Data Scientist: Berufsprofil & Karriereperspektiven

Berufsbilder verändern sich in der Digitalisierung so schnell wie nie zuvor. Mit der Entwicklung neuer Technologien und immer größer werdender Datenmengen brauchen Unternehmen zunehmend Fachkräfte, die nicht nur über grundlegendes IT-Know-how und Programmierkenntnisse verfügen. Der Umgang mit Big Data stellt Firmen vor große Herausforderungen und eröffnet zugleich große Chancen. Hier kommt der Data Scientist ins Spiel.

Lies in diesem Beitrag, welche Kernkompetenzen du in diesem Job brauchst, wie du in diesem Berufsfeld Fuß fassen kannst und mit welchem Gehalt du rechnen darfst.

Im Kontext von Big Data  – der riesige Datenberg der Konzernen wie selbst Kleingewerbetreibenden zur Verfügung steht – sind neben IT-Spezialisten und KI-Technologien Datenexperten gefragt, die aus den Datenmassen Zusammenhänge erschließen und sinnvolle Rückschlüsse ziehen können. Diese werden dann meist in einer ansprechenden Präsentation aufbereitet. Durch die Visualisierung fällt es den Führungskräften, aber auch führenden Fachkräften meist leichter, die Empfehlungen nachzuvollziehen.

Einer dieser Experten ist der Data Scientist, der im Harvard Business Review bereits vor einigen Jahren als „The sexiest Job of the 21th century“ bezeichnet wurde. Er ist quasi der Experte für Datenwissen und übernimmt damit eine Schlüsselrolle im Unternehmen.

Mitarbeiter in diesem Bereich werden händeringend gesucht und dadurch in der Regel sehr gut bezahlt. Qualifizierte Datenspezialisten sind am Markt jedoch Mangelware. Es lohnt sich als Jobsuchender also, einen näheren Blick auf diesen spannenden Beruf mit Zukunft zu werfen.

Der Data Scientist ist Detektiv, Analyst und Richtungsweiser zugleich. Seine Aufgabe besteht darin, Daten zu erheben, diese zu analysieren und anhand der Ergebnisse Handlungsempfehlungen für die Firma abzuleiten. Und das nicht auf Basis einzelner Daten, sondern auf Grundlage enorm großer Datenmengen. Die Inhalte seiner Aufgaben können dabei sehr vielseitig sein.

In diesem Job wirkst du immer an verschiedenen Schnittstellen eines Unternehmens mit. Erhält der Data-Spezialist eine bestimmte Fragestellung von einer Fachabteilung oder dem Management, geht er zunächst auf die Suche nach den relevanten Datenquellen. Um die Daten erheben zu können, muss er möglicherweise wiederum mit anderen Unternehmensbereichen eng zusammenarbeiten oder individuelle Module entwickeln. Aber er erhebt diese Daten eben nicht nur, sondern verwandelt die Ergebnisse in Erkenntnisse, die einen Mehrwert für das Unternehmen schaffen.

Auf Basis seiner Annahmen und Empfehlungen trifft das Management wichtige Entscheidungen, die Prozesse im ganzen Unternehmen beeinflussen. Ohne einen fähigen Data Scientist im Haus ist es deutlich schwieriger, aus der riesigen Masse verfügbarer Daten nutzbare Erkenntnisse zu gewinnen und zukunftsweisende Handlungen abzuleiten. Zwar werden hierfür immer bessere Methoden, Module und Tools entwickelt, die die Analyse erleichtern. Den wesentlichen Unterschied macht aber nach wie vor der Mensch, der die Daten und ihre Auswertungen mithilfe geeigneter Methoden richtig interpretieren kann. Genau diese Rolle übernimmt der Data Scientist.

Zusammengefasst deckt der Data Scientist im Laufe seines Arbeitsprozesses folgende fünf Kernbereiche ab:

1. Datenauswahl: Er trifft auf Grundlage einer vorgegebenen Fragestellung die Entscheidung, welche Daten aus dem Big-Data-Berg analysiert werden sollten. Auch die Frage, unter welchen Gesichtspunkten diese Prüfung stattfindet, beantwortet er. Ein Beispiel für eine solche Frage könnte sein, was Einmalkunden dazu bewegt, wiederholt zu kaufen. Möchten Verantwortliche eines Unternehmens dies herausfinden, geben sie diese Fragestellung dem Datenwissenschaftler an die Hand.
2. Datenanalyse bzw. Data Mining: Im nächsten Schritt analysiert der Data-Experte die vorhandenen Daten, um diese Frage zu beantworten. In unserem Beispiel wäre zu ermitteln, welche Parameter den wiederholten Kauf beeinflussen. Zunächst gilt es stets abzuwägen, ob statistische Verfahren für die erforderliche Analyse ausreichen oder nicht. Vor allem dann, wenn sehr große Datenmengen vorhanden sind (Big Data), stößt Statistik allein oft an ihre Grenzen, und eine computergestützte Kombination von Methoden, wie es beim Data Mining der Fall ist, kann sinnvoll sein. Daher geht es für die Fachkräfte auch darum, sich im Bereich Informatik auszukennen. Diese computergestützte Anwendung verschiedener Ordnungen und Algorithmen erleichtert es dem Datenwissenschaftler hierbei, Zusammenhänge schneller zu erkennen und in einem der nächsten Schritte entsprechende Schlussfolgerungen abzuleiten. Außerdem ist jedes neue Projekt, mit dem die Fachkräfte beauftragt werden, ein gutes Training für den Job.
3. Dokumentation: Sind die ersten Erkenntnisse gewonnen, gilt es, diese zu dokumentieren. Das Projektteam rund um den Data Scientist notiert, welche Ergebnisse die Datenanalyse brachte. Übertragen auf unser Beispiel stellt der Datenwissenschaftler möglicherweise fest, dass es bestimmte Faktoren gibt, die zum Mehrfachkauf besonders anregen. Auch Parameter, die er zuvor in Betracht gezogen hatte, die aber nach der Betrachtung der Daten keinen Einfluss auf das Kaufverhalten zu haben scheinen, notiert der Data Scientist in seiner Dokumentation. Daraus lassen sich Algorithmen ableiten, um künftig einfachere Datenerhebungen durchführen zu können.
4. Interpretation: Als Übersetzer erhobener Daten geht es dem Data-Spezialisten im vierten Schritt darum, die Ergebnisse der Datenanalyse zu interpretieren. Dazu leitet er anhand seiner Dokumentation Schlussfolgerungen ab. Bezogen auf unser Beispiel stellt er möglicherweise fest, dass die Kunden, denen das Unternehmen nach einer bestimmten Zeitspanne ein Rückkehrangebot offeriert, öfter erneut kaufen. Daraufhin kann er bestimmte Annahmen treffen, etwa dass solche Maßnahmen das Kaufinteresse positiv beeinflussen. Hier zeigt sich der wohl größte Unterschied zwischen Data Science und Data Analytics: Bei Data Science geht es nicht nur um saubere Betrachtungen und Untersuchungen der Daten. Hierbei werden vielmehr aus deren Ergebnissen relevante Schlussfolgerungen und mögliche Fortschritte abgeleitet.
5. Schnittstellenkommunikation: Die Data-Analytics-Erkenntnisse gilt es im letzten Schritt so zu kommunizieren, dass nicht nur versierte Datenanalysten sie verstehen, sondern auch die betroffenen Entscheider in der Firma.

In unserem Beispiel kann er, der Data-Experte, nun möglicherweise die Empfehlung aussprechen, regelmäßig Rückkehrangebote zu offerieren, da diese einen positiven Einfluss auf das Kaufverhalten der Kunden haben. Die Entscheider in ihrem jeweiligen Bereich wiederum sind durch diese „Übersetzung“ des Data Scientists in der Lage, entsprechende Maßnahmen einzuleiten.

Die Kombination aus Datenanalyse und Schnittstellenkommunikation ist eine sehr besondere. Sie verlangt von Menschen, die den Job des Datenwissenschaftlers übernehmen, ganz verschiedene Fähigkeiten und Kompetenzen. Vor allem die folgenden Skills sind hierbei wichtig:

• IT-Kenntnisse: Im Umgang mit Daten, vor allem im Umgang mit Big Data, brauchst du in diesem Job ausgezeichnete IT-Kenntnisse. Auch, um entsprechende Tools und Methoden im Umgang mit Big Data anzuwenden. Datenwissenschaftler sind deshalb häufig Informatiker mit entsprechender Weiterbildung. Auch Grundlagenwissen hinsichtlich der Nutzung von Datenbanken oder der Programmierung kann hilfreich für diesen Job sein.
• Analytisches Denken: Die Datenanalyse als Kern des Daily Business verlangt die Fähigkeit zum analytischen Denken. Mathematiker, Statistiker – insbesondere Data-Mining-Experten – oder Ingenieure finden sich deshalb häufig in diesem Beruf. Als Bewerber für eine Data-Science-Stelle solltest du diese Fähigkeit unbedingt unter Beweis stellen.
• Betriebswirtschaftliches Denken: Da die Daten nicht nur erhoben, analysiert und dokumentiert werden, sondern auch Handlungsempfehlungen für das Management daraus abgeleitet werden sollen, profitiert ein Datenwissenschaftler von einem guten betriebswirtschaftlichen Verständnis. Denn den wirtschaftlichen Nutzen der Daten herauszuarbeiten, steht eindeutig im Vordergrund dieses Zukunftsberufes. Daher können Kenntnisse in Wirtschaftsinformatik nicht schaden.
• Gute Rhetorik und Kommunikationsfähigkeit: Nur dann, wenn die vom Data Scientist zwar konsolidierten, jedoch abstrakten Daten in einen konkreten Nutzen übersetzt werden, kann die Firma von ihnen profitieren. Ein Data Scientist sollte daher über eine gute Kommunikationsfähigkeit verfügen und komplexe Sachverhalte verständlich erklären können. Denn nur dann ist er in der Lage, nachvollziehbare Handlungsempfehlungen jenseits des statistischen Fachjargons zu formulieren.

Was verdient man im Bereich Data Science? Wie sind die Karrierechancen in diesem Job? Da der Bedarf an qualifizierten Data Scientists stark ansteigt, sind die Zukunftschancen in diesem Beruf ausgezeichnet. Auch finanziell ist der Beruf interessant. Alphajump, das Jobportal für Akademiker, gibt folgende Richtwerte für das Gehalt eines Data Scientists an:

• Junior Data Scientists: 45.000 € bis 50.000 € brutto/Jahr
• Data Scientist mit Berufserfahrung: 54.000 € bis 59.000 € brutto/Jahr
• Senior Data Scientist: 68.000 € bis 71.000 € brutto/Jahr

Besonders gefragt ist diese Position in größeren Firmen oder Konzernen mit mehr als 1.000 Mitarbeitern und solchen, die mit großen Datenmengen arbeiten.

Wenn du Interesse am Job des Data Scientists hast, kannst du dich auf ganz unterschiedlichen Wegen dafür qualifizieren. Oftmals sind Data Scientists Informatiker oder Betriebswissenschaftler mit Weiterbildungen im Statistik- oder IT-Bereich. Auch Softwareentwickler oder Business-Developer kommen infrage.

Über entsprechende Weiterbildungen im Bereich Datenanalyse oder Big Data erwerben diese dann Kompetenzen, die sie zu aussichtsreichen Kandidaten für den Job im Bereich Data Science machen.

Außerdem lohnt sich eine Expertise im jeweiligen Umfeld, in dem sie arbeiten, beispielsweise ein Kurs im Online-Marketing oder E-Commerce. Zwei Bereiche, die in Zukunft immer häufiger die Unterstützung kompetenter Data Scientists brauchen dürften. Generell gibt es verschiedene Kurse, um den Job optimal ausfüllen zu können. Den für dich passenden Kurs solltest du dann auch für deine Qualifikation nutzen.

Dabei kannst du auf eine komplette Weiterbildung, bestehend aus mehreren Modulen, setzen, aber auch auf einen berufsbegleitenden Kurs. Achte bei der Auswahl vor allem auf den Aufbau des Kurses. Wenn die Module aufeinander abgestimmt und aufbauend sind, besteht das größte Potenzial, erfolgreich deinen Abschluss zu machen und einen guten Job zu finden.

Neben den individuellen Datenmodellen, die behandelt werden sollten, solltest du auch auf weitere Inhalte achten. Teilweise gibt es sogar Module, die mit Projekten arbeiten. Die Teilnehmer lernen dann gemeinsam, indem sie ein komplettes Projekt mit entsprechenden Datenmodellen erarbeiten. 

Spezielle Cases, also Fälle, die behandelt werden, können in den einzelnen Modulen ebenfalls eine wichtige Rolle spielen. Generell gilt: Gute Kurse arbeiten mit Visualisierung und greifen auf Fachkräfte aus verschiedenen Branchen zurück. Dadurch gelingt das Lernen meist besser, da anhand praktischer Fallbeispiele das Wissen vermittelt werden kann.

Bekannt sind vor allem die Python-Kurse, die derzeit angeboten werden. Learning by Doing spielt dabei oft eine große Rolle. Je nachdem, welches Modul in Python gerade angesagt ist, variieren die Inhalte der Weiterbildungen. Allerdings sind Python-Kurse noch nicht sehr verbreitet.

Insgesamt eröffnet der Bereich Data Science ein sehr spannendes und besonders chancenreiches Tätigkeitsfeld. Dieser Zukunftsberuf hat dein Interesse geweckt und du denkst über einen Berufswechsel nach? Das ist sicher keine leichte Entscheidung. Diese fünf wichtigsten Fragen zum Berufswechsel können dir dabei helfen.