Aus der Vogelperspektive ist es einfach den Beruf des Data Scientist zu beschreiben. Es lohnt sich aber genauer zu betrachten, welche Aufgaben im Tagesgeschäft anfallen und in welchen Branchen. Die Aufgaben sind oftmals vielschichtig und decken eine breite Spannweite ab. Die Arbeit eines Data Scientist beinhaltet die Identifizierung von Datenquellen, das Sammeln von Daten, die qualitative Prüfung und das Management dieser Daten in Datenbanken und Sammelsystemen. Ebenso beinhaltet die Arbeit des Data Scientist Pflege, Wartung und Auswahl von neue Datensystemen. Wenn diese Datenquellen unstrukturiert sind, müssen für die Weiterverarbeitung durch den Data Scientist aufbereitet werden. Hierzu werden Programmierfertigkeiten mitgenutzt. Ausgehend von den bereinigten können Daten Modelle erstellt werden. Die Verwendung von Machine Learning Algorithmen hilft dabei die gesammelten Daten bestmöglich zu analysieren. Auch statistische Analyse trägt dazu bei, dass bei der Aufbereitung Muster erkenntlich werden, die in die Richtung einer Lösung deuten können. Darauf aufbauend und basierend auf unternehmerischem Fachwissen erstellt man Prognosen. Diese Hypothesen werden dann in Form von Reports und KPIs weitergebenen und aus diesen Informationen lassen sich Handlungsempfehlungen ableiten. Aus dieser Handlungsempfehlung werden Entscheidungshilfen und im besten Fall Möglichkeiten Unternehmensprozesse zu Automatisierung und Optimieren. Der Ausgangspunkt für diese Tätigkeiten ist, dass anhand von Daten eine Lösung für das Problem eines konkreten Business Cases gefunden werden soll. Abhängig sind die konkreten Aufgaben auch davon, wie groß das Unternehmen ist, je größer das Unternehmen, desto spezialisierter sind die Aufgaben. Wenn der Auftraggeber ein Start-Up ist, ist es wahrscheinlicher, dass ein Allrounder gebraucht wird.

In welchen Branchen werden Data Scientists eingesetzt?

Aber nicht nur die Unternehmensgröße, sondern auch die Branche, in der das Unternehmen tätig ist, beeinflusst die Arbeitsweise des Data Scientists. Gebraucht werden Data Scientists eigentlich überall, wo Daten helfen Entscheidungen zu treffen. In Logistikunternehmen wird Datenwissenschaft angewandt, um Fahrpläne zu optimieren; Im Bereich der Energiewirtschaft und Wasserwirtschaft werden Daten analysiert, um Verbrauchsmuster zu erkennen und Spitzen besser abzufangen. In der Versicherungs- und Gesundheitsbranche werden mit Hilfe von Modellen und Mustern Prognosen erstellt, die Risken bestimmen und Behandlungsmöglichkeiten vorgeschlagen. E-Commerce setzt Data Scientists ein, um Prozesse zu streamlinen, relevante Produkte für Kunden vorzuschlagen und Preise dynamisch an die Nachfrage anzupassen. Mit smarten Algorithmen wird Werbung personalisiert geschaltet und Empfehlungen ausgesprochen. Auch in der Telekommunikationsbranche oder der Unternehmensberatung werden Data Scientists eingesetzt. Überall dort, wo große Datenmengen generiert werden, können diese auch für die Verbesserung von Geschäftsprozessen angewendet werden. Wer sich also in seiner Branche schon Fachwissen angeeignet hat, dem wird es auch leichter Fallen sich als Data Scientist in diesem Bereich zu etablieren. Die Spezialisierung besteht schon. Wer noch unschlüssig ist, welche Spezialisierung sich eignet kann sich von seinen Interessen inspirieren lassen.

So weit so gut, aber bezeichnen auch alle Unternehmen diesen Aufgabenbereich als Data Science?

Den Beruf des Data Scientist ist noch nicht lange etabliert. Es ist jedoch nichts neues, dass Unternehmen Erkenntnisse aus Daten ableiten. Dementsprechend gibt es verschiedene Berufsbezeichnungen, die ähnliche Jobs beschreiben, die auch in das Feld der Datenwissenschaft fallen. Neben den Data Scientists beispielsweise auch Big Data Specialists, Data Analysts und Business Analysts. Die Analysts unterscheiden sich deutlich mehr von den Scientists, da dort die Aufbereitung und wissenschaftliche Arbeit der Daten nicht im Fokus liegt, sondern deren Analyse.  Bei vielen Data Scientist handelt es sich beispielsweise um Informatiker, Programmierer, Mathematiker, Statistiker, Analysten, Betriebswirtschaftler und Datenbank-Spezialisten, die sich im Bereich der Datenwissenschaft weitergebildet haben. Wer also eine solche Grundlage mitbringt, dem sollte der Einstieg in die Datenwissenschaft leichter fallen. Einen Teil der notwendigen Fertigkeiten bringt man so schon mit, wahrscheinlich deckt man sogar zwei von drei großen Bereichen ab, nicht nur Programmierwissen, sondern auch Analyse- oder Kommunikationsfertigkeit. Dann muss nur noch der fehlende Bereich und Branchenwissen weiterentwickelt werden.

Wer schon einen Beruf ausübt, der in eine der drei in der Grafik dargestellten großen Kategorien von Data Science fällt, hat einen leichteren Weg vor sich als jemand, der komplett umschult oder noch in der Ausbildung ist. Der leichteste Weg von diesem Ausgangsunkt ist zu identifizieren, welche spezifischen Fertigkeiten ausgebaut werden müssen und einschlägige Weiterbildungen zu absolvieren. Beispielsweise bei einem dieser Umschulungsanbieter: Fraunhofer Institut; Bitkom Akademie; Haufe Akademie oder Solvistas Academy. Wenn es nur darum Grundlagenwissen von bestehenden Skills weiterzuentwickeln bieten sich auch Online Kurse über Plattformen wie Lynda, Coursera, Udemy, Udacity, Datacamp, Dataquest und Idx an. Bei Start-Ups und in Einsteigerpositionen besteht manchmal, besonders für Autodidakten, die Möglichkeit die notwendigen Fähigkeiten „on the job“ zu lernen. Auch wer schon sein erstes Projekt im Bereich Data Science gefunden hat, sollte den konstanten Weiterbildungsaufwand nicht unterschätzen. Es lohnt sich hier besonders am Puls der Zeit zu bleiben.

Wer gerne einen traditionelleren Ausbildungsweg gehen möchte, noch studiert oder sich in der Tiefe mit Data Science auseinandersetzen möchte, dem stehen auch (Fern-)Studiengänge im Bereich Datenwissenschaft als Optionen offen. Dies ist jedoch eine deutlich zeitintensivere Entscheidung, bei der man sich über die eigene Leistungsbereitschaft im Klaren sein sollte.

Das sind die konkreten Skills, die man als Data Scientist braucht

Egal für welche Form der Weiterbildung man sich entscheidet, am Ende der Umschulung oder des Studiums sollte man sich die für eine Karriere als Data Scientist notwenigen Skills erarbeitet haben. Zuvor haben wir schon angerissen, in welche großen Kategorien diese Fähigkeiten fallen. Ins Detail geht es jetzt.

Wichtig ist, dass man mathematisches Wissen mitbringt. Besonders wertvoll ist sicherer Umgang mit Statistik, Wahrscheinlichkeiten und Linearer Algebra. Dieses Wissen ist deswegen so bedeutungsvoll, weil Data Scientists Zahlen und Daten verstehen und aufbereiten können müssen. Deswegen muss man Muster in großen Datensätzen erkennen und analysieren können, als Vorbereitung für die visuelle Aufbereitung. Ein gutes Verständnis von linearer Algebra ist auch eine der Grundvoraussetzungen dafür, dass man eigne Machine Learning Programmierung vornehmen kann. Machine Learning erlaubt es Unternehmen ihre Systeme auf der Basis der bearbeiteten Daten zu verbessern und zu automatisieren, so können sie kosteneffektiver arbeiten. Einsatz, Zeit und Energie können eingespart werden. Somit wird die Möglichkeit, Entscheidungen in Echtzeit zu treffen, erleichtert und es können wertvolle Prognosen für die Zukunft erstellt werden.

Dementsprechend sollte ein Data Scientist programmieren können. Es ist kein komplettes Informatikstudium notwendig, aber man sollte Datenmodelle und Prototypen bauen können und über ein Grundwissen des Software-Engineerings verfügen. Programmiersprachen wie R, Python, Perl, Java, C / C++ werden besonders oft als nützlich für angehende Data Scientist genannt.

Wenn die Daten analysiert sind, müssen sie aufbereitet werden, für den Gebrauch zugänglich gemacht und aufbewahrt werden. Deswegen ist eine Grundkenntnis von Datenbanken essenziell. Wer sich beispielsweise im Umgang mit SQL, NoSQL oder MongoDB auskennt, bringt gute Grundlagen mit. Das ist aber nur ein kleiner Ausschnitt der Tools, welche die Arbeit als Data Scientist erleichtern. Hier liegt die Entscheidung für die Hilfsmittel, welche für den eigenen Einsatz am geeigneten sind beim Data Scientist. Am Ende zählt nicht, was eingesetzt wurde, sondern das Ergebnis.

Die Kernabsicht der Daten-Transformation liegt darin, dass die Daten auch für andere einfach zu verstehen und zu nutzen sind. Für die Visualisierung können beispielweise Graphen und Infografiken verwendet werden, sowie Tabellen, Diagramme oder Reports. Nicht umsonst sollten Data Scientist sich auch gut mit Excel auskennen. Weitere Tools, bei denen die Einarbeitung sich für angehende Data Scientists lohnen kann, sind Microsoft Azure, AWS, Google Cloud, SAS und Docker.

Eine fachliche Ausbildung und Wissen um geeignete Tools allein machen aber noch lange keinen erfolgreichen Data Scientist aus. Dafür muss man auch einige Eigenschaften mitbringen, die wenig mit fachlicher Expertise zu tun haben.

Ein guter Data Scientist verfügt über Fachwissen, weiß, wie er die notwenigen Tools anwendet und wo er die richtigen Informationen findet. Besonders gut passen aber Personen in das Berufsfeld die sich nicht stumpf auf die erlernten Fertigkeiten konzentrieren, sondern darauf wie sie sinnvoll eingesetzt werden können, um Probleme zu lösen. Neben einem auf Problemlösung ausgerichtetem Mindset sollte ein Data Scientist aber auch wissen, an welchem Punkt die Suche nach der perfekten Lösung weniger zielführend ist, als eine funktionierende Lösung für das Problem in die Tat umzusetzen. Damit verhindert man, dass man sich selbst im Weg steht und kann das Produkt konstant verbessern.

Die Bedeutung von guter Kommunikationsfähigkeit für einen Data Scientist wurde zuvor schon angeschnitten. Dazu gehört auch die Fähigkeit die richtigen Fragen im richtigen Fragen zu stellen; sich und anderen; und bei eignen Erklärungen zu bedenken, dass nicht Alle das gleiche Fachwissen haben. Problem, Lösungsansatz und Entscheidungen müssen so kommuniziert werden, dass alle Beteiligten diese Punkte auch tatsächlich verstanden haben. Dabei ist nicht zu unterschätzen, dass diese Art zu kommunizieren und auch das Erkennen von Problemen oder Stellen an denen Potential für Verbesserungen besteht zu identifizieren gute soziale Fertigkeiten voraussetzt. Auch sich und seine Arbeit gut präsentieren zu können gehört zum Job des Data Scientist.

Neugierde ist eine Grundvoraussetzung dafür, dass man sich als Data Scientist die richtigen Fragen zur richtigen Zeit stellt. Nur, wer wissen will, warum sich etwas so verhält wie es sich verhält kann den Gründen auf die Spur kommen und eine Lösung etablieren. Auch eine gewisse Kreativität darf dabei nicht fehlen. Oft bedeutet der Job des Data Scientist, dass man über sich auch aus anderen Fachbereichen inspirieren lassen muss, um nachhaltige Lösungen zu finden. Dafür muss man aber auch hinterfragen können, ob der eigene Ansatz richtig ist, an welcher Stelle noch optimiert werden kann und dieses hinterfragen dann anhand von Recherche und Datenanalyse zu qualifizieren. Dies bedeutet oft auch ein größeres Zeitinvestment, da die ausschlaggebenden Informationen nicht einfach so vom Himmel fallen, sondern langfristig zusammengetragen werden müssen.

Ein Data Scientist vereint die Rollen eines Kommunikationsexperten, eines Business Analysts und eines Programmierers ins sich. Nebenher soll er auch noch als Berater fungieren und helfen Unternehmensentscheidungen zu treffen. Die Anforderungen sind also nicht zu unterschätzen. Realistisch muss man aber sagen, dass die Ausprägung der einzelnen Rollen sehr abhängig von dem Unternehmen ist, indem sie eingesetzt werden sollen. Besonders für einen freiberuflichen Data Scientist können die Anforderungen von Projekt zu Projekt stark variieren.

Aber nicht nur die Anforderungen, sondern auch der Stundensatz für dein Projekt kann je nach Branche und Unternehmen variieren.

Nachdem man viel Zeit und Mühe investiert hat um Data Scientist zu werden, soll sich der Beruf auch lohnen. Besonders als Freelancer hängt der Stundensatz von einer Reihe an Kriterien ab. Nicht zuletzt auch vom Verkaufsgeschick des Freiberuflers, der Branchen- und Projekterfahrung und dem Ausbildungslevel. Wer sich schon ein gutes Netzwerk aus Data Science Freiberuflern aufgebaut hat sollte darauf zurückgreifen, um über die geläufigen Konditionen zu sprechen. Das ist auch im Interesse von etablierten Kollegen, da so eine Verwässerung des Marktes vermieden wird. 2020 lag das durchschnittliche Jahreseinkommen eines Data Science Freelancers bei 68.000 €, was einem Stundensatz von 116 € entspricht. 2018 wurde noch ein durchschnittlicher Stundensatz von 85 € angesetzt. Je nach Marktlage können diese Sätze stark fluktuieren, auch innerhalb eines Jahres.

Seniorität und Fachwissen wirken sich stark auf das Gehalt eines Data Scientist aus. Obwohl immer mehr junge Data Scientists auf den Markt kommen, fehlen ihnen oft die nötigen Spezialisierungen, die erfahrene Datenwissenschaftler so wertvoll für Unternehmen machen. Ähnlich wirkt sich auch Teamleitung, Projekt- oder Projektverantwortung auf den Stundensatz aus. Wer solche Posten besetzt, wird mehr verdienen.

Wo das Unternehmen ansässig ist, für das man in einem Projekt arbeitet, kann sich auch auf den Stundensatz auswirken. Dasselbe trifft auch auf die Größe des Unternehmens zu. Kleine Unternehmen und Start-Ups haben weniger Kapital zur Verfügung als große Konzerne, eignen sich aber dafür oft für angehende Data Scientists, da die Einstiegshürden nicht so hoch sind.

Wie bei allen anderen Freelance Berufen ist das Einkommen von vielen Faktoren abhängig, nicht zuletzt davon, wie viele Stunden bzw. in wie vielen Projekten man arbeitet.

Wie gut man an gut bezahle Projekte komm, hängt als Freelancer auch davon ab, wie gut man sich nach außen Präsentiert. Und grundlegende Voraussetzung, welche in der jeweiligen Projektbeschreibung gefordert sind, müssen erfüllt sein.

Ganz grundsätzlich sind die Schritte, die man gehen muss, um als Data Science Freelancer durchzustarten denen ähnlich die andere IT-Freelancer vor sich haben. Zunächst muss man sich eine Präsenz aufbauen, online und offline, damit potenzielle Kunden wissen, dass man am Markt existiert. Dafür lohnt es sich eine eigene Website zu haben und einen Auftritt in beruflichen Sozialen Netzwerken wie LinkedIn. Dort sollte man seine Fähigkeiten und relevanten Erfahrungen darstellen. Ebenso muss der Kunde dort wichtige Informationen und Kontaktdaten einfach zugänglich finden. Niemand sucht lange, wenn er an einem anderen Ort oder bei einem anderen Freelancer Informationen einfacher findet.

Mit einer Google My Business Auflistung, die mit der eigenen Website verbunden ist und Kontaktinformationen, Geschäftszeiten und ähnliches darstellt, stärkt man seine Präsenz weiter. Das gilt auch für Freelancer-Plattformen, in deren Register man sich eintragen kann oder auf denen Projekte zur Bewerbung ausgeschrieben werden.

Wer sich eine eigene Website aufbaut, kann diese verwenden, um sein Portfolio zu präsentieren.  Dafür sollte die eigene Website eine Startseite mit generellen Informationen beinhalten, eine About-Page, die erklärt warum du dich für Data Science interessierst, was dich am meisten faszinierst, wie dein Weg zum Beruf war und was dich einzigartig macht. Eine Skills-Page hilft Fertigkeiten, Fähigkeiten und dein Fachwissen herauszustellen. Anhand einer klaren und eindeutigen Struktur sollte hier auch für Laien klar sein, welche Technologien wofür nützlich sind oder vorteilhaft eingesetzt werden können. Wer schon auf vergangene Projekte zurückblicken kann, kann diese im Kern seines Portfolios, der Project-Page, darstellen. Wichtig ist hier, dass die Projekte anonymisiert dargestellt werden, um nicht gegen Geheimhaltungsregeln oder den guten Ton zu verstoßen. Anhand er Projekterfahrung kann man hier die eignen Fertigkeiten gut in Szene setzen. Auch Reports oder Präsenz in Foren kann hier verlinkt werden. Auch Bildungsgrad und Fortbildungen können dort aufgelistet werden, je höher der Bildungsgrad desto besser die Einstiegschancen. Gleiches gilt auch für konstante eigenverantwortliche Weiterbildung, die einem auch beim Netzwerken helfen kann und eine für potenzielle Arbeitgeber attraktiver machen kann. Es lohnt sich alle handfesten Projekte in seinem Portfolio zu erwähnen, selbst wenn diese im Rahmen eines Studiums, einer Aus- oder Weiterbildung stattgefunden haben. Wichtig ist, dass der Fokus auf erreichten Erfolgen liegt. Die Kontaktseite listet alle Kontaktmöglichkeiten auf, theoretisch reichen E-Mail und Telefonnummer, ein Kontaktformular wirkt noch professioneller. Auch der Standort schadet nicht. Wer möchte könnte auch eine Seite für Referenzen oder Referenzkunden erstellen, sowie Blogs, Tutorials, Links zu Professional Socials oder YouTube. Nicht zu vernachlässigen ist auch, dass die Webseite so nutzerfreundlich wie möglich gestaltet wird, die Navigation sollte über einen guten Header, Footer etc. erleichtert werden.

Wer sich noch tiefer mit dem Thema Online-Auftritt auseinandersetzen möchte, kann sich auch in unserem Post über Personal Branding weitergehend informieren.

Data Science – mehr als nur Hype

Wer sich dafür interessiert in den Bereich Datenwissenschaft einzusteigen muss sich keine Gedanken machen, dass es sich nur um einen kurzen Trend handelt, der wieder von der Bildfläche verschwindet. Die Menge an Daten, die generiert werden und gewinnbringend eingesetzt werden können wächst von Jahr zu Jahr. Wer also alle notwenigen Voraussetzungen erfüllt, kann als Data Scientist erfolgreich werden. Die Prognosen des Allrounders der Beratungs-, Programmier- und Analysefähigkeiten mitbringt sind gefragt wie nie.

Quellen

https://www.kdnuggets.com/2017/03/think-like-data-scientist-become-one.html

https://www.kdnuggets.com/2020/10/greatlearning-become-data-scientist-guide.html

https://www.kdnuggets.com/2021/03/succeed-becoming-freelance-data-scientist.html

https://www.freelancermap.de/blog/was-macht-ein-data-scientist/

https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century

https://datadrivencompany.de/was-verdient-man-in-data-science-die-gehaelter-von-data-analyst-data-scientist-und-data-engineer-im-vergleich/

https://www.all-electronics.de/gehoeren-data-scienctists-die-zukunft/

https://www.get-in-it.de/magazin/arbeitswelt/it-berufe/was-macht-ein-data-scientist

https://www.bigdata-insider.de/was-ist-data-science-a-979153/

https://www.alphajump.de/karriereguide/gehalt/gehalt-data-scientist

https://ratgeber-umschulung.de/technik/data-scientist/

https://www.absolventa.de/karriereguide/berufseinstieg/datenschutz-arbeitsplatz-arbeitnehmer

https://www.bigdata-ai.fraunhofer.de/de/data-scientist/schulungssuche.html

https://academy.solvistas.com/data-science-digitalisierung/lgds-10-lehrgang-ausbildung-zum-data-scientist-foundation-level/

https://gehaltsreporter.de/gehaelter-von-a-bis-z/it/data-scientist/

https://datadrivencompany.de/data-scientist-beschreibung-aufgaben-tools-gehalt/

https://towardsdatascience.com/was-it-worth-studying-a-data-science-masters-c469e5b3e020

https://towardsdatascience.com/do-i-have-to-get-a-masters-to-break-into-data-science-27ae217dfb81

https://www.kdnuggets.com/2019/09/getting-hired-data-scientist-sought-data.html

https://www.kdnuggets.com/2021/03/portfolio-guide-data-science-beginners.html