Data Scientist

Daten in Informationen umwandeln – so könnte man die Tätigkeit eines Data Scientists kurz zusammenfassen. Um seine Tätigkeit optimal ausführen zu können, greift ein Data Scientist dabei auf Kenntnisse der Statistik zurück, beherrscht Programmiersprachen und zugehörige moderne Tools und agiert als Business Analyst. Insbesondere mathematische Methoden und eine analytische Denkweise sind dafür täglich gefordert. Data Scientists werden in verschiedensten Branchen wie zum Beispiel im Bereich Online-Shopping, Banking und Versicherungen u.v.m. eingesetzt. Sie sind immer dort im Einsatz, wo große Mengen an Daten gesammelt werden, die Unternehmen als Basis vor Entscheidungen und Vorhersagen verwenden.

Ein Data Scientist analysiert riesige, oft unstrukturierte Datenmengen. Im Zeitalter der Daten sind jene Unternehmen erfolgreich, die nicht nur die meisten Daten sammeln, sondern diese auch am besten auswerten: Statt „Big Data“ zählt „Smart Data“. Die Analyse von Daten ist im Kern nicht neu. Ging es dabei bisher jedoch nur darum, anhand gesammelter Daten, Gegenwart und Vergangenheit zu erklären, beschäftigt sich die Data Science zunehmend vor allem damit, Zukunftsaussagen treffen zu können und Unternehmen damit klare Handlungsempfehlungen an die Hand geben zu können.

In einem ersten Schritt stellt der Data Scientist eine solide Datenbasis auf, anhand derer anschließend Aussagen und Vorhersagen getroffen werden können. Dabei ist nicht nur entscheidend, die relevanten Daten auszuwählen, sondern auch geeignete Quellen zu identifizieren. Im Umfeld eines Online-Shops können dies etwa Informationen zu folgenden Fragestellungen sein:

Welche Produkte werden am meisten gesucht?
Welche Produkte werden am meisten von Kunden gekauft?
Welche Produkte schicken Kunden besonders häufig zurück (aufgrund von Defekten oder Unzufriedenheit)?

Die oftmals unstrukturierten Daten aus unterschiedlichen Quellen werden zunächst auf Korrektheit, Relevanz und Verständlichkeit geprüft, bevor sie in eine Ordnung gebracht und irrelevante Daten herausgefiltert werden. Dadurch entsteht ein bereinigter Datensatz, der für weitere Analysen herangezogen werden kann. Es gibt durch Künstliche Intelligenz oder Deep Learning viele vollautomatische Erhebungsmöglichkeiten, wodurch möglicherweise Muster erkannt werden, aber nicht unbedingt Ursache und Wirkung. Somit ist es die Aufgabe des Data Scientist, Wirkungszusammenhänge nachvollziehbar zu erklären. Für seine Analysen greift der Data Scientist auf Methoden der sogenannten Advanced Analytics sowie der Predictive Analytics zurück. Während die Advanced Analytics, als Teilbereich der Wirtschaftsinformatik, Prozesse und Verfahren für die Unternehmensanalyse beinhaltet, geht es bei Predictive Analytics um Analysemethoden, die es erlauben, bestimmte Vorhersagen für die Zukunft zu treffen – zum Beispiel, wie sich bestimmte Veränderungen, die von Unternehmen in der Gegenwart vorgenommen wurden, in der Zukunft auswirken. Data Scientists sind für die gewinnbringende Auswertung der verschiedenen Datenströme verantwortlich.

Für die Tätigkeit als Data Scientist sind fundierte fachliche Kompetenzen, sogenannte Hard Skills, notwendig. Die Grundlage für die analytische Tätigkeit bilden seine ausgeprägten Fähigkeiten im Bereich der Mathematik. Insbesondere Statistik, Analysis und lineare Algebra mit all ihren Teilbereichen bilden die absolute Grundlage und sollten vom Data Scientist im Schlaf beherrscht werden. Um die riesigen, komplexen Datenmengen zu analysieren und mithilfe moderner Algorithmen zu strukturieren, sind fortgeschrittene Programmierkenntnisse zudem unerlässlich. Die am häufigsten verwendete Programmiersprache ist Python 3, in selteneren Fällen C, Scala oder Julia. Um die Analyse der Daten erfolgreich und effizient stemmen und Projekte umsetzen zu können, sind zudem Kenntnisse im Prozessmanagement (Datenaufbereitung, Maschinelles Lernen, Datenbanken) notwendig.

Neben den fachlichen Hard Skills sollte ein Data Scientist auch über einige Soft Skills verfügen, die ihm die Arbeit in einem modernen Jobumfeld erleichtern. Diese sind unter anderem:

Agiles Arbeiten: Hohe Flexibilität und Handlungsfähigkeit, um im Gegensatz zu klassischen Unternehmensstrukturen schneller auf Veränderungen reagieren und Anpassungen vornehmen zu können. Dabei sind unter anderem eine transparente Kommunikation, eine offene Feedback-Kultur sowie eigenverantwortliches Arbeiten unbedingt erforderlich, um in agilen Strukturen erfolgreich arbeiten zu können.
Kritische Denkweise: Die Fähigkeit, Prozesse zu analysieren, die richtigen Fragen zu stellen und Probleme proaktiv zu lösen.
Wissbegierde: Data Scientists sollten von der Frage nach dem „Warum“ getrieben sein und mit Motivation und Wissbegierde ihrer Arbeit nachgehen. Sie sind selten mit dem Status quo zufrieden und immer auf der Suche nach neuen Antworten und Möglichkeiten der Weiterentwicklung.
Geschäftssinn: Ein Data Scientist sollte nicht nur über Kenntnisse auf seinem eigenen Fachgebiet verfügen, sondern auch über das Geschäftsmodell des Unternehmens u.v.m. informiert sein, um auf Basis der gesammelten Daten die für sein Unternehmen passenden Empfehlungen treffen zu können.
 

Der akademische Hintergrund eines Data Scientists kann sehr unterschiedlich sein. Grundlage könnte ein Studium der Informatik, Physik, Mathematik oder auch Wirtschaftswissenschaften mit Spezialisierung sein, nach dessen Abschluss sich angehende Data Scientists entsprechend weiterbilden. Auch die Datenwissenschaft wird oftmals als Studiengang genannt, den Data Scientists absolviert haben. Von entscheidender Bedeutung sind umfassende Kenntnisse auf den Gebieten Statistik beziehungsweise Mathematik im Allgemeinen, Informatik, Coding und Softwareengineering.

Mittlerweile kann Data Science als noch sehr junger Bachelor- oder Masterstudiengang bspw. an der Fachhochschule St. Pölten oder der Modul Universität Wien studiert werden. Im Rahmen des Studiengangs werden fachliche Kenntnisse der Mathematik im Allgemeinen, der Statistik, Wahrscheinlichkeitsrechnung, aber auch der Informatik und des Codings vermittelt. Hinzu kommen Softwareentwicklung, skalierbares Datenmanagement, Maschinelles Lernen sowie die statistikbasierte (Daten-)Analyse und Visualisierungstechniken. Interessierte haben in der DACH-Region auch die Möglichkeit, das Studium dual zu absolvieren, um möglichst früh praktische Berufserfahrungen zu sammeln.

Data Scientists kommen überall dort zum Einsatz, wo unternehmensseitig großes Interesse besteht, mithilfe gesammelter Daten, Rückschlüsse für das eigene Handeln zu ziehen, vorhandene Prozesse zu verbessern und etwa die Kundenansprache zu optimieren. Da Daten, wie bereits erwähnt, branchenübergreifend immer wichtiger für Unternehmen werden und die Vielzahl an Daten beständig zunimmt, ergeben sich für Data Scientists vielfältige Einsatzmöglichkeiten in den verschiedensten Branchen.

Ein Paradebeispiel für ein Einsatzgebiet eines Data Scientists ist der E-Commerce-Bereich. Neben dynamischer Preisgestaltung, personalisierter Werbung oder auch Empfehlungen auf Basis des individuellen Nutzerverhaltens, gibt es auf diesem Gebiet zahlreiche Möglichkeiten, Daten nutzbar zu machen.

Auch in der Versicherungsbranche kommen Data Scientists zum Einsatz, etwa um auf Basis von Daten oftmals geschäftsschädigenden Versicherungsbetrug aufzudecken.

Daten werden für Unternehmen immer wichtiger. Entsprechend gefragt sind Data Scientists als ausgewiesene Expertinnen und Experten, die gesammelte Daten für das Unternehmen nutzbar machen und wertvolle Handlungsempfehlungen und Strategien ableiten. Da Daten nicht nur von großen Playern wie Google oder Facebook gesammelt werden, sondern beispielsweise auch für Mittelständler interessant sind, sind die Zukunftsaussichten für den Beruf Data Scientist vielversprechend – gutes Gehalt und Aufstiegschancen inklusive. Das Einstiegsgehalt eines Data Scientists ist zum Beispiel abhängig von der Berufserfahrung, dem höchsten Bildungsabschluss, der Größe sowie der Branche des Unternehmens. Es ist mit der Zeit auch möglich, Personalverantwortung zu übernehmen und bspw. ein Team von Data Scientists zu leiten oder auch in das Management zu gelangen.

Wer nicht nur in der Lage ist, Daten nach unterschiedlichen Kriterien zu analysieren, sondern diese Analyseergebnisse einleuchtend zu vermitteln, hat auf dem Arbeitsmarkt die größten Chancen.
Data Scientists sind in der Regel Generalisten. Eine Spezialisierung nach einigen Jahren Berufserfahrung kann jedoch sinnvoll sein. Folgende Spezialisierungen sind denkbar:

Risikoberatung: Wie wirken sich mögliche Expansionen und Umstrukturierungen des Unternehmens aus?
Kundenbeziehungsmanagement: Welche Produkte werden aus welchen Gründen gekauft beziehungsweise zurückgeschickt? Wie kann die Kundenbeziehung ausgebaut werden?
Produktpersonalisierung: Wie werden Produkte und Dienstleistungen persönlicher und damit ansprechender für bestehende- und Neukunden?
 

Für den Erfolg eines Data Scientists ist es zudem wichtig, immer aktuell zu bleiben und über neue Entwicklungen auf dem Markt sowie in den verschiedenen technologischen Bereichen informiert zu sein.
 

In jeder Bewerbung sollte berufsunabhängig auf übersichtliche, vollständige und einheitliche Bewerbungsunterlagen geachtet werden. Ebenso sollten Unternehmensinformationen und Ansprechpartner gewissenhaft recherchiert werden. Sowohl Anschreiben als auch Lebenslauf sollten exakt auf die jeweilige Branche sowie das Unternehmen zugeschnitten werden. Die Begeisterung für den Beruf sollte aus der Bewerbung deutlich abzulesen sein.

Im Rahmen der Bewerbung sollten die Kompetenzen herausgearbeitet werden, die den Bewerbenden für die Ausübung des Berufs des Data Scientists qualifizieren. Neben den fachlichen Fähigkeiten in den genannten Bereichen Mathematik, Statistik, Informatik und Softwareengineering sind für Unternehmen auch die weiter oben genannten Soft Skills wie zum Beispiel Kompetenzen in Prozess- und Projektmanagement sowie die Persönlichkeit und das individuelle Interesse des Bewerbernden relevant.

Für anstehende Vorstellungsgespräche sollten sich angehende Data Scientists unter anderem auch auf spezifische fachliche Fragen sowie Fragen, die die Problemlösekompetenz abfragen, vorbereiten.

Prognose zum Volumen der jährlich generierten digitalen Datenmenge weltweit in den Jahren 2018 und 2025. Statista. Veröffentlichungsdatum: November 2018. Abrufdatum: 09. Februar 2022. (Link)
 

Wie viel persönliche Daten wert sind: Markt für Datenhandel weltweit 200 Milliarden Dollar. Wirtschafts Woche. Veröffentlichungsdatum: 11. November 2020. Abrufdatum: 09. Februar 2022. (Link)