Anforderungen an Data Literacy und Data Science
This is a modal window.
Das Video konnte nicht geladen werden, da entweder ein Server- oder Netzwerkfehler auftrat oder das Format nicht unterstützt wird.
Formale Metadaten
| Titel |
| |
| Serientitel | ||
| Anzahl der Teile | 15 | |
| Autor | ||
| Mitwirkende | ||
| Lizenz | CC-Namensnennung 4.0 International: Sie dürfen das Werk bzw. den Inhalt zu jedem legalen Zweck nutzen, verändern und in unveränderter oder veränderter Form vervielfältigen, verbreiten und öffentlich zugänglich machen, sofern Sie den Namen des Autors/Rechteinhabers in der von ihm festgelegten Weise nennen. | |
| Identifikatoren | 10.5446/63946 (DOI) | |
| Herausgeber | ||
| Erscheinungsjahr | ||
| Sprache | ||
| Produzent |
Inhaltliche Metadaten
| Fachgebiet | ||
| Genre | ||
| Abstract |
| |
| Schlagwörter |
00:00
Vorlesung/KonferenzBesprechung/InterviewComputeranimation
Transkript: Deutsch(automatisch erzeugt)
00:00
Hallo und herzlich willkommen bei Data RWTH. In dieser Lerneinheit werfen wir einen Blick auf die Anforderungen im Beruf, sowohl für Data Literacy als auch für Data Science. Wenn Sie dieses Video und die dazugehörigen Übungen bearbeitet haben, dann sind Sie in
00:23
der Lage, anhand von Beispielen zu begründen, warum Data Literacy für den Beruf so wichtig ist. Und außerdem können Sie Data Literacy und Data Science voneinander abgrenzen. Die Bedeutung von Daten hat spätestens mit der Digitalisierung extrem zugenommen. Und das
00:40
kann man an verschiedenen Beispielen beobachten. Der Blick in die Vergangenheit, der zeigt auch, schon früher haben Vordenkerinnen und Vordenker erkannt, dass Daten eine immer größere Rolle in unserer Gesellschaft spielen werden und dass wir die Menschen darauf vorbereiten müssen. Der Science-Fiction-Autor H. G. Wells mahnte schon 1903 an, wenn wir mündige Bürger und
01:03
Bürgerinnen in einer modernen technologischen Gesellschaft möchten, dann müssen wir ihnen drei Dinge beibringen. Lesen, schreiben und statistisches Denken. Heute, mehr als 100 Jahre später, hat sich dieser Bedarf nur noch weiter verstärkt. In unserer digitalisierten
01:20
und datafizierten Gesellschaft muss jede und jeder mit Daten umgehen können. Data Literacy ist daher eine Schlüsselkompetenz des 21. Jahrhunderts, die in der modernen Gesellschaft und Arbeitswelt unerlässlich sein wird. Die Realität sieht aber häufig noch ganz anders aus und das zeigt unter anderem eine Studie, die die Unternehmensberatung Accenture zusammen mit dem Telekommunikationsunternehmen
01:44
Q-Link durchgeführt hat. Die beiden befragten 9.000 Beschäftigte in neun verschiedenen Ländern, darunter die USA, auch Deutschland, Indien und Australien. Obwohl viele der Angestellten angaben, dass sie Daten für eine wichtige Entscheidungsgrundlage halten, nutzten sie
02:00
sie häufig nicht so konsequent. 74 Prozent der befragten Angestellten berichten sich beim Arbeiten mit Daten überfordert und unwohl zu fühlen und bei vielen führte das regelmäßig dazu, dass sie solche Aufgaben aufschieben und auf andere Art lösen, die mit Daten zu tun haben. Nur 37 Prozent der Angestellten schenkten ihren datenbasierten Entscheidungen mehr Vertrauen
02:21
als solche Entscheidungen, die ohne Datenbasis getroffen wurden. Und etwa die Hälfte gibt an, sich regelmäßig auf ihr Bauchgefühl zu verlassen. Diese Hürden haben für alle Beteiligten Nachteile. Unternehmen können ihr Potenzial nicht ausschöpfen und die Angestellten werden durch die wachsenden Anforderungen zunehmend belastet. Wenn wir darüber sprechen,
02:40
wie Menschen für eine von Daten durchdrungende Welt qualifiziert werden sollen, dann müssen wir dabei zwei Zielsetzungen unterscheiden. Data literacy und data science. Data literacy kennen wir bereits. Für nahezu alle Menschen ist es sinnvoll, ein Mindestmaß an Datenkompetenz zu besitzen, da uns Daten einfach in allen Lebens- und Berufsbereichen vermehrt begegnen.
03:04
Zusätzlich dazu brauchen wir hochqualifizierte Spezialistinnen und Spezialisten. Das sind die data scientists. Die Deutsche Gesellschaft für Informatik definiert deshalb data science wie folgt. Data science ist ein interdisziplinäres Wissenschaftsfeld, welches durch die Anwendung
03:22
wissenschaftlich fundierter Methoden, Prozesse, Algorithmen und Systeme die Extraktion von Erkenntnissen, Mustern und Schlüssen ermöglicht. Und das sowohl aus strukturierten als auch aus unstrukturierten Daten. Während es sich bei der data literacy, also um eine übergreifende
03:40
Schlüsselkompetenz handelt, ist data science ein eigenes Wissenschafts- und Berufsfeld. Bei data literacy sprechen wir von grundlegenden datenbezogenen Kenntnissen und Fertigkeiten und einer Bereitschaft zum verantwortungsvollen Umgang mit Daten. Für die data science braucht es darüber hinaus fortgeschrittene, spezialisierte Fach- und Methodenkompetenzen aus Bereichen wie
04:05
Statistik, Stochastik und den Informationswissenschaften. Während data literacy in der Regel durch integrierte oder begleitende Angebote in Schule, Hochschule oder Beruf erworben wird, haben data scientists in der Regel eine umfangreichere akademische Ausbildung genossen. Das kann durch
04:26
einschlägige technisch-mathematische Studiengänge wie Mathematik oder Informatik passiert sein oder auch durch spezielle data science Studiengänge, die es auch an der RWTH gibt. Eine weitere Variante ist, dass jemand einen völlig anderen fachlichen Hintergrund hat, zum Beispiel Wirtschaftswissenschaften
04:43
oder Medizin und diese fachliche Ausbildung dann zusätzlich um spezialisierte data science Kompetenzen erweitert. In der Praxis lässt sich die Grenze also nicht immer so ganz klar ziehen, aber es ist wichtig zu verstehen, dass es nicht mit data science gleichzusetzen ist, wenn wir über
05:01
data literacy reden. Wir können also festhalten, data literacy ist eine unverzichtbare Schlüsselkompetenz für die datafizierte Gesellschaft und daher eine wertvolle Qualifikation für den Arbeitsmarkt. Davon abzugrenzen ist die data science ein spezialisiertes Wissens- und Berufsfeld für
05:21
fortgeschritte Datenanwendungen.
Empfehlungen
Serie mit 8 Medien