1. Environmental Impact
Eure Datenvorgehensweise sollte das Engagement zur Minimierung seines Einflusses auf die Umwelt widerspiegeln. Dies könnte Maßnahmen wie die Reduzierung des Energieverbrauchs, die Minimierung des CO2-Fußabdrucks und die Reduzierung von Abfall, der mit dem Datenmanagement verbunden ist, umfassen.

2. Social Impact
Euer Projekt sollte die soziale Gerechtigkeit und Verantwortung fördern. Dies könnte Maßnahmen wie den Schutz der Privatsphäre personenbezogener Daten, die Sicherstellung eines fairen und gerechten Zugangs zu Daten und die Förderung von Transparenz bei der Datensammlung und -nutzung umfassen.

3. Innovation & Bedeutung für Österreich:
Eure Vorgehensweise sollte Innovation in Bezug auf den Ansatz des Datenmanagements, der -analyse und -nutzung demonstrieren. Dies könnte die Entwicklung neuer Technologien, Methoden oder Tools umfassen, die die Nachhaltigkeit von Datenpraktiken verbessern – und somit den Standort Österreich fördern könnten.

Günther Tschabuschnig

4. ESG Impact:
Die Datenvorgehensweise des/r Nominierten sollte eine signifikant positive Auswirkung auf die Umwelt und die Gesellschaft haben. Dies könnte die Verbesserung der Energieeffizienz, die Reduzierung von Treibhausgasemissionen, die Förderung sozialer Gerechtigkeit oder die Unterstützung nachhaltiger Entwicklung umfassen.

Alin Kalam

5. Business Impact:
Ihr solltet demonstrieren, dass eure Datenvorgehensweise auch einen positiven Einfluss auf das Geschäft Eurer Organisation hat. Dies könnte Maßnahmen wie die Reduzierung von Kosten durch eine effizientere Datennutzung, die Verbesserung von Geschäftsentscheidungen durch bessere Datenanalysen oder die Steigerung der Kundenzufriedenheit oder Mitarbeitermotivation durch personalisierte Datenanwendungen umfassen. Bitte beachte: Der Business Impact sollte immer im Einklang mit den anderen Kriterien des nachhaltigen Datenpreises stehen und darf nicht zu Lasten der Umwelt, der Gesellschaft oder der Datensicherheit gehen.

Mario Meir-Huber

6. Data Science Complexity
Die Komplexität der verwendeten Datenanalysetechniken und -methoden werden in die Bewertung miteinbezogen. Je komplexer die eingesetzten Techniken und Modelle sind, desto anspruchsvoller und aussagekräftiger kann die Analyse sein. Teams, die zB Techniken wie Machine Learning, AI, Deep Learning oder Big-Data-Analysen anwenden, werden in dieser Kategorie besser abschneiden als Teams, die einfachere Techniken wie lineare Regression oder einfache Korrelationsanalysen verwenden. Darüber hinaus könnte etwa die Komplexität auch die Verarbeitung von Datenströmen, die Integration von Daten aus verschiedenen Quellen und die Verwendung von Cloud-Computing-Plattformen oder spezialisierten Tools umfassen. Insgesamt bezieht sich der Begriff "Data Science Komplexität" darauf, wie geschickt und anspruchsvoll ein Team die verfügbaren Daten nutzt, um die Ziele der Challenge zu erreichen.

Wolfgang Weidinger