Was macht ein Data Scientist?

Kaum ein anderer IT-Beruf hat in den letzten Jahren so viel Beachtung erfahren wie der Data Scientist. Mit seinen Analysen von großen Datensätzen gewinnt er wichtige neue Einsichten für das Unternehmen und erstellt sogar Voraussagen über die Zukunft. Erfahren Sie, welche Aufgaben er im Detail übernimmt und welche Industrien besonders von seiner Expertise profitieren.

Der Data Scientist im Überblick

Der Data Scientist ist ein Experte für Daten. Er bringt verschiedene Datenquellen zusammen und exploriert die gesammelten Informationen. Auf diese Weise stellt er neue Relationen her und gewinnt geschäftsförderliche Erkenntnisse für sein Unternehmen.

Der Beruf des Data Scientist hat in den letzten Jahren stark an Bedeutung gewonnen. Das hängt mit dem massiv gestiegenen Datenaufkommen zusammen. Insbesondere E-Commerce, IoT-Geräte und Social-Media-Plattformen erzeugen einen gigantischen Output.

Die Herausforderung besteht darin, aus dieser Flut einen Sinn abzuleiten. Erschwerend kommt hinzu, dass die Daten oft nicht in vergleichbaren, einheitlichen Formaten vorliegen. Hier kommt der Data Scientist ins Spiel. Er verwandelt unstrukturierte Rohdaten in eine strukturierte Datenbasis, analysiert diese und bewertet sie abschließend unter betriebswirtschaftlichen Gesichtspunkten.

Ein Beispiel ist das Thema E-Commerce. Betreiber von Onlineshops haben ein Interesse daran, herauszufinden, welche Produkte am häufigsten gesucht werden, von welchen Seiten die User direkt wieder abspringen und wie viele Interessenten den Kaufprozess abschließen bzw. abbrechen. Alle diese Erkenntnisse stellt der Data Scientist zur Verfügung und übersetzt sie in praktische Handlungsaufforderungen für das Unternehmen.

Es gibt vier unterschiedliche Typen von Data Scientists, die meist im Team arbeiten:

1. Data Analyst: Er wertet Daten aus.
2. Data Architect: Er befasst sich mit großen, unstrukturierten Datenmengen.
3. Data Manager: Er verknüpft Datenmengen miteinander und gewährleistet die Datenqualität.
4. Data Business Developer: Er stellt den Bezug zum Markt und den Unternehmenszielen her.

Zum Teil werden die eben genannten Subtypen aber auch als eigenständige Berufsgruppe aufgefasst. Aufgrund der Neuheit der Rolle existieren hier noch keine verbindlichen Definitionen.

Diese Aufgaben übernimmt ein Data Scientist

Es muss vorweggeschickt werden, dass sich die Aufgaben des Data Scientist stark von Branche zu Branche und sogar von Unternehmen zu Unternehmen unterscheiden. Trotzdem gibt es einige grundsätzliche Gemeinsamkeiten.

Big Data als Arbeitsgrundlage

In den meisten Fällen startet ein Data Scientist mit einer großen, unübersichtlichen Menge Daten. Dieses Big-Data-Set kann aus unterschiedlichen Quellen stammen:

• Produktionsdaten, die von mit Sensoren ausgestatteten Maschinen und Robotern ausgelesen werden
• Daten von IoT-Haushaltsgeräten wie Waschmaschinen oder Mikrowellen, die wichtige Erkenntnisse über Probleme von Kunden liefern
• Daten aus Datenbanken, zum Beispiel aus einer Aufstellung einer Customer-Relationship-Management-Software (CRM)
• Daten von Automobilen (klassisch oder selbstfahrend), welche die Fahrzeuge eigenständig an die Cloud senden
• App-Daten, wie sie zum Beispiel die Smartphone-Anwendung eines Versicherungsunternehmens liefern könnte

Dabei ist es wichtig, die zeitliche Perspektive zu berücksichtigen. Typischerweise verwenden Data Scientists zumindest die Datengrundlage der letzten drei Jahre. Bei kleineren Zeitfenstern können die Abweichungen zu groß sein.

Häufig übernehmen Data Scientists auch das fortlaufende Tracking und Monitoring der Daten. Das gilt insbesondere dann, wenn die Daten intern erzeugt werden, zum Beispiel durch Produktionsmaschinen.

Datenbasis und -bereinigung

Zu den häufigsten Aufgaben des Data Scientist zählt die Herstellung einer soliden Datenbasis, was fast immer mit einer Bereinigung der Daten einhergeht. Hier muss sehr gründlich gearbeitet werden; denn ist die Datenbasis fehlerhaft, werden auch die unternehmerischen Vorhersagen kaum zutreffen.

Dafür wird von den Rohdaten ausgegangen und deren Level an Strukturiertheit betrachtet. Typischerweise liegen zu diesem frühen Zeitpunkt der Großteil der Daten noch unstrukturiert vor. Das bedeutet, sie verfügen nicht über ein einheitliches Schema, welches eine direkte Vergleichbarkeit ermöglichen würde. Unter Verwendung spezieller KI-Software kann der Data Scientist aus den Rohdaten überflüssige Informationen herausfiltern, die relevanten Daten extrahieren, diese anschließend mappen und in das passende Format konvertieren.

Predictive Analytics im Fokus

Es gibt zahlreiche Analytics-Teilgebiete, mit denen sich ein Data Scientist auskennen muss. Besonders große Hoffnungen setzen Unternehmen aber auf den Bereich Predictive Analytics, also der Ableitung von Aussagen über zukünftige Ereignisse aus historischen Daten.

Auf diese Weise können Unternehmen:

• Marktveränderungen vorhersagen,
• einschätzen, wie sich ein bestimmtes Produkt entwickeln wird,
• antizipieren, wann es zu Lieferengpässen kommen könnte und
• saisonale Schwankungen vorwegnehmen.

Unternehmen erhalten einen massiven Wettbewerbsvorteil, indem sie solche Themen frühzeitig adressieren. Man kann Predictive Analytics deshalb als die Paradedisziplin des Data Scientist bezeichnen.

Diese Vorhersagen werden zusätzlich noch durch Tests und sogenannte Trainings validiert. KI-Anwendungen simulieren unterschiedliche Szenarien, halten sie gegeneinander und erhöhen so die Aussagekraft der vom Data Scientist erstellten Hypothesen.

Datenaufbereitung

Last, but not least übernimmt der Data Scientist in vielen Fällen auch die grafische Aufbereitung der Daten. Das macht es Außenstehenden, zum Beispiel aus der Führungsriege, leichter, nachzuvollziehen, wie sich die Situation verhält und auf welcher Basis die Vorhersage getroffen wurde. Durch die Datenaufbereitung wird also eine Diskussionsgrundlage für das Team geschaffen.

Welche Branchen einen hohen Bedarf haben

Der Data Scientist ist mittlerweile in vielen Industrien ein sehr gefragter Beruf. Die folgende Auswahl vermittelt einen Eindruck davon.

Logistikbranche

Data Scientists helfen der Logistikbranche dabei, Abläufe zu optimieren. Das betrifft zum Beispiel Voraussagen darüber, wann das Warenlager im Zusammenhang mit saisonalen Schwankungen aufgestockt werden muss.

E-Commerce

Im E-Commerce-Umfeld analysieren Data Scientists beispielsweise das Kundenverhalten, um die Conversion Rate eines Onlineshops zu optimieren.

Energiebranche

Data Scientists können Vorhersagen treffen, wann die Stromnetze stark belastet sein werden, was es den Netzbetreibern erlaubt, Vorsorgemaßnahmen zu treffen.

Versicherungen

Auch in der Versicherungsbranche sind Data Scientists nicht mehr wegzudenken. Sie analysieren Risiken, zum Beispiel mit welcher Wahrscheinlichkeit ein Schadensereignis eintreten wird, um so Versicherungsprämien akkurat zu bestimmen.

Medizin

Insbesondere bei der automatischen Analyse bildgebender Verfahren spielen Data Scientists in der Medizin eine wichtige Rolle. So können menschliche Fehldiagnosen reduziert und Krankheiten früher bemerkt werden.

Industrie 4.0

Data Scientists betrachten für die Industrie 4.0 die Daten, welche die Smart Factory liefert. Jedes Gerät ist hier mit Sensoren ausgestattet und leitet fortlaufend Produktionsdaten in die zentrale Firmen-Cloud weiter. Data Scientists analysieren diese Daten und entdecken auf diese Weise Optimierungspotenziale oder sagen voraus, wann eine bestimmte Maschine ausfallen wird.

Einsatzgebiete

Unternehmen können Data Scientists an unterschiedlichen Stellen in der Organisation gewinnbringend einsetzen.

Produktentwicklung

Viele Unternehmen entwickeln Produkte immer noch aus dem Bauch heraus, ohne sich sicher sein zu können, ob die Neuerung vom Markt angenommen werden wird. Hier kann der Data Scientist Abhilfe schaffen. Er entwickelt Produkte ausschließlich datengestützt. Dafür analysiert er das Marktumfeld, sagt Trends voraus, betrachtet das Kundenverhalten der letzten Jahre und zieht Vergleiche mit anderen Märkten.

Kundenbeziehungsmanagement

Auch das Kundenbeziehungsmanagement profitiert vom Data Scientist. Anhand der vorliegenden Datenbasis sagt er voraus, wann Kunden am liebsten kontaktiert werden möchten und wann lieber nicht, welche Kanäle sie bevorzugen und ob der richtige Zeitpunkt für Up- oder Cross-Selling gekommen ist.

Projektmanagement

In diesem Bereich würde man den Data Scientist eher nicht erwarten. Tatsächlich leistet er wertvolle Dienste, was die Potenzialanalyse angeht. Denn Unternehmen könnten zu jedem Zeitpunkt eine Vielzahl von Projekten anstoßen, haben aber nur begrenzte Ressourcen zur Verfügung. Der Data Scientist findet heraus, welcher der existierenden Projektvorschläge den größten Return on Investment bietet.

Service und Support

Im Service-Umfeld analysieren Data Scientists Kundenreaktionen, indem sie Stichwörter und Schlüsseldaten aus Support-Interaktionen auslesen. Auf diese Weise lässt sich quantifizieren, wie effektiv der Support tatsächlich arbeitet und in welchen Bereichen nachgebessert werden sollte.

Welche Fähigkeiten gefragt sind

Die Tätigkeit des Data Scientist ist sehr anspruchsvoll. Er muss eine Vielzahl von Qualifikationen parallel abdecken.

Grundlagen der Softwareentwicklung

Um die Datenbasis optimal analysieren zu können, müssen Data Scientists regelmäßig neue analytische Methoden entwickeln. Dafür muss der Data Scientist die entsprechenden Programmiersprachen beherrschen und in der Lage sein, kreative neue Herangehensweisen zu finden.

Erfahrung im Umgang mit KI-Anwendungen

Data Scientists stützen sich bei ihrer Arbeit stark auf Anwendungen aus dem Bereich künstliche Intelligenz. Insbesondere Tools für das Deep und Machine Learning spielen eine zentrale Rolle. Hier muss der Data Scientist entsprechend versiert sein.

Betriebswirtschaftliches Wissen

Weil die Vorhersagen des Data Scientist eng an Geschäftsprozesse gekoppelt sind, muss er sich gut mit betriebswirtschaftlichen Zusammenhängen auskennen. Er muss den Markt verstehen, speziell was Prozesse von Angebot und Nachfrage angeht. Daneben hilft es, wenn er mit den Grundzügen der Käuferpsychologie vertraut ist.

Softskills

Der Data Scientist muss auch wesentlich die Rolle des Kommunikators einnehmen können. Schließlich liegt es an ihm, die gefundenen Einsichten und Vorhersagen an das Management zu vermitteln, damit sie in praktische Handlungen übersetzt werden können. Je souveräner der Data Scientist hier auftritt, desto stärker werden seine Analysen positive Resultate nach sich ziehen.

Diese Ausbildungswege existieren

Es gibt mittlerweile mehrere dezidierte Studiengänge für den Beruf Data Scientist. Die Studiengänge sind interdisziplinär aufgebaut. Im Bachelorstudium werden vor allem Grundlagen der Mathematik, Informatik und Statistik gelehrt. Das umfasst unter anderem Programmiersprachen, Datenanalyse und statistische Verfahren. Auch werden schon erste kleine Projekte von den Studierenden selbst umgesetzt. Im Masterstudium werden dann insbesondere Kenntnisse in den Bereichen Machine Learning, Data Assimilation und Business Analytics vertieft.

Eine weitere Möglichkeit besteht darin, zuerst einen allgemeinen Bachelor in Informatik oder Wirtschaftsinformatik zu absolvieren, und dann einen spezialisierten Masterstudiengang Data Science anzuhängen. Diese Variante ist auch deshalb beliebt, weil es aktuell einen leichten Überhang der Masterstudiengänge Data Science in Deutschland gibt.

Tatsächlich sind viele der heute tätigen Data Scientists aber Quereinsteiger. Sie haben in aller Regel Informatik studiert und sich dann später, im Laufe ihrer Karriere, auf den Bereich Data Science spezialisiert. Dafür besuchten sie meist eine oder mehrere berufsbegleitende Weiterbildungen. Das hängt damit zusammen, dass es spezielle Data-Science-Studiengänge erst seit wenigen Jahren in Deutschland gibt.

Aufstiegsmöglichkeiten im Beruf

Prinzipiell gibt es für Data Scientists drei Möglichkeiten, sich im Unternehmen weiterzuentwickeln:

1. Die Kultivierung von Spezialfähigkeiten
2. Die Teamleitung
3. Das höhere Management

Gerade weil das Berufsbild noch so jung ist, bieten sich dem Data Scientist hervorragende Möglichkeiten zur Spezialisierung; viele Gebiete warten aktuell nur darauf, besetzt zu werden. Zum Beispiel könnte sich ein Data Scientist darauf spezialisieren, die Akzeptanz und Einführung neuer Technologien vorherzusagen. Das würde zum Beispiel umfassen, wann eine bestimmte Technologie wie Virtual Reality Fuß im Mainstream fassen wird, welche Konsequenzen sich daraus für verschiedene Industrien ergeben und wie Produkte angepasst werden müssen.

Eine zweite Möglichkeit der beruflichen Weiterentwicklung ist die Teamleitung. Ein erfahrener Experte kann im Unternehmen für eine Gruppe von Data Scientists verantwortlich sein. Das betrifft nicht nur das Projektmanagement, sondern auch die Weiterentwicklung der einzelnen Teammitglieder. Hier steigt der Data Scientist also vom technischen Experten zum Koordinator und Mentor auf.

Nicht zuletzt steht zu erwarten, dass Data Scientists in naher Zukunft auch in die oberste Führungsriege des Unternehmens einziehen werden, das sogenannte C-Level-Management. Das ist vor allem dem Umstand geschuldet, dass der Data Scientist einer der zentralen Enabler der Digitalisierung im Unternehmen ist. Mit diesem Background ist er wie dafür gemacht, das Unternehmen bei zentralen strategischen Entscheidungen zu unterstützen.

Welche dieser Aufstiegsmöglichkeiten ergriffen wird, hängt wesentlich von der Art des Unternehmens ab, in dem der Data Scientist tätig ist. Diese langfristige Perspektive sollte immer mitberücksichtigt werden, bevor sich der Data Scientist für eine neue Stelle entscheidet.

Unterstützen Sie die ahd als IT-Experte!

Sie begeistern sich für Big Data und Predictive Analytics? Dann sollten wir uns unterhalten. Als Managed-Services-Provider realisieren wir für unsere Kunden umfangreiche Datenmanagement-Lösungen, ob on-premises oder in der Cloud. Dafür sind wir immer auf der Suche nach serviceorientierten IT-Experten mit Business-Blickwinkel. Informieren Sie sich über unsere Stellenangebote oder kontaktieren Sie uns einfach direkt. Wir freuen uns auf Sie!