Jede digitale Aktion – egal, ob Texteingabe, Wischen, Anmeldung, Kauf oder Suche – generiert Daten. Und diese Daten sind wertvoll für Unternehmen, die ihre Käufer und ihr Geschäft besser verstehen wollen. Doch diese Daten häufen sich schnell an, und ehe man sich versieht, sitzen Unternehmen auf Daten von mehreren Terabyte, die sie nicht vollständig nutzen können. Sie wissen, dass die Daten Antworten auf Fragen zu Kundenverhalten, Produktleistung, Risiko, Wachstumschancen und betrieblicher Effizienz enthalten, doch ohne das richtige Fachwissen sind all diese Daten nutzlos.
Um sie in aussagekräftige Einblicke zu verwandeln, braucht es Experten, die mehr als nur Abfragen ausführen oder Berichte erstellen können. Sie müssen genau wissen, wie sie die richtigen Fragen stellen, Ideen testen und Modelle entwickeln können, die aufzeigen, was die Daten eigentlich bedeuten. Datenwissenschaftler erfüllen diese Anforderungen und verfügen über die analytischen Fähigkeiten und den geschäftlichen Kontext, die erforderlich sind, um komplexe Daten in strategische Einblicke zu verwandeln.
Im Folgenden finden Sie einige der Kernaufgaben, die Datenwissenschaftler bei ihrer täglichen Arbeit übernehmen:
- Daten sammeln und bereinigen
Datenwissenschaftler müssen Informationen aus verschiedenen Quellen sammeln und integrieren und sicherstellen, dass sie präzise, konsistent und nutzbar sind. Hierzu müssen sie oft unvollständige, unstrukturierte oder inkonsistente Daten korrigieren und Vorverarbeitungsschritte ergreifen, um Fehler zu beseitigen und sicherzustellen, dass die Formatierung über alle Datensätze hinweg standardisiert ist. - Daten analysieren
Datenwissenschaftler untersuchen Datensätze, um Trends, Ausreißer und Muster zu identifizieren. Häufig beinhaltet das die explorative Datenanalyse (EDA), statistische Tests sowie Datenbereinigungen, um Informationen für eine detailliertere Bewertung vorzubereiten. - Algorithmen erstellen
Diese Experten entwerfen und implementieren Algorithmen, um Daten effizient zu verarbeiten und relevante Informationen zu extrahieren. Diese Algorithmen können je nach Komplexität des Problems unterschiedlich ausfallen: von grundlegenden Klassifizierungsregeln bis hin zu fortschrittlicheren ML-Modellen (Maschinelles Lernen). - Vorhersagemodelle entwickeln
Mithilfe der Datenhistorie erstellen Datenwissenschaftler Modelle, die Ergebnisse vorhersagen oder Szenarien simulieren. Diese Modelle helfen Unternehmen, Kundenaktionen vorherzusehen, Betrug zu erkennen, präzise Marktprognosen zu treffen oder den Geschäftsbetrieb anderweitig zu optimieren. - Einblicke an Stakeholder kommunizieren
Die Analyse ist nur ein Aspekt der Arbeit. Erfolgreiche Datenwissenschaftler müssen auch in der Lage sein, ihre Ergebnisse durch Visualisierungen, Dashboards und Berichte zu erklären. Leistungsstarke Kommunikationsfähigkeiten ermöglichen es, technische Ergebnisse in klare, umsetzbare Empfehlungen für technische und nicht-technische Zielgruppen zu übersetzen.
Daten sind in modernen Unternehmen so allgegenwärtig wie Strom – sie werden kontinuierlich zwischen Systemen ausgetauscht und sind für den Betrieb in jedem Sektor unerlässlich. Und da Daten nahezu jeden Aspekt des Handels prägen, besteht eine hohe Nachfrage nach Fachleuten, die Einblicke aus diesen Daten gewinnen können. Unternehmen auf der ganzen Welt nutzen Datenwissenschaftler, um mehr aus ihren Daten herauszuholen. Im Folgenden finden Sie eine Auswahl der Branchen, die Datenwissenschaftler einsetzen:
- Informationstechnologie
IT-Unternehmen sind oft führend, wenn es um die Einstellung von Datenwissenschaftlern geht. Sie nutzen sie, um die Softwareleistung zu verbessern, KI-Funktionen zu unterstützen, Anwender-Experiences zu personalisieren, Nutzungsmuster aufzudecken und so die Produktentwicklung zu unterstützen und die Roadmap-Planung zu leiten. - Finanzwesen
Finanzunternehmen verlassen sich auf Datenwissenschaftler, um Betrugserkennungssysteme zu unterstützen und Modelle für die Kreditbewertung zu entwickeln. Außerdem helfen diese Experten Investmentfirmen, Prognosestrategien zu verbessern, indem sie Marktdaten analysieren und Risiken in Echtzeit bewerten. - Gesundheitswesen
Im Gesundheitswesen arbeiten Datenwissenschaftler mit Patientendaten, Behandlungsergebnissen und operativen Metriken, um die Versorgung zu verbessern. Ihre Arbeit unterstützt auch den Einsatz prädiktiver Analytics, um die Früherkennung von Erkrankungen zu fördern. - Forschung
Akademische und wissenschaftliche Forschung ist stark auf Datenwissenschaftler angewiesen, die in diesem Bereich große Datensätze verwalten und interpretieren. Von der Durchführung klinischer Studien bis hin zur Analyse des sozialen Verhaltens – Forscher verlassen sich darauf, dass Datenexperten Nachweise aufdecken, die ihre Hypothesen unterstützen oder widerlegen. - Biowissenschaften
Pharma- und Biotechnik-Unternehmen arbeiten mit Datenwissenschaftlern zusammen, um Daten und Patientenantworten im Rahmen von Arzneimitteltests zu analysieren. Ihre Ergebnisse helfen dabei, die Entwicklung von Medikamenten und gezielten Therapien zu beschleunigen – basierend auf individuellen Patientenprofilen. - Versicherung
In der Versicherungsbranche spielen Datenwissenschaftler eine entscheidende Rolle, wenn es darum geht, die Preise für Policen festzulegen und Risiken zu bewerten. Ihre Arbeit hilft auch dabei, verdächtige Schadenforderungen zu erkennen. - Einzelhandel
Datenwissenschaftler spielen eine wichtige Rolle im Einzelhandel, wo sie daran arbeiten, Kunden über Onlinekanäle und Filialen hinweg besser zu verstehen. Indem sie Vertriebstrends analysieren und Bestandsbewegungen nachverfolgen, können Unternehmen intelligentere Entscheidungen über Aktionen, Preisgestaltung, Lagerbestände und mehr treffen. - Telekommunikation
Tk-Unternehmen nutzen Datenwissenschaftler, um Muster bei Anrufen und Datennutzung zu überwachen und so potenzielle Netzwerkprobleme rasch zu erkennen und Kundenabwanderung zu reduzieren. Daten spielen außerdem eine wichtige Rolle bei Service-Upgrades und der Optimierung von Infrastrukturinvestitionen. - Behörden
Im öffentlichen Sektor tragen Datenwissenschaftler zu verschiedensten Aufgaben bei: von der Budgetplanung bis hin zur Betrugserkennung. Sie unterstützen große Datenprojekte im Zusammenhang mit der öffentlichen Gesundheit, der nationalen Sicherheit und dem Verkehrswesen und helfen Behörden, Ressourcen effektiver zuzuteilen.
Analyse ist ein wichtiger Bestandteil der Arbeit eines Datenwissenschaftlers. Daher ist es kein Wunder, dass die Rollen „Datenwissenschaftler“ und „Datenanalyst“ oft verwechselt werden. Zwar werden diese Begriffe manchmal synonym verwendet, doch erfüllen Datenwissenschaftler und Datenanalysten unterschiedliche Funktionen:
Datenwissenschaftler sind in der Regel damit beauftragt, Probleme ohne eindeutigen Lösungsweg zu lösen. Hierzu nutzen sie eine Kombination aus Programmierung, statistischer Modellierung und maschinellem Lernen. Sie entwerfen Experimente, erstellen Vorhersagemodelle und entwickeln anwenderdefinierte Algorithmen, um Einblicke aus komplexen (oft unstrukturierten) Daten zu gewinnen. Ihre Arbeit beginnt in der Regel damit, zu ermitteln, welche Fragen gestellt werden müssen, um bestimmte Anforderungen zu erfüllen. Dann bestimmen sie, wie Daten verwendet werden können, um diese Fragen zu beantworten.
Datenanalysten konzentrieren sich stärker auf die Untersuchung vorhandener Daten, um Trends zu erkennen, Berichte zu erstellen und vordefinierte Geschäftsfragen zu beantworten. Sie arbeiten in erster Linie mit strukturierten Daten und nutzen Abfragen, Zusammenfassungen und Datenvisualisierung, um betriebliche und strategische Entscheidungen zu unterstützen. Zwar sind ihre Analysen entscheidend für betriebliche Einblicke, doch in der Regel entwickeln sie keine Modelle und stellen keine fortschrittlichen ML-Lösungen bereit.
Einfach ausgedrückt, erklären Datenanalysten, was passiert ist, während Datenwissenschaftler Daten nutzen, um vorherzusagen, was als Nächstes passieren könnte und warum.
Datenwissenschaftler kombinieren mehrere Disziplinen, um Rohdaten in strategische Einblicke zu verwandeln. Um effektiv arbeiten zu können, benötigen sie also technische Kompetenzen sowie Kenntnisse in Kommunikation, Problemlösung und Geschäftsausrichtung. Dieser Mix aus Hard und Soft Skills ermöglicht es Datenwissenschaftlern, Informationen zu analysieren und sicherzustellen, dass sie sich im geschäftlichen Kontext verwenden lassen.
Technische Fähigkeiten (Hard Skills) sind die praktischen Fähigkeiten, die zum Erfassen, Verarbeiten, Analysieren und Modellieren von Daten erforderlich sind. Sie sind unerlässlich für den Workflow von Datenwissenschaftlern. Und häufig sind sie die Eigenschaft, die Personalmanager bei der Bewertung von Kandidaten priorisieren. Zu den Hard Skills gehören:
- Programmierung
Die meisten Datenwissenschaftler beherrschen verschiedene Programmiersprachen (z. B. Python, R oder SQL). So können Datenwissenschaftler im Back-End von Anwendungen Modelle erstellen und Aufgaben über verschiedene Phasen der Daten-Pipeline hinweg automatisieren. - Statistische Analysen
Ein Verständnis für statistische Konzepte sorgt dafür, dass Datenwissenschaftler Annahmen testen und Ergebnisse validieren können. Diese Fähigkeiten tragen dazu bei, dass Modelle auf soliden Datenmustern basieren und nicht auf Zufall oder Bias. - Maschinelles Lernen
Datenwissenschaftler entwickeln oft prädiktive Tools, die aus historischen Daten lernen. Mit dem Wissen, wie überwachte und unüberwachte Lernmethoden angewendet werden, können sie Lösungen entwickeln, die im Laufe der Zeit angepasst werden und genauere Ergebnisse liefern. - Datenvisualisierung
Die Möglichkeit, Daten visuell darzustellen, ist entscheidend, um Einblicke zugänglich zu machen. Klare Diagramme und Dashboards helfen nicht-technischen Stakeholdern, zu verstehen, was die Daten zeigen und warum sie wichtig sind. - Datenverwaltung
Bevor eine Analyse beginnen kann, müssen Daten bereinigt, formatiert und organisiert werden. Datenwissenschaftler verbringen viel Zeit damit, sicherzustellen, dass Datensätze vollständig und einsatzbereit sind. - Big Data-Tools
In Umgebungen mit großen Datenmengen oder Daten, die sich schnell verändern, reichen herkömmliche Tools oft nicht aus. Plattformen wie Hadoop und Apache Spark unterstützen eine umfangreiche Verarbeitung und werden häufig für die Arbeit mit riesigen Datensätzen eingesetzt.
Soft Skills versetzen Datenwissenschaftlern in die Lage, effektiv mit anderen Mitarbeitern zu interagieren und im geschäftlichen Kontext zu arbeiten. Diese Fähigkeiten tragen dazu bei, dass die technische Arbeit der Datenwissenschaftler praktische Auswirkungen auf das gesamte Unternehmen hat.
- Geschäftssinn
Wenn Datenwissenschaftler Unternehmensziele und betriebliche Herausforderungen verstehen, können sie ihre Arbeit auf hochwertige Chancen konzentrieren. Dieser Kontext ist erforderlich, um relevante Fragen zu definieren und die Auswirkungen der gewonnenen Einblicke zu messen. - Kommunikation
Die Fähigkeit, Erkenntnisse in einfacher Sprache zu erklären, hilft Datenwissenschaftlern dabei, Vertrauen und Akzeptanz unter Kollegen ohne technische Kenntnisse aufzubauen. Datenwissenschaftler müssen komplexe Ergebnisse auf eine Weise präsentieren, die die Entscheidungsfindung unterstützt. - Kritisches Denken
Gute Datenwissenschaftler hinterfragen die eigenen Annahmen und stellen durchdachte Fragen zu den Daten. Diese Denkweise hilft ihnen, irreführende Schlussfolgerungen zu vermeiden und tiefere Einblicke zu gewinnen. - Neugier
Ein starker Wunsch, Daten zu untersuchen, führt oft zu Erkenntnissen, die andere möglicherweise übersehen. Neugier treibt Experimente und die Suche nach zusätzlichen oder unerwarteten Erkenntnissen voran. - Zusammenarbeit
Die meisten Projekte erfordern die Unterstützung funktionsübergreifender Teams. Datenwissenschaftler müssen gut mit Technikern, Geschäftsführern und anderen Stakeholdern zusammenarbeiten, um sicherzustellen, dass ihre Arbeit umfassendere Ziele unterstützt. - Anpassungsfähigkeit
Der technische Fortschritt schreitet rasant voran, und Prioritäten können sich verschieben, wenn sich Geschäftsbedürfnisse ändern. Datenwissenschaftler müssen bereit sein, neue Tools zu erlernen und ihren Ansatz bei Bedarf anzupassen.
Verschiedene Wege führen zu einer Karriere in der Datenwissenschaft. Einige gelangen über klassische akademische Programme in den Bereich, während andere ihre Fähigkeiten durch alternative Methoden oder Erfahrungen aufbauen, die sie bei der Arbeit in verwandten Bereichen gesammelt haben. Egal, für welchen Weg Sie sich entscheiden – am wichtigsten ist es, dass Sie effektiv mit Daten arbeiten und Arbeitgebern zeigen können, dass Sie diese Fähigkeiten in realen Szenarien anwenden können.
Viele Datenwissenschaftler haben einen offiziellen Abschluss in einem technischen Bereich oder in quantitativer Forschung. Ein Bachelor in Informatik, Statistik, Mathematik oder Datenwissenschaft bietet eine solide Grundlage. Diese Programme decken in der Regel Kernkonzepte wie Datenstrukturen, Wahrscheinlichkeit, lineare Algebra und statistische Analysen sowie grundlegende Programmiererfahrung ab.
Mit einem Master in Datenwissenschaft, Analytics oder einem verwandten Bereich können Fachleute ihr Wissen über maschinelles Lernen, Big Data-Systeme und fortschrittliche Modellierung vertiefen. Auch wenn ein Abschluss nicht für jede Rolle erforderlich ist, kann er für Kandidaten nützlich sein, die sich spezialisieren möchten oder eine Führungsposition verfolgen.
Ein klassischer Abschluss ist nicht die einzige Möglichkeit, in dieses Feld einzusteigen. Bootcamps, Onlinekurse und professionelle Zertifizierungsprogramme können gezielte Anleitung und praktische Schulungen bieten. Diese Programme sind oft so strukturiert, dass Teilnehmer Fähigkeiten aufbauen können, die sie sofort bei der Arbeit einsetzen können. Und sie sind in der Regel zielgerichteter und direkter als ein klassischer Ausbildungsweg.
Viele dieser alternativen Wege umfassen auch praktische Projekte, die echte geschäftliche Herausforderungen simulieren. Hiervon profitieren insbesondere Experten, die einen Karrierewechsel anstreben oder schnell relevante Erfahrung sammeln möchten. Einige Teilnehmer nutzen diese Programme, um bestehende Abschlüsse zu ergänzen.
In der Datenwissenschaft wollen Arbeitgeber mehr als nur einen Lebenslauf oder einen Abschluss sehen – sie wollen wissen, wie Sie denken und was Sie entwickeln können. Ein starkes Portfolio bietet Ihnen die Möglichkeit, Ihren Problemlösungsansatz und Ihre technischen Fähigkeiten durch abgeschlossene Projekte zu demonstrieren.
Portfolios können persönliche Projekte, Fallstudien oder Herausforderungen umfassen, die Sie mithilfe von Datenwissenschaftsfähigkeiten gelöst haben. Indem Sie Ihre Arbeit auf Plattformen wie GitHub hosten, können andere Ihren Code anzeigen und die Ergebnisse Ihrer Analyse einsehen. Gute Portfolios bieten oft eine klare Dokumentation, Visualisierungen und Kontext rund um das Problem, das Sie lösen.
Um als Datenwissenschaftler eingestellt zu werden, durchläuft man in der Regel einen mehrstufigen Vorstellungsprozess, der sowohl technische als auch verhaltensbezogene Bewertungen umfasst. Kandidaten werden möglicherweise aufgefordert, Programmierprobleme zu lösen, statistische Konzepte zu erklären oder Daten in einem bereitgestellten Datensatz zu interpretieren. Viele Arbeitgeber bewerten auch, wie gut Sie Ihre Denkweise kommunizieren können – insbesondere wenn Sie über Abwägungen oder Einschränkungen in Ihrem Ansatz sprechen.
Um sich darauf vorzubereiten, empfiehlt es sich, gängige Programmieraufgaben zu üben und sich grundlegende Konzepte in Statistik und maschinellem Lernen anzusehen. Einige Unternehmen geben Bewerbern auch Aufgaben, die sie zu Hause erledigen müssen, oder führen Live-Problemlösungssitzungen durch. Indem Sie Beispiele aus vergangenen Projekten vorbereiten – und in der Lage sind, Ihre Rolle und Ihre Argumentation in diesen Projekten zu erklären –, können Sie sich von anderen Kandidaten abheben.
Die Arbeit von Datenwissenschaftlern ist eng mit den Tools verbunden, die sie nutzen: Von der Erfassung und Verwaltung von Rohdaten über die Entwicklung von Vorhersagemodellen bis hin zur Kommunikation von Ergebnissen – jeder Schritt im Prozess erfordert zuverlässige Technologien. Im Folgenden finden Sie einige der wichtigsten Technologien, die Datenwissenschaftler für ihre Arbeit verwenden:
Programmierung ist für den Datenwissenschafts-Workflow unerlässlich – hierbei eignen sich verschiedene Programmiersprachen für unterschiedliche Aufgaben.
- Python
Python erfreut sich aufgrund seiner einfachen Lesbarkeit und seines breiten Ökosystems großer Beliebtheit in diesem Bereich und unterstützt Datenanalyse, maschinelles Lernen und Automatisierung über Bibliotheken wie pandas, NumPy, scikit-learn und TensorFlow. - R
R wird in vielen akademischen und forschungsorientierten Umgebungen bevorzugt und eignet sich besonders gut zur statistischen Analyse und Datenvisualisierung. - SQL
SQL ist zum Abrufen und Verwalten strukturierter Daten aus relationalen Datenbanken unerlässlich. Diese Sprache ist eine Kernkompetenz, wenn es darum geht, auf Produktionsdaten zuzugreifen und sie für die Analyse vorzubereiten. - SAS
SAS ist gang und gäbe in Legacy-Systemen, kommt jedoch im Gesundheits- und Finanzwesen auch heute noch häufig zum Einsatz. Die Sprache wird aufgrund ihrer Zuverlässigkeit und der Unterstützung umfangreicher statistischer Modelle geschätzt. - Scala und Java
Diese Sprachen sind oft in Big Data-Umgebungen am effektivsten, insbesondere bei der Arbeit mit Plattformen wie Apache Spark für die verteilte Datenverarbeitung.
Datenwissenschaftler nutzen Visualisierungen, um verständliche und umsetzbare Ergebnisse zu gewährleisten. Gut gestaltete Grafiken können Muster aufdecken, Trends aufzeigen und Kontext bereitstellen, den Rohzahlen nicht bieten können.
Zu den gängigen Tools für die Erstellung von Datenvisualisierungen gehören:
- Generative KI (Gen AI)
- Tableau
- Power BI
- Plotly
- Matplotlib
- Seaborn
- ggplot2
Dank der jüngsten Fortschritte spielen maschinelles Lernen (ML) und künstliche Intelligenz (KI) in der Datenwissenschaft eine immer wichtigere Rolle. Mit den Frameworks und Bibliotheken, die diese Fähigkeiten unterstützen, können Datenwissenschaftler Modelle effizienter und genauer erstellen, trainieren und bereitstellen.
Um als Datenwissenschaftler erfolgreich zu sein, sollten Sie an fortgeschrittenen KI-Kursen teilnehmen, um Methoden zur Datenanalyse zu erlernen, und sich außerdem mit folgenden Frameworks vertraut machen:
- Scikit-learn
- TensorFlow
- PyTorch
- XGBoost
- LightGBM
- Keras
Trotz der leistungsstarken Tools, die zur Verfügung stehen, ist die Arbeit in der Datenwissenschaft selten unkompliziert. Viele der Hindernisse, mit denen Datenwissenschaftler konfrontiert werden, sind nicht technischer Natur, sondern logistisch, strategisch oder kommunikationsbezogen. Um diese Herausforderungen zu meistern, müssen Datenwissenschaftler technische Kompetenzen mit Geschäftsbewusstsein kombinieren. Im Folgenden finden Sie zwei der häufigsten Hürden, auf die Datenwissenschaftler stoßen.
Bereinigte Daten sind für zuverlässige Ergebnisse unerlässlich, doch in der Praxis sind Daten oft inkonsistent oder unvollständig. Selbst kleine Fehler wie fehlende Werte oder doppelte Einträge können die Analyse verzerren und die Zuverlässigkeit eines Modells beeinträchtigen.
Um diese Probleme zu beheben, verwenden Datenwissenschaftler Vorverarbeitungsmethoden, mit denen sie Probleme identifizieren und beheben können, bevor es an die Modellierung geht. Tools wie pandas in Python oder tidyr in R helfen dabei, diese Schritte zu automatisieren. Und indem Datenwissenschaftler Datenvalidierungsregeln am Punkt der Datenerfassung standardisieren, können sie verhindern, dass sich Probleme im Laufe der Zeit verschlimmern. In vielen Unternehmen umfasst diese Arbeit die Koordination mit Datentechnikern oder Systemverantwortlichen, um die Art und Weise abzustimmen, wie Informationen erfasst und verwaltet werden.
Selbst die beste Analyse hat keine Auswirkungen, wenn die Ergebnisse nicht klar kommuniziert werden. Datenwissenschaftler müssen technische Modelle und statistische Ergebnisse oft nicht-technischen Stakeholdern erklären – also Personen, die die zugrunde liegende Mathematik möglicherweise nicht verstehen (und auch nicht verstehen müssen).
Um der Zielgruppe Einblicke in nachvollziehbarer Weise zu vermitteln, muss die Botschaft klar und präzise sein. Visuelle Hilfsmittel und einfache Zusammenfassungen helfen Entscheidungsträgern, die Bedeutung der Ergebnisse zu verstehen. Wenn sich Datenwissenschaftler eher auf die Auswirkungen als auf die Methodik konzentrieren, lassen sich ihre Ergebnisse leichter umsetzen und haben eher Einfluss auf die Strategie.
Datenwissenschaftler gehören weiterhin zu den gefragtesten Fachleuten in der modernen Geschäftslandschaft. Und da Unternehmen zunehmend KI-gestützte Lösungen einführen, wächst der Bedarf an qualifizierten Mitarbeitern, die Daten interpretieren, Modelle erstellen und Einblicke in die Tat umsetzen können. Um diesem Bedarf gerecht zu werden, müssen aufstrebende Datenwissenschaftler mit neuen Technologien Schritt halten und die Fähigkeiten ausbauen, die sie von anderen abheben.
Die ServiceNow University bietet Teilnehmern eine flexible, zugängliche Möglichkeit, Fachkenntnisse in den Bereichen Analytics, Automatisierung und KI aufzubauen, mit dem Schwerpunkt, ihnen genau zu vermitteln, wie sie die Vorteile der ServiceNow AI Platform® voll ausschöpfen können. Und die ServiceNow University unterstützt aktive und werdende Datenwissenschaftler noch weiter, indem sie kostenlose On-Demand-Schulungen sowie Kurse mit Kursleitern anbietet, mit denen Sie wichtige Zertifizierungen erwerben und die Fähigkeiten aufbauen können, die Sie für den Erfolg benötigen. Die folgenden Kurse können besonders für angehende Datenwissenschaftler nützlich sein:
- Platform Analytics Fundamentals
Dieser Kurs bietet eine Einführung in die zentralen Analytics-Fähigkeiten von ServiceNow, darunter die Überwachung von KPIs, die Konfiguration von Formelindikatoren und die Erstellung von Dashboards. Zudem deckt er die Grundlagen ab. - Platform Analytics Advanced
Dieser Kurs geht mit einem Schwerpunkt auf erweiterter Datenmodellierung und Dashboard-Design über die Grundlagen hinaus. Die Themen umfassen geskriptete Aufgliederungen, interaktive Dashboards und externe Metriken. Außerdem werden Teilnehmer auf die Prüfung Zertifizierter Implementierungsspezialist (Certified Implementation Specialist) – Platform Analytics vorbereitet. - Performance Analytics – Vertiefung (On-Demand)
Mit dieser flexiblen, digitalen Version des Kurses „Performance Analytics Advanced“ können Teilnehmer im eigenen Tempo profunde Kompetenzen in Trendanalyse und Visualisierung erwerben. - Datenpillen und Datenströme in Flows verstehen
Dieser Microlearning-Kurs erklärt, wie Datenpillen genutzt werden, um Informationen zwischen Flow-Aktionen zu übergeben, und wie Datenströme Datensatzsammlungen verwalten. Teilnehmer üben mit diesen Tools, Datenbewegungen innerhalb von Flows zu identifizieren, zu konfigurieren und zu korrigieren. - Workflow Data Fabric (Lernpfad)
Im Lernpfad „Workflow Data Fabric“ wird untersucht, wie Sie Daten mit der einheitlichen Now Platform über Workflows hinweg verbinden und verstehen und darauf reagieren können. Der Schwerpunkt liegt auf der Kombination von KI, Daten und Workflows, um Entscheidungsfindung in Echtzeit zu unterstützen und strategische Vorteile zu erzielen.
Mit ServiceNow können Datenwissenschaftler ihren Einfluss erhöhen. Erfahren Sie, wie Sie Ihre Fähigkeiten maximieren und bessere Ergebnisse erzielen können – für Ihr Unternehmen und für sich selbst. Klicken Sie hier, um sich die verfügbaren Kurse anzuschauen.
