Rezension „Datenkompetenz. Daten erfolgreich nutzen.“

Datenkompetenz – Grundlagen (Kapitel 1, Robert Butscher): Dieses Kapitel legt das Fundament für das Verständnis von Datenkompetenz. Butscher betont, dass Datenkompetenz weit über das bloße Verstehen und Analysieren von Daten hinausgeht. Er argumentiert, dass ein effektiver Umgang mit Daten auch ein Verständnis für die sozialen, ethischen und geschäftlichen Implikationen beinhaltet. Die vorgestellten Definitionen zeigen die Vielfalt und Komplexität des Feldes. Verschiedene Vorgehensmodelle werden diskutiert, um dem Leser einen praxisnahen Leitfaden an die Hand zu geben. Butscher stellt außerdem Berufsfelder vor, in denen Datenkompetenz eine Schlüsselrolle spielt, und unterstreicht die interdisziplinäre Natur der Datenkompetenz. Die Zusammenfassung am Ende des Kapitels bietet eine nützliche Wiederholung der Kernpunkte.

Datenmodellierung (Kapitel 2, Andreas Gadatsch und Benedikt Haag): Gadatsch und Haag führen in die Grundlagen der Datenmodellierung ein, ein entscheidendes Element der Datenkompetenz. Sie erklären, wie Modelle und Datenmodelle strukturiert und effektiv eingesetzt werden können. Der Abschnitt über die Wissenspyramide verdeutlicht den Zusammenhang zwischen Daten, Informationen und Wissen. Ein Fokus liegt auf den häufigen Fehlern in Daten und deren Auswirkungen. Die Autoren stellen den Zweck und Nutzen von Datenmodellen dar und betonen deren Bedeutung für die Geschäftspraxis. Das Kapitel gibt Einblicke in den Entwurf von Datenbanken und führt in das Entity-Relationship-Modell ein. Die Erweiterungen des Entity-Relationship-Modells sowie Alternativen zur Chen-Notation werden ebenfalls behandelt.

Daten sammeln, aufbereiten und speichern (Kapitel 3, Beate Navarro Bullock): In diesem Kapitel beschreibt Bullock den gesamten Prozess von der Datensammlung bis zur Speicherung. Sie erklärt die Bedeutung der sorgfältigen Auswahl von Datenquellen und Methoden für das Sammeln von Daten. Die Aufbereitung der Daten, einschließlich der Bereinigung und Organisation, wird als kritischer Schritt hervorgehoben. Bullock diskutiert verschiedene Ansätze zur Datenspeicherung und deren Auswirkungen auf die Datenzugänglichkeit und -sicherheit. Sie betont die Notwendigkeit, Datensammlung und -aufbereitung an den spezifischen Anforderungen des Projekts auszurichten. Das Kapitel bietet praktische Tipps für die effiziente Handhabung großer Datensätze. Abschließend fasst Bullock die Schlüsselpunkte zusammen, um dem Leser eine klare Orientierung zu geben.

Datenanalyse – Einführung deskriptive und diagnostische Analyse (Kapitel 4, Oliver Schwarz): Schwarz bietet eine strukturierte Einführung in die Datenanalyse. Er beginnt mit einer Übersicht über die verschiedenen Analyseformen und deren Methoden. Im Fokus stehen die deskriptive Analyse, die sich mit der Beschreibung von Datensätzen befasst, und die diagnostische Analyse, die nach Ursachen und Zusammenhängen sucht. Er verdeutlicht die Bedeutung dieser Analyseformen für das Verständnis und die Interpretation von Daten. Der Autor stellt verschiedene Methoden und Werkzeuge vor, die in der Praxis angewendet werden können. Er betont die Notwendigkeit, die richtige Analysemethode basierend auf der Art der Daten und der Fragestellung zu wählen. Das Kapitel endet mit einer Zusammenfassung der wichtigsten Punkte, um das Gelernte zu festigen.

Datenanalyse – prädiktive und präskriptive Analyse (Kapitel 5, Oliver Schwarz): In der Fortführung des vorherigen Kapitels konzentriert sich Schwarz auf prädiktive und präskriptive Analysemethoden. Er führt in die Welt des maschinellen Lernens ein und erläutert dessen Bedeutung für die prädiktive Analyse. Unterschiedliche Ansätze wie Klassifikation und Regression werden vorgestellt. Der Autor erklärt die Rolle von Trainings- und Testdaten beim maschinellen Lernen. Die lineare Regressionsanalyse und logistische Regression als spezifische Methoden werden detailliert behandelt. Schwarz stellt auch Klassifikationsbäume vor, eine wichtige Methode im maschinellen Lernen. Abschließend wird ein Beispiel für präskriptive Analyse gegeben, um die praktische Anwendung zu illustrieren.

Datenvisualisierung (Kapitel 6, Roland Zimmermann): Zimmermann betont die Wichtigkeit der Datenvisualisierung für das Verständnis und die Kommunikation von Daten. Er hinterfragt kritisch, inwieweit wir unseren visuellen Wahrnehmungen trauen können. Der Autor übersetzt analytische Aufgaben in visuelle Abfragen und präsentiert ein Drei-Stufen-Modell für effiziente visuelle Suchprozesse. Er bietet praktische Anleitungen, wie man die Wahrnehmung durch gezielte Planung antizipieren kann. Zimmermanns Vorgehensmodell zur Datenvisualisierung bietet eine strukturierte Methode, um Daten effektiv zu präsentieren. Der Autor diskutiert verschiedene Gestaltungsoptionen und deren Einfluss auf die Mustererkennung. Das Kapitel schließt mit einer Zusammenfassung der Schlüsselpunkte.

Data Governance (Kapitel 7, Kristin Weber und Christiana Klingenberg): Weber und Klingenberg führen in das Konzept der Data Governance ein und bieten praktische Empfehlungen für deren Umsetzung. Sie stellen ein qualitätsorientiertes Data Governance Framework vor, das strategische, organisatorische und informationstechnologische Aspekte umfasst. Die Bedeutung der Datenqualität wird durchgehend betont. Die Autorinnen behandeln die Herausforderungen auf der strategischen und organisatorischen Ebene und zeigen auf, wie Data Governance in Informationssysteme integriert werden kann. Die Diskussion umfasst praktische Beispiele und Fallstudien, die die Relevanz der Data Governance in verschiedenen Unternehmenskontexten verdeutlichen. Das Kapitel hebt hervor, wie eine effektive Data Governance die Datenqualität, Compliance und den Wert der Daten für das Unternehmen steigern kann. Weber und Klingenberg zeigen auf, wie eine gute Data Governance Risiken minimiert und gleichzeitig Innovationen fördert. Abschließend wird ein umfassender Überblick über die wichtigsten Aspekte der Data Governance geboten, was das Kapitel zu einer wertvollen Ressource für Fachleute in diesem Bereich macht.

Datenqualität (Kapitel 8, Christiana Klingenberg und Kristin Weber): Klingenberg und Weber adressieren die kritische Bedeutung von Datenqualität in Unternehmen. Sie diskutieren die verschiedenen Probleme, die mit schlechter Datenqualität einhergehen können. Der Begriff „Datenqualität“ wird eingehend erläutert und in den Kontext von „fit for use“ gestellt. Die Autorinnen erforschen verschiedene Dimensionen der Datenqualität und geben Hinweise zur Entwicklung effektiver Datenqualitätsregeln. Sie präsentieren Methoden zur Messung und Bewertung der Datenqualität. Die Herausforderungen der Datenqualität bei der Auswertung von Daten und in überbetrieblichen Prozessen werden beleuchtet. Der Abschnitt über die Kosten schlechter Datenqualität unterstreicht die wirtschaftliche Bedeutung des Themas.

Datenschutz und Datensicherheit (Kapitel 9, Stefan Karg): Karg widmet sich den essenziellen Themen Datenschutz und Datensicherheit. Er erörtert Grundlagen und Begriffe, die für ein fundiertes Verständnis dieser Bereiche erforderlich sind. Der Autor stellt die Prinzipien der Informationssicherheit vor und untersucht die Verbindung zwischen Datenschutz und Datensicherheit. Er beschreibt verschiedene Methoden zur Gewährleistung von Datenschutz und Sicherheit in Organisationen. Der Bereich „Technisch-organisatorische Maßnahmen“ (TOM) wird als Konvergenzbereich zwischen Datenschutz und Datensicherheit hervorgehoben. Karg diskutiert außerdem Herausforderungen in der Praxis und liefert damit wertvolle Einblicke für Unternehmen, die sich mit diesen Themen auseinandersetzen müssen.

Big Data und Big Data Analytics (Kapitel 10, Oliver Hummel): Hummel behandelt die umfassenden Themen Big Data und Big Data Analytics. Er beginnt mit einer grundlegenden Einführung in Big Data, um das Konzept und seine Bedeutung zu klären. Der Abschnitt über Big Data Analytics bietet Einblicke in die Verarbeitung und Analyse großer Datenmengen. Die Speicherung und Verarbeitung großer Datenmengen werden ausführlich diskutiert. Der Autor stellt verschiedene Big-Data-Referenzarchitekturen vor. Er geht auf die Bedeutung von Resilienz in Big-Data-Systemen ein und beschreibt den Einsatz probabilistischer Datenstrukturen in diesen Systemen. Abschließend fasst Hummel die wichtigsten Punkte zusammen, um ein tiefgreifendes Verständnis der Komplexität und des Potenzials von Big Data zu vermitteln.

Datenkompetenz: Warum es ohne Soft Skills nicht geht (Kapitel 11, Benedikt Haag und Andreas Gadatsch): In diesem abschließenden Kapitel beleuchten Haag und Gadatsch die Bedeutung von Soft Skills im Kontext der Datenkompetenz. Sie unterscheiden zwischen Soft und Hard Skills und betonen, wie beide für den Erfolg in der datengetriebenen Arbeitswelt unerlässlich sind. Verschiedene Kategorien von Soft Skills werden vorgestellt und deren Relevanz für die Datenkompetenz erörtert. Die Autoren unterstreichen, wie wichtig Soft Skills für die effektive Kommunikation und Zusammenarbeit in datenbezogenen Projekten sind. Sie diskutieren Ansätze zur Messung und Entwicklung dieser Kompetenzen. Das Kapitel bietet praktische Ratschläge, wie Soft Skills erworben und verbessert werden können, um in einer zunehmend datenorientierten Welt erfolgreich zu sein.