Data Engineering und Data Science - Datenkompetenz für alle Lebenslagen

Datengetriebenes Denken und Datenanalyse haben viel zu bieten: Sie planen, zu heiraten? Dann lohnt ein Blick auf die Daten des Statistischen Bundesamtes. Je nach Jahr beträgt die Scheidungsrate in Deutschland ±40%. Rund 85% des Rests geht es auch nicht sonderlich gut, wie Befragungen hunderter Menschen mit Beziehungserfahrungen ab drei Jahren Dauer zeigen. Auf die Frage, wie man selbst zu den glücklichen ~10% gehört, gibt es gute, datenbasierte Antworten; der Wirtschaftspsychologe Ihres Vertrauens hat sich aus persönlichen Gründen tief in die Forschungsergebnisse eingearbeitet 😉. Die hören wir nicht gerne, denn sie sind mit Anstrengung verbunden. Aber es gibt Hoffnung, denn für Datenleute gilt immerhin:

„Data Scientist: The Sexiest Job of the 21st Century“
T. H. Davenport & D. J. Patil, Artikel im Harvard Business Review, Oktober 2012

Erweitern Sie Ihr Denken und Sie werden zu den Auserwählten gehören 😉. Viele wissen nicht, dass die Psychologie spätestens seit den 1980er Jahren eine mathematisch fundierte Wissenschaft mit viel Datenerhebung und Datenauswertung ist. Die Grundlagen wurden auch von der Industrie übernommen: die Methode „Six Sigma“ zur Verringerung von Ausschuss bedient sich beispielsweise bei denselben Grundlagen der Statistik, wie übrigens auch Maschinelles Lernen ML. Neuronale Netze verwenden ein heute neurologisch veraltetes Modell für Neuronen aus den 1960ern. Psychologen und ‑innen, die nach 1980 studiert haben, sind immer auch Data Scientists.

Aber erst einmal zu den Begriffen: Unter „Data Engineering“ verstehen wir die Entwicklung, den Betrieb und die Wartung von Systemen und Prozessen zur Aufnahme von Rohdaten und Bereitstellung von qualitativ hochwertigen, konsistenten Informationen zur Ermöglichung von Anwendungsfällen wie Analyse, Verarbeitung, Maschinelles Lernen ML und Künstlicher Intelligenz KI. „Data Science“ meint den Obergriff allen Umgangs mit Daten und Informationen. Praxistaugliche Datenkompetenz hat sich zum zentralen Wettbewerbsfaktor entwickelt.

Als Ingenieur und Wirtschaftspsychologe gebe ich daher naturgemäß seit Jahren Seminare mit Inhalten aus den Gebieten Data Engineering, Science und Governance wie z.B. Datenerfassung, Datenbereinigung, Datenanalyse, Maschinelles Lernen, Digitale Zwillinge, Neuronale Netze und die Programmierung mit Python sowie Anwendungstrainings. So finden wir im Nachrichtenmagazin des Vereins Deutscher Ingenieure VDI vom 26.06.2026 auf Seite 31 auch konsequent: „Hybride Profile, die in den kommenden Jahren an Bedeutung gewinnen werden: Ingenieurwesen+Software+Data Science und Ingenieurwesen+Psychologie“. Angesichts der Entwicklungen in den verschiedenen Bereichen von ML und KI verwundert dies nicht - Datenreife wird zum neuen, erfolgskritischen Wettbewerbsfaktor. Insbesondere Agentensysteme erweisen sich nicht nur auf shopfloor als brisant, weil sie automatisiert Handlungen auf Basis der Trainingsdaten während des Betriebs ausführen. Ziehen wir erneut die VDI Nachrichten vom 26.6.2026, jetzt Seite 16 heran: „Genau dort liegt die eigenliche KI‑Bremse. Es reicht nicht, Datenbestände technisch anzuschließen oder in ein neues Plattformmodell zu überführen. Unternehmen müssen klären, welche Daten relevant sind, wie sie interpretiert werden dürfen, welche Fachbereiche dafür Verantwortung tragen und wann alte Daten mehr schaden als helfen. Erst dann wird aus Datenfülle auch Datenreife.“ Denn wir wollen keine unternehmerische Datastrophe erleben.

Auf Begriffe aus der Datenwelt wie Data Warehous, Data Lake und Swamp bin ich bereits an anderer Stelle eingegangen. Im Grunde weist die Datenwelt eine ähnliche Struktur wie das übergreifende Gebiet des Software Engineerings auf: Es gibt Datenarchitekturen, einen Data Engineering Life Cycle DELC, gute und weniger gute Verfahren zum Generieren von Daten, DataOps und Datenorchestrierung, ein breites Feld an Strategien zur Speicherung und Sicherung von Daten, die Vorverarbeitung z.B. mit speziellem Fokus auf Anforderungen des Maschinellen Lernens ML und Künstlicher Intelligenz KI. Wir kennen die Modellierung von Daten, Abfragen von Daten und das Transformieren von Daten. Auch hier existiert ein breites Feld speziell an datenbezogener Safety und Security. Und es tauchen nette Begriffe wie „Dark Matter Data “ auf. Was zu der Erkenntnis führt, dass das Themengebiet Software Engineering fraktal strukturiert ist: Jedes Detail eines Teilgebietes fächert sich in viele weitere Teilgebiete auf, es scheint kein Ende zu geben. Für Entscheidungen wird es sinnvoll sein, unabhängige Experten hinzu zu ziehen, die einem keine Datenlösung verkaufen wollen. Sondern ausschließlich Expertise. Diese Leute finden wir auf Kongressen, manchmal auf Vorträgen im Rahmen von Messen, durch Recherche an Hochschulen und als Autoren von Fachartikeln in anerkannten Fachjounalen und Fachbüchern, veröffentlicht von hochwertigen Verlagen.

„Ich weiß gar nicht, warum Manager so wenig Bücher lesen. Da steht doch alles drin!“
So Jack Welch, Retter von GE in seinem Buch „Winning“. International in der Fachpresse als bester Manager der Welt bezeichnet.

Die Entwicklung einer zukunftsweisenden Datenstrategie ist immer eine gute Idee, der Weg zu einem hohen Nutzwert der Daten führt über hochwertig moderierte Meetings bei Teilnahme aller Stakeholder und ggf. eingeladenen Menschen mit echter Expertise.

Gerne skizziere ich auch den Weg z.B. zu „AI-Readyness“ und damit Datenreife im Rahmen von Inhouse-Seminaren in Präsenz oder online: Skalenniveaus, Standardfehler, Konfidenzintervalle, Heteroskedastizität (eines meiner Lieblingsworte 😉), Kausalfehler, α‑Fehler‑Kumulation, Überanpassung, Modellbildung, Regression, ANOVA, RCA (Root Cause Analysis), Datenschema, Datenkatalog, explainable AI, Modell‑Drift, Heatmaps, Clustering, semantische und Skalen‑Sauberkeit von Daten und vieles mehr sollten praxistauglich verstanden sein. Darauf bauen dann Themen wie die in der Praxis so wichtige Zeitreihenanalyse und multifaktorielle Regression für die Vorhersage von Ereignissen und mehr auf: Tricks wie eine Autokorrelationsprüfung ganz einfach mit Python und der große Lösungsraum des Feature Engineering warten auf Entdeckung durch Sie. Eine allzu naive Nutzung von Sprachmodellen und Agenten erzeugt verschiedene Risiken, darunter auch solche in den Bereichen Cybersecurity und Recht. Schauen Sie sich beispielsweise die umfängliche, in der EU geltende Rechtslage auf der EU-Webseite eur-lex.europa.eu an: Sie werden überrascht sein, was alles Ihrem Unternehmen und Ihnen persönlich Schaden zufügen kann. Dagegen hilft nur echte Datenkompetenz im Unternehmen. Und damit KI‑Projekte tatsächlich auch funktionieren, ist psychologisch kluges Weiterdenken nötig: Was z.B. soll für Angestellte so toll daran sein, wenn sie 50% effizienter werden? Dürfen Sie jeden Tag früher in den Feierabend gehen und das bei vollem Lohn? Oder bekommen sie einfach nur noch mehr Bälle zum gleichzeitigen Jonglieren hingeworfen und als Dank gibt es einen Burnout? Und wem wird gekündigt, wenn KI läuft? Gerade in Firmen, in denen ein gutes Wir‑Gefühl herrscht, wird die Einführung von KI ohne sehr gute Antworten schwierig. Die natürlichste Frage von Angestellten lautet: Was habe ich davon? Es braucht auch darauf eine ausnehmend gute Antwort, wenn KI im Geschäftsmodell funktionieren soll. Auch dazu können wir uns gerne lösungsorientiert austauschen.

Reden wir jetzt darüber!