Es gibt viele Gründe, warum die Verwendung von R oder Python Vorteile gegenüber der Verwendung von MS Excel hat:
1. Es ist kostenlos
2. Open Source (mit einer riesigen aktiven Community!)
3. R und Python bieten mehr Möglichkeiten zur Datenbearbeitung
4. Besser für Big Data
5. Bessere Automatisierungsmöglichkeiten
6. Code ist leicht reproduzierbar und skalierbar
7. Modernste Statistik- und Grafikfähigkeiten
8. Tausende Bibliotheken für spezielle Herausforderungen sind verfügbar
9. Man kann Maschinelles Lernen betreiben; Neuronale Netze bauen und Anwendungen im Bereich der KI nutzen
10. Erstellen von Interaktiven Dashboard welche online geteilt werden können
11. Man benötigt keine Unterstützung vom IT/ERP-Team, um BI-Tools einzuführen
12. Verbesserung der eigenen Position auf dem Arbeitsmarkt indem Sie Ihre Fähigkeiten im Umgang mit datengestützter / analytischer Entscheidungsfindung verbessern
Ein Nachteil beim Erlernen von R oder Python (oder beidem!) könnte die steile Lernkurve sein. Heutzutage kann dies als ein geringfügiges Problem angesehen werden. Viele erstklassige Online-Kurse sind verfügbar, um Data Science und die zugehörigen Programmiersprachen zu lernen. Seiten wie Datacamp, Udemy, Udacity, Edx oder Coursera (nur um einige prominente zu nennen) ermöglichen es Ihnen, R und Python jederzeit und überall zu lernen.
Meine Erfahrung ist, dass Menschen nach etwa 3 Monaten, in denen sie täglich 1 bis 2 Stunden üben, R kompetent nutzen können. Ich sagen nicht, dass sie in dieser Zeit vollständig erfahrene Programmierer oder Data Scientists werden, aber es wird genug Trainingszeit sein, um Ihrer Organisation einen Mehrwert zu bieten. Ich habe festgestellt, dass Personen mit einem starken Hintergrund im Qualitätsmanagement (z.B.: Six Sigma, TQM) oder Controlling oft eine solide Grundlage in der statistischen Theorie haben, was beim Erlernen von Data Science hilft.
Was mich ein wenig überrascht hat, war die Tatsache, dass ausgebildete Mathematiker und Personen mit einem Informatik Hintergrund manchmal Probleme hatten, die Werkzeuge auf reale Probleme anzuwenden. Ihnen fehlte das intrinsische Wissen über die Probleme, mit denen eine Organisation konfrontiert ist. Sie konnten die Geschäftsprobleme nicht vollständig erfassen und Lösungen implementieren, die auf Data-Science-Frameworks basieren, welche die Prozesse verbesserten oder dem Geschäft mehr Wert hinzufügten.
Ich denke, es ist am besten, ein funktionsübergreifendes Team von Experten aus allen Teilen der Organisation zu bilden, die mit dem aktuellen Problem konfrontiert sind. Es ist am besten, jemanden zu haben, der das Geschäftsproblem versteht und jemanden, der eine Lösung für dieses Problem codieren kann. Ein Data Scientist muss das Problem zuerst verstehen, indem er mit den Personen spricht, die vor der Herausforderung stehen. Erst nachdem das Problem vollständig verstanden wurde, sollte an einer Lösung gearbeitet werden. Wenn man jemanden hat, der sowohl Kenntnisse über das Geschäftsproblem hat als auch Data Science versteht, hat man ein sehr wertvolles Gut.
Nachdem die Grundlagen von R oder Python verstanden sind, ist es so, als würden man in einen Formel-1-Wagen anstelle eines alten Excel-Straßenwagens einsteigen. Die zusätzlichen Möglichkeiten, die Data-Science-Softwarepakete bieten, sind atemberaubend. Bis heute haben wir noch keine einzige Person getroffen, die für fortgeschrittene Datenanalysen oder statistische Problemlösungen zu Excel zurückgekehrt ist. Es ist auch erwähnenswert, dass die Visualisierungsmöglichkeiten, die R mit dem Paket ggplot2 bietet, unübertroffen sind.
Eine Warnung! Experte auf dem Gebiet des Data Science zu werden, ist realistischerweise in Jahren der Ausbildung und nicht in Monaten zu denken. Der Wissenskorpus in diesem Feld ist umfangreich und komplex. Es kann viele Jahre dauern, bis man wirklich kompetent ist! Data-Science-Professional zu werden, ist eine lebenslange Lernreise. Dies basiert auch auf der Tatsache, dass sich dieses Feld ständig weiterentwickelt und verbessert (z.B.: KI, Big Data, Neuronale Netze, LLMs…).
Schreibe einen Kommentar