Der globale Kompetenz- und Kompetenzrahmen für eine digitale Welt

Datenwissenschaft DATS Beta

(unchanged)

Das Anwenden von Techniken aus Mathematik, Statistik, Data-Mining und Vorhersagemodellen, um Einblicke zu gewinnen, Verhaltensweisen vorherzusagen und einen Wert aus Daten zu generieren.

Deutsche Übersetzung von SFIA 9: Beta-Version

SFIA 9 ist auf Englisch bereits verfügbar.

  • Dies ist eine Beta-Version von SFIA 9 auf Deutsch.
  • Wir haben sie mit hilfe der Phrase Localization Platform erstellt, indem wir Folgendes kombinierten:
    • Übersetzten Inhalt aus SFIA 8
    • Beiträge von 7 führenden maschinellen Übersetzungsanbietern
  • Wir werden diese Übersetzung nach Überprüfung und Qualitätskontrollen aktualisieren.
  • Bitte kontaktieren Sie uns, wenn Sie Fehler bemerken oder Fragen haben.

Hinweis: Während maschinelle Übersetzung bei der Erstellung erster Versionen hilft, gewährleistet die professionelle Überprüfung Genauigkeit und kontextgerechte Sprache.

Leitfaden

(unchanged)

Die Datenwissenschaft wird in der Regel zur Analyse von umfangreichen Daten mit hoher Geschwindigkeit und Vielfalt (Zahlen, Symbole, Text, Ton und Bild) verwendet.

Zu den Aktivitäten gehören unter anderem:

  • Das Integrieren von Methoden aus Mathematik, Statistik und Wahrscheinlichkeitsmodellen anhand von speziellen Programmiersprachen, Tools und Techniken
  • Die Beschaffung und Vorbereitung von Daten für die Analyse
  • Das Identifizieren, Validieren und Nutzen interner und externer Datenbestände, die in unterschiedlichen Prozessen generiert wurden
  • Das Entwickeln von zukunftsorientierten, vorhersagbaren, modellbasierten Einblicken in Echtzeit zur Wertbeschaffung und als Erleichterung einer effektiven Entscheidungsfindung
  • Das Finden, Auswählen, Erfassen und Aufnehmen von Datenquellen
  • Das Integrieren und Bereinigen von Daten, um sie zweckdienlich zu machen
  • Das Entwickeln von Hypothesen und das Erforschen von Daten anhand von Modellen und analytischen Sandboxes
  • Das Verfeinern von Anforderungen sowie das Validieren, Trainieren und Weiterentwickeln von Modellen im Lauf der Zeit, um tiefere Einblicke zu erlangen, Vorhersagen zu treffen oder Empfehlungen zu generieren
  • Das Nutzen fortschrittlicher analytischer Techniken wie unter anderem Data-/Text-Mining, maschinelles Lernen, Musterabgleich, Prognosen, Visualisierung, semantische Analyse, Sentimentanalyse, Netzwerk- und Clusteranalyse, multivariate Statistik, Graphenanalyse, Simulation, komplexe Ereignisverarbeitung und neuronale Netze

Verständnis der Verantwortungsebenen dieser Fähigkeit

Wo niedrigere Ebenen nicht definiert sind...
  • Spezifische Aufgaben und Verantwortlichkeiten sind nicht definiert, da die Fähigkeit ein höheres Maß an Autonomie, Einfluss und Komplexität bei der Entscheidungsfindung erfordert, als auf diesen Ebenen typischerweise erwartet wird. Sie können die Essenzaussagen verwenden, um die generischen Verantwortlichkeiten zu verstehen, die mit diesen Ebenen verbunden sind.
Wo höhere Ebenen nicht definiert sind...
  • Verantwortlichkeiten und Verantwortlichkeiten sind nicht definiert, da diese höheren Ebenen strategische Führung und einen breiteren organisatorischen Einfluss beinhalten, der über den Rahmen dieser spezifischen Fähigkeit hinausgeht. Siehe die Essenzaussagen.

Entwicklung von Fähigkeiten und Nachweis von Verantwortlichkeiten im Zusammenhang mit dieser Fähigkeit

Die definierten Stufen zeigen die schrittweise Entwicklung von Fähigkeiten und Verantwortung.

Wo niedrigere Ebenen nicht definiert sind...

Sie können Ihr Wissen erweitern und andere unterstützen, die in diesem Bereich Verantwortung tragen, indem Sie:

  • Erlernen der wichtigsten Konzepte und Prinzipien im Zusammenhang mit dieser Fähigkeit und ihren Auswirkungen auf Ihre Rolle
  • Ausführen verwandter Fähigkeiten (siehe verwandte SFIA-Fähigkeiten)
  • Unterstützung anderer, die Aufgaben und Aktivitäten auf höherer Ebene ausführen
Wo höhere Ebenen nicht definiert sind...
  • Sie können Fortschritte machen, indem Sie verwandte Fähigkeiten entwickeln, die besser für höhere Ebenen der Unternehmensführung geeignet sind.

Ein-/Ausblenden zusätzlicher Beschreibungen und Levels.

Ebenen der Verantwortung für diese Fähigkeit

2 3 4 5 6

Datenwissenschaft: Ebene 2

Ebene 2 – Mitwirken: Wesentliche Merkmale dieser Ebene: Bietet anderen Hilfe, arbeitet unter regelmäßiger Aufsicht und nutzt sein Ermessen zur Lösung routinemäßiger Probleme. Lernt aktiv durch Schulungen und praktische Erfahrungen.

(modified)

Unter routinemäßiger Aufsicht wendet er bestimmte Data Science-Techniken auf Daten an, analysiert und berichtet Erkenntnisse und behebt einfache Probleme mithilfe von Algorithmen, die in Standard-Softwarerahmen und -Tools enthalten sind.

Datenwissenschaft: Ebene 3

Ebene 3 – Anwenden: Wesentliche Merkmale der Ebene: Führt abwechslungsreiche Aufgaben aus, die manchmal komplex und nicht routinemäßig sind, und verwendet dabei standardmäßige Methoden und Verfahren. Arbeitet unter allgemeiner Anleitung, übt Diskretion aus und erledigt seine eigene Arbeit innerhalb von Fristen. Verbessert proaktiv Fähigkeiten und Wirkung am Arbeitsplatz.

(unchanged)

Wendet bestehende Techniken für die Datenwissenschaft anhand von speziellen Programmiertechniken auf neue Probleme und Datenbestände an. Wählt aus bestehenden Datenquellen aus und bereitet Daten zur Verwendung durch Modelle für die Datenwissenschaft vor. Beurteilt die Ergebnisse und die Leistung von Modellen für die Datenwissenschaft. Identifiziert und implementiert Möglichkeiten zum Trainieren und Verbessern von Modellen und den von ihnen verwendeten Daten. Veröffentlicht und erstellt Berichte über Modellausgaben für das Erfüllen der Kundenbedürfnisse und das Einhalten vereinbarter Standards.

Datenwissenschaft: Ebene 4

Ebene 4 – Möglich machen: Wesentliche Merkmale der Ebene: Führt verschiedene komplexe Tätigkeiten aus, unterstützt und leitet andere an, delegiert Aufgaben bei Bedarf, arbeitet selbstständig unter allgemeiner Anleitung und trägt mit seinem Fachwissen zum Erreichen der Teamziele bei.

(modified)

Untersucht die beschriebenen Probleme und Datenbestände zur Bewertung der Eignung von Lösungen zu Datenwissenschaft und Analytik. Wendet eine Reihe von Techniken für die Datenwissenschaft an und verwendet spezielle Programmiersprachen. Versteht branchenspezifische Regeln und Richtlinien, wendet sie an und antizipiert Risiken und andere Auswirkungen der Modellerstellung. Wählt Daten für die Analyse aus, erfasst und integriert sie. Entwickelt Datenhypothesen und ‐methoden und beurteilt Analysemodelle. Berät über die Effektivität bestimmter Techniken basierend auf Projekterkenntnissen und umfassender Recherche. Trägt zur Entwicklung, Beurteilung, Überwachung und Bereitstellung von Lösungen für die Datenwissenschaft bei.

Datenwissenschaft: Ebene 5

Ebene 5 – Sicherstellen, beraten: Wesentliche Merkmale der Ebene: Bietet kompetente Anleitung in seinem Bereich und arbeitet unter umfassender Anleitung. Verantwortlich für die Erzielung bedeutender Arbeitsergebnisse, von der Analyse über die Ausführung bis hin zur Auswertung.

(unchanged)

Plant und fördert alle Phasen der Entwicklung von Lösungen zu Datenwissenschaft und Analytik. Erteilt fachmännische Ratschläge zur Beurteilung der zu lösenden Probleme und des Bedarfs an Lösungen für die Datenwissenschaft. Identifiziert, welche Datenquellen verwendet oder erworben werden müssen. Bestimmt geeignete Techniken und spezielle Programmiersprachen für die Datenwissenschaft und wendet diese an. Überprüft die Vorteile und den Wert von Techniken und Tools für die Datenwissenschaft und empfiehlt Verbesserungen. Trägt zur Entwicklung von Richtlinien, Standards und Leitlinien des Unternehmens für die Entwicklung, Beurteilung, Überwachung und Bereitstellung von Lösungen für die Datenwissenschaft bei.

Datenwissenschaft: Ebene 6

Ebene 6 – Anregungen geben, Einfluss nehmen: Wesentliche Merkmale der Ebene: Verfügt über erheblichen Einfluss auf die Organisation, trifft Entscheidungen auf hoher Ebene, gestaltet Richtlinien, zeigt Führungsqualitäten, fördert die Zusammenarbeit in der Organisation und übernimmt in Schlüsselbereichen Verantwortung.

(modified)

Leitet die Einführung und Nutzung der Datenwissenschaft und Analytik, um die Innovation und den Geschäftswert zu fördern. Entwickelt Richtlinien, Standards und Leitlinien des Unternehmens für Datenwissenschaft und Analytik. Legt die Richtung fest und leitet die Einführung und Nutzung von Techniken, Methoden und Tools für Datenwissenschaft und Analytik. Leitet die Entwicklung der Fähigkeiten des Unternehmens für Datenwissenschaft. Plant und leitet strategische, große und komplexe Initiativen zur Datenwissenschaft, um Einblicke zu erstellen, Werte zu schaffen und die Entscheidungsfindung zu fördern.