Data Scientist - The Sexiest Job of the 21st Century?

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?

Data Scientist - The Sexiest Job of the 21st Century?

IoT User Group Hamburg

Data Scientist - The Sexiest Job of the 21st Century?