiche konzentriert: (1) die Art des Wissens und wie es sich von Daten und Informationen unterscheidet; (2) die organisatorischen Aspekte seiner Umsetzung; (3) die Schaffung und Nutzung von Wissensmanagementsystemen; und (4) motivationale Aspekte des Wissensaustauschs innerhalb der Organisation.66 Der erste Bereich des Wissensmanagements hat bemerkenswerte Aufmerksamkeit bei den Ansätzen erhalten und zwar bei der Forschung zur organisatorischen Gewinnung und Nutzung von implizitem Wissen. Obwohl Wissen schon immer eine Determinante für den persönlichen und organisatorischen Erfolg war, wird seine Beziehung zu den Konzepten von Daten und Informationen zusammen mit charakteristischen Merkmalen ständig im philosophischen und technischen Bereich diskutiert. Daten werden im Allgemeinen als rohe Symbole oder Zahlen definiert, die durch Messprozesse aufgezeichnet werden und eine Definition von Informationen entwickeln, die mindestens aus einer kontextuellen und technischen Seite besteht.67 Erren (2010) hat in seine Definition von Information sowohl eine menschliche als auch eine technische Dimension einbezogen, als er feststellte, dass „ Information der Teil der Wahrnehmung oder Messung ist, der wahrgenommen wird, der durch Herausheben einen kognitiven oder technischen Unterschied macht“.68 Wissen wird als Prozess betrachtet oder als eine kompetente zielorientierte Aktivität und nicht als eine beobachtbare und übertragbare Ressource, die die Herleitung eines neuen Verständnisses in nicht routinemäßigen Problemen ermöglicht.69 Die organisatorischen Aspekte und die Ableitung von Modellen für den organisatorischen Wissensfluss haben auch von Forschern Beachtung gefunden. Mehrere Modelle bilden den persönlichen und organisatorischen Fluss von Informationen und Wissen in verschiedenen Umgebungen und mit unterschiedlichen Schwerpunkten ab. Holsapple und Jones (2004) haben ein fortgeschrittenes Wissensflussmodell entwickelt, das Aktivitäten in der knowledge work darstellt und diskutiert. Das Modell identifiziert, dass wertsteigernde Knowledge-Management-Aktivitäten ein Schlüssel sind, der das Wettbewerbspotenzial von Knowledge Management noch besser ausschöpft.70 Der von Maier und Schmidt (2007) eingeführte Prozess der Wissensreifung identifiziert Phasen des interindividuellen Wissensaustauschs und analysiert Störungen im Austausch. Das Modell unterscheidet zwischen divergierenden Phasen der Wissensentwicklung und den damit verbundenen Informationsartefakten unterschiedlicher Reifegrade mit diesen Phasen.71 Der dritte Teil konzentriert sich auf die Erstellung, Implementierung und praktische Nutzung von Wissensmanagementsystemen. Während sich aus der Perspektive der Praktiker die Übertragung hauptsächlich mit der Übernahme und Anpassung bestehender Softwarelösungen und der Entwicklung von Methoden für die Implementierung des Wissensmanagements befasste, umfasst dieser Forschungsbereich auch die kritische Analyse des Wertes, der sich aus der Nutzung von Wissensmanagementsystemen ergibt.72 In den letzten Jahren wurde auch die Motivation der Arbeitnehmer umfassend untersucht. Sowohl Forscher als auch Praktiker erkennen die Motivation als einen wesentlichen Faktor für die Akzeptanz und Nutzung von Wissensmanagementsystemen an. Kunzmann et al. (2009) diskutieren die Relevanz der Integration von intrinsischer und extrinsischer Motivation von knowledge workern in die Gestaltung von Lernhilfestrategien in Organisationen. Die Motivation von knowledge workern, Wissensmanagementsysteme zu nutzen, hängt daher von drei Dimensionen ab: der individuellen, der zwischenmenschlichen und der Arbeitskontextdimension.73 Des Weiteren wies Andriessen (2006) darauf hin, dass individuelles Wissensaustauschverhalten von mehreren Faktoren und Prozessen abhängt, einschließlich der individuellen Absicht und Fähigkeit zu teilen sowie der wahrgenommenen Barrieren für den Austausch und der Eigenschaften der Organisation.74 Kelloway und Barling (2000) betrachten den knowledge worker als Wissens-Generierer in einer Organisation, die sich an Aktivitäten zum Wissensaustausch beteiligen sollten. Die Aufgabe des Wissensmanagements sollte dann darin bestehen, Arbeitsbedingungen zu schaffen, die Mitarbeiter anregen und aktivieren, sich am aktiven Wissensaustausch zu beteiligen.75 Trotz umfangreicher Forschung in den vier Bereichen betrachtet die meiste relevante Literatur die organisatorischen Mitglieder, die in Wissen verstrickt sind, als Fixpunkte für die Prozesse der Organisation. Daher werden knowledge worker oft als menschliche Objekte wahrgenommen, deren kognitive Dimension auf Wissensmanagementsysteme ausgerichtet ist.76 Die verschiedenen Rollen, die knowledge worker besitzen, die Aktivitäten und Aktionen, in die sie eingebettet sind, und die möglichen Rollenkonflikte, die während der Arbeitsausführung entstehen, werden im nächsten Abschnitt erläutert.

2.4.2 Rolle des knowledge worker

Obwohl sich die vorhandene Literatur ausführlich mit der Natur der knowledge work und der Unterscheidung zwischen Wissen und Arbeiten auseinandersetzt, wird nur wenig über die Aufschlüsselung der verschiedenen Rollen von knowledge workern geforscht. Innerhalb von Prozessen werden Rollen verwendet, um das erwartete Verhalten von Individuen innerhalb bestimmter Prozesse zu beschreiben. Für Organisationen haben Rollen einen größeren Umfang und sie stellen Häufungen von erwartetem Verhalten dar, das eine große Anzahl von Aufgaben umfasst. Die Verwendung von Rollen zur Organisation von Aufgaben von knowledge workern hebt die verschiedenen Facetten von knowledge work hervor und unterstützt die Identifizierung verschiedener Arten von knowledge workern.77 Eine bestehende Aufschlüsselung von knowledge work in Rollen wurde von Snyder-Halpern et al. (2001) vorgenommen, die die Rollen von Datensammlern, Informationsnutzern, Wissensnutzern und Wissensentwicklern auf dem Gebiet der Pflege beschreiben. Die vier Rollen erfordern Definitionen für Daten, Informationen und Wissen und sind sehr allgemein gehalten.78

Beckstead und Vinodrai (2003) schlugen eine Klassifizierung von Wissenshändlern vor, die auf der Canadian Standard Occupation Classification basiert. Sie identifizierten 40 auf dem Berufswissen basierende Kategorien und kategorisierten diese wiederum in drei Klassen von Arbeitern: Facharbeiter, Führungskräfte und technische Arbeiter; sie alle haben mindestens eine postsekundäre Ausbildung.79

Brown et al. (2002) untersuchten die Notwendigkeit einer Person, deren Hauptaufgabe darin bestünde, disperses Wissen in einer Organisation zu integrieren. Sie identifizierten einen Knotenpunkt für Wissen, der sich auf Personen bezieht, die Wissen, das sie während der Kommunikation mit Gleichrangigen gewonnen haben, bewusst integrieren und dieses Wissen dann über Organisationsgrenzen hinweg verbreiten.80 Die Autoren befassten sich nicht mit allgemeinen knowledge workern in Unternehmen, sondern speziell mit denjenigen, die an der Schaffung neuen Wissens beteiligt sind (knowledge creation crew81 ). Selbst wenn die frühe Wissensmanagementliteratur nahelegte, dass Wissen ein Vermögenswert sei, der einfach externalisiert, unter knowledge worker zirkulieren und von diesen internalisiert werden könnte, ist bekannt, dass Wissen nicht in einem Wissensmanagementsystem gespeichert werden kann. Die Vorstellung von einer rationalen Kapazität, die von Menschen gehalten wird, verhindert dies.82 Der Hauptgrund, warum viele Autoren das Wissen als austauschbares Vermögen ansehen, scheint auf genau dieser Notwendigkeit externer Artefakte zum Erwerb, zur Speicherung und zum Austausch von Wissen zu beruhen.83

2.5 Rollentheorie in Organisationen

In der Literatur sind wenige Untersuchungen durchgeführt worden, die mögliche Anforderungsprofile von Data Scientists untersuchen. Hierbei bietet sich die Rollentheorie auf Grund ihres agilen Grundgedankens als theoretischer Orientierungspunkt an. In diesem Abschnitt wird die Rollentheorie näher untersucht und auch die Frage, inwiefern Stellenanzeigen diese Anforderungen an bestimmte Personengruppen unterstützen. Wiswede (2015) untersuchte die Rollentheorie und stellte fest, dass diese Handlungen und Beziehungen in sozialen Anordnungen von Akteuren thematisiert werden. Eine Rolle bildet die Gesamtheit der Erwartungen ab, die an den Inhaber einer Stelle in einer Organisation gestellt werden.84 Wesentliche Akteure in der Rollentheorie für die Betriebswirtschaftslehre sind Kahn und Katz (1978), die in ihrer Arbeit das Verhalten von Mitgliedern der Organisation erklären, die bestimmte Rollen eingenommen haben. Dabei schreiben die beiden Autoren über vier wesentliche Elemente. Das erste Element sind die Rollenerwartungen, bei denen sogenannte Rollensender die Verhaltensweisen eines Positionsinhabers in einer Organisation bewerten, das des Rolleninhabers, und darüber hinaus Erwartungen bilden, wie sich dieser zu verhalten hat. Der zweite Ansatz ist der der gesendeten Rolle, bei der die Erwartungen an den Rolleninhaber übermittelt werden, mit dem Ziel, dessen Verhalten dadurch zu beeinflussen. Ein weiteres Element ist die empfangene Rolle, in der der Rolleninhaber die gestellte Erwartung an ihn wahrnimmt. Das letzte Element aus der Rollentheorie von Kahn und Katz ist das sogenannte Rollenverhalten. Im Kern geht es darum, dass der Rolleninhaber auf die gestellten Erwartungen reagiert. Im Rahmen eines agilen Prozesses herrscht eine Rückkopplung über das Rollenverhalten des Rollenempfängers zum Rollensender, der seine Erwartungen dementsprechend anpasst.85 In diesem Abschnitt konzentriert sich die Rollentheorie auf das erste Element, die Rollenerwartung anhand von Stellenanzeigen. Die Bezeichnung der Rolle nimmt demnach eine Scharnierfunktion ein, da diese einsetzbar ist, um die Mikroebene der Handelnden und der faktischen Verhaltensweisen mit größeren sozialen Verbindungen wie Gruppen oder Institutionen zu vereinigen. Gemäß der Rollentheorie werden Rollen in einer Organisation durch die Erwartungen anderer Organisationsmitglieder, der sogenannten Rollensender, bestimmt. Dabei können Erwartungen einerseits von einem Mitglied der Organisation ausgehen, das nicht personengleich mit dem Inhaber der Rolle ist, wie zum Beispiel ein Manager. Zudem kann auch der Rolleninhaber selbst Erwartungen an seine Rolle stellen. Dabei ist es auch möglich, dass jeder Beteiligte in einer Organisation als Orientierungspunkt vom Rollensender zum Rollenempfänger wird. Darunter fallen zum Beispiel vorgesetzte Manager, Kollegen der eigenen Abteilung und andere Mitglieder aus anderen Abteilungen.86 Diese Rollensender, die die Rolle eines Rollenempfängers bestimmen, werden von Merton (1973) in ihrer Gesamtheit als Rollen-Set benannt. Es wird dadurch verständlich, dass die Rolleninhaber den Erwartungen unterschiedlicher Rollensender unterlegen sein können. Erwartungen können an die Verhaltensweisen des Rolleninhabers (Rollenverhalten) sowie an seine Rollenattribute gestellt und des Weiteren erkennbar zum Ausdruck gebracht werden. Merton verbindet mit der Rolle nicht nur Verhaltenserwartungen, sondern auch Einstellungen und Rollenattribute, wie Kenntnisse oder Fähigkeiten eines Positionsinhabers.87

2.5.1 Rollentheoretisches Modell

Der richtungsweisende Rollenansatz von Ralph Linton, Robert K. Merton und Ralf Dahrendorf begründet den Rollenbegriff in den Sozialwissenschaften als wegweisenden Ansatz für die Theorie. Dabei treten gewisse Verhaltensmuster auf, die unter dem Rollenbegriff zusammengefasst werden. Dazu zählen etwa die Verwandtschaftsrollen der Ethnologie ebenso wie Status oder Positionen in ausgeprägteren schematisierten Kausalitäten. Während der Status bei Linton bzw. die Position bei Dahrendorf das Verhaltensmuster in die Beziehung zu anderen Status oder Positionen stellt, benennt der Rollenbegriff exakt die methodischen Verhaltenserwartungen im Zusammenhang mit Status oder Positionen.88 In einer gewissen Form von Informationen werden dieser Erwartungen in einer indirekten und direkten Natur an den Rollenempfänger gesendet, welcher diese weitergeleitete Rolle wahrnimmt und bewertet. Diese Auslegung führt zu einem umgeformten Rollenverhalten. Der Rollensender nimmt nun seinerseits die Verhaltensweise des Rolleninhabers wahr und gleicht es möglicherweise seinen Erwartungen an. Dieser Ablauf des Übermittelns von Erwartungen, der Rollenverhaltens-Anpassung und der Anpassung der Erwartungen des Rollensenders ist kontinuierlich und interaktiv zwischen Rollensender und Rolleninhaber.89

Nach Katz und Kahn (1978) wird diese Rollenhandlung durch individuelle Attribute der Rollenempfänger, die interpersonelle Verbindung zwischen Rollensender und Rollenempfänger sowie organisationale Einflüsse bestimmt. Die organisationalen Einflüsse stehen in Verbindung mit den Erwartungen, die an den Rolleninhaber gelenkt sind. Die individuellen Attribute üben auf unterschiedlichste Art und Weise auf die Bestandteile der Rollenhandlung eine bestimmte Wirkung aus. Zum einen führen diese Attribute des Rolleninhabers spezielle Erwartungen des Rollensenders herbei. Zum anderen können sie den Ablauf inmitten gesendeter und wahrgenommener Rolle lenken, etwa indem basierend auf persönlichen Eigenschaften die übermittelte Rolle von Seiten des Rolleninhabers abweichend ausgelegt wird. Des Weiteren nehmen Katz und Kahn an, dass das Rollenverhalten auf die individuellen Attribute des Rolleninhabers zurückzuführen ist. Das Rollenverhalten und die übermittelten Rollen beruhen zudem auf den interpersonellen Beziehungen zwischen Rolleninhaber und Rollensender. Gleichartig wie bei den individuellen Attributen hat das Rollenverhalten gleichzeitig Einfluss auf die persönlichen Beziehungen. Katz und Kahn erkennen in einem Rollensystem die abstrakteste Darstellungsform sozialer Verhaltensmuster in Organisationen. In Organisationen stellen Rollen vereinheitlichte Verhaltensformen dar und das umfassende Netz von standardisierten Rollenverhalten gestaltet die formale Anordnung einer Organisation. Dieses formalisierte Rollensystem legt für die Rolleninhaber ausdrückliche Verhaltensweisen fest und verhängt zum selben Zeitpunkt Sanktionsmechanismen zur Erfüllung der Rollenerwartungen. Dabei kann die Größe oder Organisationsstruktur Einfluss auf die organisationale Kontextfaktoren von Rollensendern nehmen.90

Die Autoren Byrne und Pierce (2007) beschreiben die Rollenattribute und deren Auswirkung auf die Beziehung zwischen dem Rollenempfänger und dem Rollensender. Bestehen unterschiedliche Erwartungen zwischen Rollensender und Rollenempfänger, können sogenannte Rollenkonflikte aufkommen, die wiederum Einfluss auf die Beziehung nehmen.91

Rizzo et al. (1970) beschreiben solche Rollenkonflikte als besondere Formen des sozialen Konflikts. Rollenkonflikte liegen vor, wenn ein Individuum in einer feststehenden Handlungssituation einer oder mehrerer sozialen Rollen nachzukommen hat und dabei mit gegensätzlichen bzw. einander ausschließenden Rollenerwartungen konfrontiert wird.92 Die Rollentheorie dient als dynamisches Konzept für das Rollenbild des Data Scientists in den jeweiligen Organisationen. Dabei nehmen die Rollenattribute eine wichtige Stellung ein. Diese Rollenattribute ermöglichen es, die tatsächlich vorhandenen Fähigkeiten (Attribute) und die Anforderungen (Erwartungen) in Bezug zueinander zu setzen. Als Proxy für die Rollenattribute dienen Stellenanzeigen, die durch den Rollensender and den Rollenempfänger übermittelt werden.93 Im nächsten Abschnitt werden die Rollenattribute in Form von Stellenanzeigen näher erläutert.

2.5.2 Rollenattribute in Form von Stellenanzeigen

Es gab zahlreiche Publikationen, in denen Stellenanzeigen inhaltlich analysiert wurden, um Einblicke in Trends in Bezug auf Beschäftigungs- und Arbeitskräftequalifikationen sowohl für IT-Fachkräfte als auch für andere Berufe zu gewinnen.94 Ein Hauptziel der Inhaltsanalyse von Stellenanzeigen war es, ein konzeptuelles Modell des Wissens, der Fähigkeiten und der Tätigkeiten von Praktikern abzuleiten.95 In einem rationalen Arbeitsmarkt sollten sich die Rekrutierungsaktivitäten eines Unternehmens an den strategischen Zielen dieses Unternehmens ausrichten. Dementsprechend kann eine Analyse von Stellenanzeigen auch Einblicke in die Bedeutung bestimmter Kenntnisse, Fähigkeiten und Tätigkeiten (intern als Rollen organisiert) liefern, die ein Unternehmen – oder eine Reihe von Unternehmen – als strategisch betrachtet. Mit anderen Worten, Rekrutierungsaktivitäten liefern Signale, die analysiert werden können, um Trends und Veränderungen im Schwerpunkt des Humankapitalbedarfs zu erkennen. Stellenanzeigen bieten somit eine Einsicht in Organisationen und geben zugleich Informationen über Rollenanforderungen, die an die Rollenempfänger gestellt werden.96

Todd et al. (1995) untersuchten Stellenanzeigen für Programmierer, Systemanalytiker und IT-Manager, die in fünf großen Zeitungen in fünfjährigem Abstand über einen Zeitraum von 20 Jahren (1970-1990) gefunden wurden. Der Inhalt der Stellenanzeigen wurde auf die Erwähnung von Fähigkeiten (Rollenattribute) analysiert, die in die Kategorien technisches Wissen, betriebswirtschaftliches Wissen eingeordnet wurden. Die Ergebnisse zeigten im Allgemeinen, dass technische Fähigkeiten in Stellenanzeigen häufiger genannt wurden als geschäftliche Kenntnisse.97 Andere zeitgenössische Studien, die Zeitungsanzeigen untersuchten, kamen zu ähnlichen Ergebnissen: Die Erwähnung von technischen Fähigkeiten überwog im Vergleich zu den geschäftlichen oder zwischenmenschlichen Fähigkeiten. Darüber hinaus wurde festgestellt, dass die Anzahl und die Vielfalt der technischen Fähigkeiten, die in Stellenanzeigen erwähnt werden, im untersuchten Zeitraum zunimmt. Diese Erkenntnisse eignen sich als Rollenattribute, die wiederum zum Aufbau der Rollentheorie beitragen. Dabei lassen sich die Erwartungen des Rollensenders an den Rollenempfänger herausfiltern und damit werden mögliche Rollenbilder innerhalb der Organisationen aufgezeigt.98 Entsprechend der sich ändernden Art der Mitarbeitersuche erweiterten spätere Studien die Quellen, von Stellenanzeigen in Zeitungen zu Fachzeitschriften und Online-Stellenbörsen, wie Monster.com und Hotjobs.com, und fanden vergleichbare Ergebnisse. Diese neuen Quellen ermöglichen eine schnellere Auswertung über festgelegte Zeiträume und zugleich eine strukturierte und softwarebasierte Auslesung der Anzeigen.99 Im folgenden Abschnitt werden die Forschungsmethode und die empirische Datenbasis näher beschrieben.

3. Forschungsmethode

Ziel dieser Arbeit ist, die Rolle der Data Scientists in Unternehmen zu untersuchen und dafür eine quantitative Inhaltsanalyse von Online-Stellenanzeigen durchzuführen. Als empirische Datenbasis hierfür werden die Stellenanzeigen von Stepstone.de mit dem Stichwort „Data Scientist“ zum 8./9. Januar 2018 und 3. April 2018 verwendet. Stellenanzeigenanalysen dienen unter anderem zur Untersuchung von Rollenidentitäten in Organisationen und unterstützen die Auseinandersetzung über die Relevanz von Tätigkeiten und Fähigkeiten für die untersuchten Berufsbilder.100 Es wurde zunächst die Literatur aufgearbeitet, indem die Entstehung und Einordnung des neuen Berufsbildes des Data Scientists näher analysiert wurde, jedoch beruhen diese Erkenntnisse nicht auf empirischen Befunden. Um diese Forschungslücke zu schließen, wurde diese Untersuchung auf Basis von Stellenanzeigen durchgeführt, um herauszufinden, welches Rollenbild die Data Scientists in Unternehmen haben. Die Auswertung der Fähigkeiten und vor allem die der Tätigkeiten von Data Scientists unterstützt die Beschreibung des Rollenbildes innerhalb der Unternehmen. Besonders bezüglich der Tätigkeiten beschreiben Organisationen, welche Position bzw. Rolle der Data Scientist einnimmt. In den nächsten Abschnitten wird die empirische Untersuchung von Stellenanzeigen näher dargestellt und beschrieben.

[...]


1 Vgl. Eichhorst, W., & Buhlmann, F. (2015), S. 1-2.

2 Vgl. Davenport, T. H., & Patil, D. J. (2012), S. 70-75.

3 Vgl. Davenport, T. H., & Harris, J. G. (2007), S. 175-185.

4 Vgl. Gulati, R., & Soni, T. (2015), S. 60-67.

5 Vgl. Lasi, H., et al. (2014), S. 239-240.

6 Vgl. Hermann, et al. (2016), S. 3928-3937.

7 Vgl. Scheer, A. (2012), S. 10-11.

8 Vgl. Lasi, H., et al. (2014), S. 241-242.

9 Vgl. Eichhorst, W., & Buhlmann, F. (2015), S. 1-2.

10 Vgl. Eichhorst, W., & Buhlmann, F. (2015), S. 5-8.

11 Vgl. Bresnahan, T. F. (1999), S. 390-395.

12 Vgl. Eichhorst, W., & Buhlmann, F. (2015), S. 5-8.

13 Vgl. David, H., & Dorn, D. (2013), S. 1291-1299.

14 Vgl. Goos, M., & Manning, A. (2007), S. 118-133.

15 Vgl. Brynjolfsson, E., & McAfee, A. (2012), S. 1-8.

16 Vgl. Frey, C. B., & Osborne, M. A. (2013), S. 1-5.

17 Vgl. Frey, C. B., & Osborne, M. A. (2013), S. 25.

18 Vgl. Eichhorst, W., & Buhlmann, F. (2015), S. 8-10.

19 Vgl. Frey, C. B., & Osborne, M. A. (2013), S. 39-45.

20 Vgl. Frey, C. B., & Osborne, M. A. (2013), S. 1-7.

21 Vgl. Kurz, H. D. (2010). S. 1183-1222.

22 Vgl. Provost, F., & Fawcett, T. (2013), S. 51-52.

23 Vgl. Baškarada, S., & Koronios, A. (2017), S. 65-70.

24 Vgl. Chen, C. P., & Zhang, C. Y. (2014), S. 314-347.

25 Vgl. Gibert, K., et al. (2018), S. 4-12.

26 Vgl. Gibert, K., et al. (2018), S. 4-6.

27 Gibert, K., et al. (2018), S. 5.

28 Vgl. Tukey, J. W. (1977), S. 5-22.

29 Vgl. Davenport, T. H., & Dyché, J. (2013), S. 1-30.

30 Vgl. Cleveland, W. S. (2001), S. 21-26.

31 Vgl. Power, D. J. (2016), S. 345-356.

32 Vgl. Gibert, K., et al. (2018), S. 5.

33 Vgl. Mattmann, C. A. (2013), S. 473-475.

34 Vgl. Agarwal, R., Dhar, V. (2014), S. 443-448.

35 Vgl. Lauro, N. C., et al. (2017), S. 10-15.

36 Vgl. Lauro, N. C., et al. (2017), S. 10-15.

37 Vgl. Davenport, T. H., & Harris, J. G. (2007), S. 175-185.

38 Vgl. Hitt, L. (2011), S. 2-3.

39 Vgl. Costa, C., & Santos, M. Y. (2017), S. 728-730.

40 Vgl. Kim, J. Y., & Lee, C. K. (2016), S. 161-162.

41 Schumann, C., et al. (2016), S. 454.

42 Vgl. Gudivada, V. N., et al. (2015), S. 20-23.

43 Vgl. Davenport, T. H., & Patil, D. J. (2012), S. 73.

44 Vgl. Manyika, J., et al. (2011), S. 2-3.

45 Vgl. Gibert, K., et al. (2018), S. 6.

46 Vgl. Harris, J. G., et al. (2014), It takes teams to solve the data scientist shortage.

47 Vgl. Markow, W., et al. (2017), S. 4-8.

48 Vgl. Costa, C., & Santos, M. Y. (2017), S. 726-734.

49 Vgl. Harris, H., et al. (2013), S. 9-11.

50 Harris, H., et al. (2013), S. 10.

51 Vgl. Harris, H., et al. (2013), S. 10.

52 Harris, H., et al. (2013), S. 13.

53 Vgl. Harris, H., et al. (2013), S. 10-15.

54 Harris, H., et al. (2013), S. 12.

55 Vgl. LaValle, S., et al. (2011), S. 21-31.

56 Vgl. Negash, S. (2004), S. 177-195.

57 Vgl. Provost, F., & Fawcett, T. (2013), S 51-59.

58 Vgl. Saunders, T. (2013), S. 1-3.

59 Vgl. Davenport, T. H., & Patil, D. J. (2012), S. 74-76.

60 Drucker, P. F. (1959), S. 117.

61 Despres, C., & Hiltrop, J. M. (1995), S. 12.

62 Kelley, R. E. (1990), S. 111.

63 Vgl. Erren, P. (2010), S. 25-30.

64 Vgl. Gehl, R. W. (2015), S. 413-428.

65 Vgl. Drucker, P. F. (1959), S. 113-125.

66 Vgl. Walsham G. (2005), S. 6-18.

67 Vgl. Ackoff, R. L. (1989), S. 3-9.

68 Erren, P. (2010), S. 25.

69 Vgl. Spender, J. C. (1996), S. 45-50.

70 Vgl. Holsapple, C. W., & Jones, K. (2004), S. 155-174.

71 Vgl. Maier, R., & Schmidt, A. (2007), S. 1-10.

72 Vgl. Kautz, K., & Mahnke, V. (2003), S. 75-88.

73 Vgl. Kunzmann, C., et al. (2009), S. 259-267.

74 Vgl. Andriessen, J. E. (2006), S. 4-6.

75 Vgl. Kelloway, E. K., & Barling, J. (2000), S. 287-304.

76 Vgl. Geisler, E. (2007), S. 84-96.

77 Vgl. Reinhardt, W., et al. (2011), S. 150-160.

78 Vgl. Snyder-Halpern, et al. (2001), S. 17-23.

79 Vgl. Beckstead, D., & Vinodrai, T. (2003), S. 1971-1996.

80 Vgl. Brown, L., et al. (2002), S. 1-19.

81 Vgl. Nonaka, L., et al. (1996), S. 833-845.

82 Vgl. Reinhardt, W., et al. (2011), S. 159-160.

83 Vgl. Erren, P. (2010), S. 25-30.

84 Vgl. Wiswede, G. (2015), S. 463.

85 Vgl. Katz, D., & Kahn, R. L. (1978), S. 528.

86 Vgl. Katz, D., & Kahn, R. L. (1978), S. 529-530.

87 Vgl. Merton, R. K. (1973), S. 317-333.

88 Vgl. Fuhse, J. A. (2012), S. 364-370.

89 Vgl. Fuhse, J. A. (2012), S. 375.

90 Vgl. Katz, D., & Kahn, R. L. (1978), S. 530.

91 Vgl. Byrne, S., & Pierce, B. (2007), S. 471.

92 Vgl. Rizzo, J. R., et al. (1970), S. 150-163.

93 Vgl. Gardiner, A., et al. (2018), S. 374-377.

94 Vgl. Todd, P. A., et al. (1995), S. 9-14.

95 Vgl. Hardin, A., et al. (2002), S. 2143-2150.

96 Vgl. Gardiner, A., et al. (2018), S. 374-377.

97 Vgl. Todd, P. A., et al. (1995), S. 9-14.

98 Vgl. Maier, J. L., et al. (2002), S. 44-49.

99 Vgl. Gallivan, M. J., et al. (2004), S. 65-69.

100 Vgl. Gallivan, M. J., et al. (2004), S. 64-87.

Details

Seiten
116
Jahr
2019
ISBN (eBook)
9783668916548
ISBN (Buch)
9783668916555
Sprache
Deutsch
Katalognummer
v461487
Institution / Hochschule
Leopold-Franzens-Universität Innsbruck – Institution für Organisation und Lernen - Bereich Controlling
Note
2,0
Schlagworte
Data Scientist

Autor

Teilen

Zurück

Titel: Die Rolle des Data Scientists in Unternehmen. Eine Analyse von Stellenanzeigen