«Ich gebe den Teilnehmenden eine ‹whirlwind tour› durch Spatial Data Analytics-Grundlagen»

In vielen Branchen ermöglicht es Geodatenanalyse die passenden Entscheidungen zu wählen. Daher ist der Aufbau von Datenkompetenz (Data Literacy) und Data Analytics-Expertise in Unternehmen besonders wichtig. Nur mit dem richtigen Fachwissen können Daten, Methoden und Analysen sinnvoll in Kontext gesetzt und korrekt interpretiert werden. Und dann auch genutzt werden, um fundierte Entscheidungen daraus abzuleiten.

Ralph Straumann arbeitet seit Jahren u.a. in den Bereichen von Data Science, Organisationsberatung und Geoinformatik. Als Dozent behandelt er in seinen Lektionen im CAS Spatial Data Analytics zum Beispiel die Themen Modelle und Datenstrukturen, Data Science Lifecyle, Projektmanagement, Datenqualität, Ethik und Datenschutz.

Ralph, was vermittelst du unseren Teilnehmenden im «CAS Spatial Data Analytics»?

Ich gebe den Teilnehmenden eine prägnante und breite Übersicht, quasi eine «whirlwind tour», über wichtige Spatial Data Analytics-Grundlagen wie Modelle der Realität, wie wir sie in der Praxis verwenden, Datenstrukturen und die jeweiligen Werkzeuge zur Datenanalyse. Zusätzlich widmen wir uns dem idealtypischen Data Science-Prozess sowie der enorm wichtigen interdisziplinären Schnittstelle von Data Science und «Fach» bzw. «Business», beschäftigen uns mit Fragen der Operationalisierung von Aufgabenstellungen sowie Daten-Workflows und Projektorganisation. Ich nutze meine Lehreinheiten auch dazu, die Teilnehmenden für grundlegende bzw. übergeordnete Themen wie Qualität und Repräsentativität von Daten sowie Ethik in der Arbeit mit Daten und Datenschutz zu sensibilisieren.  Diese Inhalte bilden meines Erachtens ein wichtiges Fundament für die verantwortungsvolle Arbeit mit Daten und Data Analytics.

Warum sind die Themen deiner Lehreinheiten wichtig und besonders aktuell?

Ich glaube, die Themen bilden einen guten und breiten Grundstock von Wissen, damit jemand als Spatial Data Analytics-Expert*in agieren kann. Ich hoffe, die behandelten Inhalte vermitteln den Kurs-Teilnehmenden eine gemeinsame Wissenbasis und befähigen sie dazu, analytische Projekte umsichtig, methodisch und ethisch einwandfrei und effizient angehen und abwickeln zu können.

Im Datenanalyse- bzw. Data Science-Bereich entwickeln sich natürlich Art und Umfang der Daten sowie die einschlägigen Werkzeuge und Technologien stetig weiter. Aber auch Arbeitstechniken wie der Data Science-Prozess verändern sich, wenn auch etwas langsamer. Ich finde, das ganze Feld ist aktuell an einem sehr spannenden Punkt, wo sich Geoinformatik bzw. der GIS-Bereich (Geoinformationssysteme) und (nicht inhärent räumliche) Data Science gegenseitig weiterbringen.

Wie bringen diese Kenntnisse unsere Absolvent*innen beruflich weiter?

Wenn jemand GIS und verwandte Technologien bei der Arbeit noch nicht datenanalytisch genutzt hat (sondern beispielsweise eher für die Produktion oder das Management von Daten), dann bekommt die Person meines Erachtens einen wertvollen «Boost» in Richtung Spatial Data Analytics. Natürlich kann es sein, dass auch noch dazugelernt werden muss beispielsweise bezüglich Skriptsprachen wie Python, Datenformate oder Datenbanken. Wenn jemand beruflich schon analytisch mit räumlichen Daten arbeitet, vertieft diese Person das bestehende Know-how und erweitert den eigenen Horizont auch in Richtung neuer Themen wie zum Beispiel  die Handhabung des Datenschutzes oder ethische Fragen, die meines Erachtens auch in der Praxis stark an Relevanz gewinnen.

Zum Dozenten

Ralph Straumann ist Teamleiter des Data Science-Teams im Geschäftsbereich Informatik bei der EBP Schweiz AG in Zürich. Er studierte und promovierte in Geographie mit Vertiefung in Geographischer Informationswissenschaft und Fernerkundung an der Universität Zürich. Sein Berufsalltag als Senior Consultant und Projektleiter dreht sich um daten-zentrierte Workflows sowie informations- und evidenzbasierte Entscheidungsprozesse. Neben der Prozesssicht berät er Kund*innen auch in Bezug auf Strategie- und Organisationsfragen oder – vorzugsweise – in allen drei Bereichen gleichzeitig. Dies geschieht insbesondere an den Schnittstellen von IT, Mobilität, Umwelt und Infrastruktur. Zuletzt beschäftigte er sich oft mit offenen Daten und öffentlicher Statistik, multimodaler Mobilität, automatisiertem Fahren und der Digitalisierung.