Was macht ein Data Scientist?
Am Anfang steht eine fachliche Frage: Welche Kunden kündigen wahrscheinlich, wie entwickelt sich die Nachfrage im nächsten Quartal, wo entstehen Ausfälle in einer Produktionslinie. Data Scientists übersetzen solche Fragen in eine Analyse. Sie holen Daten per SQL aus Datenbanken und Data Warehouses, bereinigen sie, prüfen fehlende Werte und Ausreißer und erzeugen daraus Merkmale für ein Modell. Dann wählen sie Verfahren aus, etwa Regressionen, Entscheidungsbäume, Clustering oder neuronale Netze, trainieren sie meist in Python oder R und bewerten, ob die Ergebnisse belastbar sind. Ein großer Teil der Zeit fließt erfahrungsgemäß in die Datenaufbereitung, nicht in das Modellieren. In Softwarefirmen arbeiten Data Scientists eng mit Entwicklern und Data Engineers zusammen, damit Modelle in Produkte eingebaut, überwacht und regelmäßig neu trainiert werden. Zur Arbeit gehört außerdem, Ergebnisse in Dashboards, Berichten und Präsentationen so aufzubereiten, dass Fachabteilungen und Geschäftsführung damit etwas anfangen können.
Wie wird man Data Scientist?
Eine geregelte Ausbildung gibt es nicht. Üblich ist ein Studium in Informatik, Mathematik, Statistik, Physik, Wirtschaftsinformatik oder einem spezialisierten Studiengang Data Science, in vielen Stellen wird ein Masterabschluss erwartet, in forschungsnahen Bereichen auch eine Promotion. Quereinsteiger kommen oft aus quantitativen Fächern wie Volkswirtschaft, Psychologie oder Ingenieurwesen und haben sich Programmierung und maschinelles Lernen zusätzlich angeeignet. Bootcamps und Zertifikate können den Einstieg erleichtern, ersetzen bei vielen Arbeitgebern aber nicht den Nachweis durch Projekte, etwa ein Portfolio auf GitHub oder Erfahrung aus Werkstudentenstellen.
Was der Beruf verlangt
Der Beruf verlangt solide Statistikkenntnisse, sicheres Programmieren und die Geduld, sich durch unordentliche Daten zu arbeiten. Viele Projekte scheitern nicht an der Methode, sondern an schlechter Datenqualität, unklaren Zielen oder fehlender Unterstützung in den Fachabteilungen. Das kann frustrieren, ebenso wie Modelle, die nach Wochen Arbeit nie produktiv eingesetzt werden. Die Arbeitszeiten sind meist geregelt und flexibel, vor Releases, Präsentationen oder Projektabgaben steigt der Druck aber spürbar. Werkzeuge und Methoden ändern sich schnell, zuletzt besonders durch große Sprachmodelle, sodass ständiges Weiterlernen dazugehört, oft auch außerhalb der Arbeitszeit. Wer gern allein am Rechner tüftelt, unterschätzt häufig den Anteil an Abstimmung, Erklären und Überzeugen.
Aussichten
Die Nachfrage ist in den vergangenen Jahren stark gewachsen und liegt weiterhin über dem Durchschnitt vieler Büroberufe, der Markt für Einsteiger ist allerdings enger geworden, weil viele Absolventen in den Beruf drängen und Arbeitgeber zunehmend Berufserfahrung verlangen. Gefragt sind vor allem Profile, die Modellierung mit Software-Engineering und Cloud-Kenntnissen verbinden. Entwicklungswege führen zum Machine Learning Engineer, zum Senior oder Lead Data Scientist, in die Teamleitung eines Analytics-Bereichs oder in eine fachliche Spezialisierung, etwa auf Sprachverarbeitung, Bildanalyse oder Prognosemodelle. Manche wechseln später in die Beratung oder machen sich als Freiberufler selbstständig.