Data Scientist für einen Tag

Der Beruf des Data Scientist ist nicht nur der "hottest job" des Jahres 2016, sondern auch der "sexiest job of the 21st century". Die Wirtschaft sucht händeringend nach den Datenwissenschaftlern und das Interesse dürfte in der Ära der datengetriebenen Digitalität nicht abnehmen - im Gegenteil. Jüngst hatte sogar das Weiße Haus online ganz gezielt und fast schon verzweifelt nach geeigneten Data Scientists gesucht.

Wer die nötigen Skills besitzt und einen Job als Data Scientist bekommt, verdient in den USA durchschnittlich knapp 117.000 Dollar pro Jahr - in Deutschland liegt das Durchschnittsgehalt eines Data Scientist derzeit bei 52.000 Euro pro Jahr. Aber Gehalt ist ja bekanntlich nicht alles. Wir wollten wissen: Wie sieht der Arbeitsalltag eines Data Scientist aus? Wir haben drei junge Menschen gefunden, die aus dem Nähkästchen plaudern.

Data-Scientist-Alltag: Meetings, Analysen & Reportings

Dass ein Data Scientist vermutlich vorwiegend mit Daten arbeitet, dürfte irgendwie klar sein. Weniger klar ist hingegen, dass auch die Big Data Analytics-Experten einen nicht unerheblichen Teil ihrer Arbeitszeit in Meetings verbringen: "Mein Tag beginnt typischerweise mit Meetings", erzählt Tanu George, Account Manager und Data Scientist bei LatentView Analytics. Diese Zusammenkünfte können den unterschiedlichsten Zwecken dienen, etwa die Identifikation eines Kundenproblems, Fortschritts-Tracking oder die Diskussion und Analyse von Reportings.

Wenn der Vormittag anbricht, nimmt die Meeting-Frequenz schließlich wieder ab: "Das ist die Zeit, wenn es mit der Zahlenzauberei losgeht", erzählt George und schiebt nach, dass es dabei meist darum geht, die in den vorherigen Meetings aufgeworfenen Fragen zu beantworten. Auch ihre Nachmittage verbringt die junge Amerikanerin hauptsächlich mit kollaborativen Meetings.

Dort werden dann die erarbeiteten Zahlen und Fakten interpretiert und gemeinsam analysiert, bevor die Ergebnisse am Ende eines Tages per E-Mail verbreitet werden. Ungefähr 50 Prozent ihrer Arbeitszeit - so die Schätzung der jungen Frau - verbringe sie mit Meetings, weitere 20 Prozent gehen für Computerarbeit drauf, während die verbleibenden 30 Prozent regelmäßig in Visualisierungen und die Aufbereitung von Daten fließen.

Auch der Alltag des freiberuflichen Data Scientist Ryan Rosario ist von Meetings geprägt: "Die Kunden erklären mir ihr Problem und sagen mir, welches Ergebnis sie sich wünschen. In vielen Fällen hat der Kunde die notwendigen Daten noch gar nicht oder weiß nicht, wie er an sie herankommen soll. Ich helfe dann dabei, einen entsprechenden Plan zu entwerfen."

Big Data: Der Blick für das große Ganze

Auch für Virginia Long, Predictive Analytics Scientist beim Healthcare-Unternehmen MedeAnalytics, besteht ein Großteil ihres Jobs nicht in der direkten Arbeit mit den Daten, sondern darin, einen Blick für das große Ganze zu entwickeln: "Was bedeuten bestimmte Dinge für ein Unternehmen oder einen Kunden? Der erste Schritt besteht darin, das Geschäftsfeld zu verstehen - ich verbringe auch eine Menge Zeit damit, zu recherchieren und zu lesen, um die Probleme verstehen zu können."

Im Anschluss geht es meist darum, zu verstehen, wer welche Daten hat: "Das ist manchmal eine Herausforderung. Die Menschen mögen die Idee, ihre Entscheidungen auf der Grundlage von Daten zu treffen, aber manchmal haben sie einfach nicht die richtigen Daten, um das zu tun. Deshalb gehört es manchmal auch zu meinem Job, herauszufinden, wie man die richtigen Daten sammelt."

Sind die Daten dann gesichert, geht es darum, sich durchzuwühlen und sie zu verstehen: "Das ist die Kehrseite der Medaille bei der grundlegenden Hintergrund-Recherche", so Long, "Man findet wirklich heraus, was hinter den Daten steckt. Das kann manchmal ziemlich langweilig sein, aber ab und zu findet man so Dinge, die einem sonst überhaupt nicht aufgefallen wären."

Quasi nebenbei kümmert sich Virginia Long um die Anfertigung von Lehrmaterial für interne und externe Zwecke. Ihr Ziel: die allgemeine Aufklärung über Data-Science-Techniken. "Wie das bei Hype-Themen immer so ist, sehen die Menschen auf den ersten Blick nur die Vorteile. Deshalb ist es essentieller Teil meiner Arbeit, auch darüber aufzuklären, was möglich ist und wie es funktioniert."

Arbeiten als Data Scientist: Vor- und Nachteile

Für Tanu George sind die regelmäßigen Meetings ein klarer Vorteil bei der Arbeit als Data Scientist: "Sie sorgen dafür, dass ich meinen Job liebe." Für Ryan Rosario, der früher unter anderem als Machine-Learning-Experte bei Facebook gearbeitet hat, haben sich die Präferenzen mit der Zeit verschoben: "Als ich im Silicon Valley gearbeitet habe, war eine meiner Lieblingsaufgaben die Aufbereitung von Daten. Denn die kommen oft in Form eines Wusts zu uns - und ich sorge dann dafür, dass das Ganze verwertbar wird."

Auf der anderen Seite liebt Rosario aber auch seine Eigenschaft als Berater und zeigt den Menschen gerne, was mit Hilfe von Daten eigentlich möglich ist: "Viele Leute sind sich bewusst, dass sie Hilfe mit ihren Daten benötigen, aber sie wissen nicht, was damit möglich ist. Wenn man es schafft, ihnen die Augen für die neuen Möglichkeiten zu öffnen, fühlt sich das ein bisschen wie Magie an. Das ist mein absoluter Lieblingspart im Job."

Virginia Long findet an vielen Aspekten ihres Jobs Gefallen - etwa der anfänglichen Recherche zum Kontext des Problems oder der Beschaffung der notwendigen Daten. Und die weniger schönen Seiten? "Ich ziehe es vor, keine Projekte zu managen", gibt Long preis. "Denn dann muss ich Zeit dafür aufwenden, die Prioritäten aller anderen zu managen, während ich nebenbei versuchen muss, meine eigentlichen Aufgaben zu bewältigen."

Ryan Rosario hingegen macht keinen Hehl daraus, dass er als ausgebildeter Data Scientist und Statistik-Experte eher wenig Interesse an Systemarchitektur und Software-Programmierung hat.

Zukunftsaussichten für Data Scientists

Dass Data Scientists zuversichtlich in die Job-Zukunft blicken können, steht quasi außer Frage: "Ich glaube, in Zukunft werden Daten einen noch höheren Stellenwert einnehmen", so Tanu George - insbesondere im Hinblick auf die Entwicklung des Internet of Things. "In Zukunft werden alle Rollen im oberen und mittleren Management einige Aspekte des Datenmanagements beinhalten."

Ryan Rosario sieht das ganz ähnlich: "Die steigende Fokussierung auf Daten bedeutet, dass eine ganze Menge Mehrarbeit geleistet werden muss. In Zukunft werden Dinge wie die Entwicklung von Algorithmen und Systeme, die Datenströme zusammenführen, deutlich an Bedeutung gewinnen. Das Internet der Dinge und das Streamen großer Datenmengen werden die nächsten großen Themen." Daneben sieht Roasario auch die Themen IT-Security und Datenschutz im Kommen.

Laut Long werden Data Scientists oft als "unicorns" gesehen. Das bedeutet, von ihnen wird erwartet, dass sie so gut wie alle Bereiche alleine abdecken können - auch wenn es darum geht, Code zu schreiben, eine Datenanalyse durchzuführen oder eine Datenmanipulation aufzudecken: "Wenn nur eine Person für alles zuständig ist, wird es immer schwierig. Ich hoffe sehr, dass zukünftig verschiedene Menschen mit unterschiedlichen Skillsets in diesem Beruf arbeiten können."

Tipps für angehende Datenspezialisten

Für diejenigen, die eine Karriere als Data Scientist anstreben, haben unsere drei Spezialisten auch noch einige Tipps auf Lager. Ryan Rosario empfiehlt in jedem Fall, erst einmal einen Master-Abschluss anzustreben. Anschließend sei es ebenfalls nicht verkehrt, zu versuchen, "in Daten zu denken": "Wir haben alle unsere eigenen, persönlichen Probleme, ob es nun um das Management der Finanzen oder die Planung des Urlaubs geht. Versuchen Sie einfach mal zu überlegen, wie diese Probleme mit der Hilfe von Daten lösen können."

"Ich glaube, die beste Vorbereitung auf diesen Job ist ein Grundverständnis der wissenschaftlichen Methodik beziehungsweise davon, wie man Probleme angeht. Dieses Wissen entscheidet darüber, wie Sie mit Daten umgehen und was Sie damit machen", meint Virginia Long. Mit den nötigen Werkzeugen für den Job könne man sich jederzeit vertraut machen, entscheidend für den Erfolg sei jedoch die Fähigkeit, Probleme strukturiert anzugehen und zu lösen.

Natürlich sollten Data Scientists aber auch die Ergebnisse ihrer Arbeit gut präsentieren können, wie Tanu George hervorhebt: "Es gibt viele Details zu beachten. Wenn man aus den Daten eine Geschichte stricken kann, gibt es keinen besseren Job".

Mit Material von IDG News Service.