Data Science Foliensatz 1

• Prof. Dr. Marius Wehner von der Heinrich-Heine-Universität Düsseldorf präsentiert Data Science.

Lernziele

• Die Relevanz von Data Science in verschiedenen Bereichen kann erklärt werden.
• Mögliche Anwendungsgebiete von Data Science lassen sich beschreiben.
• Der Zusammenhang von Data Science zu anderen Disziplinen kann beschrieben und erläutert werden.

Digitalisierung

• Digitalisierung bedeutet die Verwendung von Daten und algorithmischen Systemen für neue oder verbesserte Prozesse, Produkte und Geschäftsmodelle (Bundesministerium für Wirtschaft und Klimaschutz, 2023).
• Betrifft alle Bereiche des Lebens und der Wirtschaft.
• Basiert auf der Verwendung von Daten und Analysen.
• Kann neue Geschäftsmodelle entstehen lassen oder bestehende verbessern.
• Erfordert eine Anpassung von Unternehmen und Gesellschaft.

Relevanz von Data Science

• Artikel in Harvard Business Review, LinkedIn und Forbes betonen die Bedeutung von Data Science.

Data Science

• Data Science ist eine Disziplin, die die Erfassung, Gewinnung, Nutzung, Zusammenfügung, Verarbeitung, Untersuchung und Auswertung von Daten durch computerbasierte Systeme unterstützt (Gabler Wirtschaftslexikon, 2023).
• Es entstehen Informationen und Wissen über gegenwärtige und künftige Strukturen und Prozesse.
• Umfasst sieben Teilbereiche: Datenbeschaffung, Datenvorbereitung, Datenaufbereitung, Datenmodellierung, Datenanalyse, Dateninterpretation und die Kommunikation von Ergebnissen.

Datenmengen: Überblick

• Bit: 1 Bit
• Byte: 8 Bits
• Kilobyte: 1.024 Bytes
• Megabyte: 1.024 Kilobytes
• Gigabyte: 1.024 Megabytes
• Terabyte: 1.024 Gigabytes
• Petabyte: 1.024 Terabytes
• Exabyte: 1.024 Petabytes
• Zettabyte: 1.024 Exabytes

Relevanz von Data Science

• Die Größe der globalen Datensphäre wird bis 2025 auf 175 ZB geschätzt.
• 175 ZB entsprechen 175 Billionen handelsüblichen 1TB Computerfestplatten.
• Big Data steht bei sechs von zehn Unternehmen an erster Stelle.

Big Data

• Big Data umfasst Daten, die in großer Menge, Vielfalt und mit hoher Geschwindigkeit anfallen.
• Die Charakterisierung erfolgt durch die 3 V's: Volume (Größe und Umfang), Variety (strukturierten und unstrukturierten Daten und Datentypen) und Velocity (Geschwindigkeit der Datenakkumulation).
• 90% der existierenden Daten wurden in den letzten zwei Jahren generiert.

Fähigkeiten von Data Scientists

• Fundierte Kenntnisse in Statistik und maschinellem Lernen
• Datenkompetenz
• Analyse und Visualisierung von Daten
• Kommunikationsfähigkeit zur Interaktion mit Stakeholdern

Rollen von Data Scientists

• Datenanalytik: Datensammlung, Datenanalyse und -interpretation, sowie Aufbereitung der Daten in geeigneter Form.
• Modellentwicklung: Entwicklung von Modellen zur Vorhersage und Empfehlung.
• Kommunikation der Daten: Präsentation der Ergebnisse in visueller und vereinfachter Form.
• Beratung: Beratung von Führungskräften bezüglich der Auswirkungen von Daten und Informationen, Unterstützung der Entscheidungsfindung.

Anwendungsgebiete von Data Science

Finanzbranche

• Menge an Finanzdaten steigt exponentiell an.
• Data Science hilft, diese Daten zu erschließen und Prognosemodelle zu erstellen.
• Data Scientists können Betrug aufdecken und Risiken minimieren.
• Banken nutzen Machine Learning zur Bestimmung der Kreditwürdigkeit.
• Lifetime Value Prediction: Banken schätzen den Wert von Kunden anhand persönlicher Daten.
• Risikomodellierung: Banken nutzen Finanzdaten für algorithmische Investmententscheidungen.

Öffentlicher Sektor

• Data Science hilft, Einblicke in das Verhalten der Bürger zu gewinnen.
• Daten werden zur Entwicklung und Verbesserung von Bereichen wie Verkehr und sozialem Wohlergehen verwendet.
• Prädiktion von Wohnungseinbruchdiebstahl und Einsatzplanung (Kriminalprävention)

Politik

• Schwerpunkt liegt auf der Erstellung genauerer Modelle zur Wähleransprache und Erhöhung der Wahlbeteiligung
• Twitter war in den 2010er-Jahren wichtiges PR-Instrument. Data Scientists analysierten Tweets für Stärken- und Schwächenanalyse der Wahlkandidaten.
• Unterschiede von Parteien und/oder Kandidat:innen sichtbar gemacht

Wahlkampf 2016

• Die Kampagne von Donald Trump im Jahr 2016 nutzte Data Science in sozialen Medien zur Individualisierung von Botschaften.
• Studien haben Unterschiede zwischen dem Twitterverhalten gefunden
• Extraktion von Merkmalen aus Daten, die im Zusammenhang mit öffentlichen Werten stehen, fällt in den Bereich Data Science

Cambridge Analytica

• Britisches Datenanalyse-Unternehmen, spezialisiert auf politische Beratung
• Sammeln von Millionen Facebook-Daten ohne Einwilligung
• Daten wurden durch Quiz-App auf Facebook gesammelt
• App sammelte auch Daten von Facebook-Freunden, ohne deren Zustimmung
• Datenschutzverletzungen
• Cambridge Analytica führten zu einer Debatte

Gesundheitssektor

• Der (US-)Gesundheitssektor sammelt schon lange Daten in klinischen Studien, Versicherungsdaten und Krankenhausakten.
• Dank neuer Technologien/Methoden gibt es Zugang zu umfassenden Daten.
• Gesundheitsfragen datenbasiert beantworten
• Gesundheitsfragen datenbasiert beantworten

Zusammenhang von Data Science mit anderen Disziplinen

• Mathematik/Statistik: Modelle, Lineare Algebra, Optimierung, Wahrscheinlichkeit
• BWL: Betriebswirtschaftliche Problemstellungen und kontextuelles Wissen
• Computer Science / Engineering: Infrastruktur für Data Science
• Data Science ist ein relativ neuer Begriff.
  • Entstanden für leichteren Zugriff auf Daten aus großen Datenbanken und Datenvisualisierung.
  • Administrative Aspekte wie Datensammlung sind zentral.
  • Die Statistik aber hilft bei der Bewältigung von "Datenproblemen" aus der Zeit vor der Computerisierung
• Computer Science befasst sich primär mit Entwicklung von Programmiersprachen, Datenstrukturen, Algorithmen,
• Computer Science schafft daher die Grundlagen für Data Science
• Data Science dagegen eher mit der Analyse Daten.
• Machine Learning sind inzwischen unerlässlich. „Data Engineers“ konzentrieren sich auf Entwicklung von Dateninfrastrukturen.
• Business Analytics (BA) ist praktisch Data Science im Unternehmenskontext
• BA entwickelt neue Perspektiven und setzt die datengestützten Erkenntnisse mit Erfolg in den Unternehmenskontext um
• BA und Datenanalyse essentiell für objektive Geschäftsentscheidungen
• Entscheidungsanalysen: Entscheidungsunterstützung durch Visualisierungen
• Deskriptive Analysen: Erkenntnisse durch historische Daten
• Prädiktive Analysen: Analysen zur Prädiktion von künftigen Ereignissen
• Präskriptive Analysen: Empfehlungen aufgrund von Simulationen/Optimierungen