Coole Berufsperspektiven für Techies

Was bedeutet Data Science?

Data Science hört sich wie ein neues Buzzword an. Den Begriff gibt es allerdings schon seit vielen Jahrzehnten. Erstmals tauchte er in den 1960er Jahren auf und begann im darauffolgenden Jahrzehnt den wissenschaftlichen Diskurs zu erobern. Ursprünglich sollte Data Science den Begriff Informatik ersetzen, woraus allerdings nichts wurde. So richtig spannend wurde es erst in den 1990ern, als mit Data Science quasi eine neue Disziplin entstand. Neue R (Programmiersprachen) wieP „R“ oder Python betraten damals die Bühne. Während mit „R“ ein Sprachkonzept speziell für statistische Berechnungen auftauchte, kam mit Python eine völlig neue und umfassende Programmiersprache auf den Markt.

Trotz knapperer Strukturen noch gut lesbar zu sein, war das erklärte Ziel von Python. Die Programmiersprache bietet mehr grundlegende Datentypen als andere Sprachkonzepte. Um Python herum entstanden eine Vielzahl von Programmbibliotheken, die größtenteils Open Source sind. Hierzu zählen die Datenbibliothek Pandas für die Analyse und Verwaltung von Daten, die mehrdimensionale Arraybibliothek NumPy, die in Python geschriebene Deep-Learning-Bibliothek Keras sowie das Framework Apache Spark. Zusammen mit Python bildet es als PySpark ein starkes Doppel zur Analyse großer Datenmengen.

Eine weitere Python-Bibliothek für maschinelles Lernen ist Scikit-learn, die Klassifikations- und Regressionsverfahren wie Random Forest unterstützt. Durch Datenanalyse und Statistik als neue Form der wissenschaftlichen Auswertung geriet Data Science in unseren Tagen vor allem im Zusammenhang mit Big Data in den Blickpunkt. Hierbei gilt es, die immens wachsenden Datenmengen in den Griff zu bekommen und nutzbringender als bisher auszuwerten. Anfänglich beschränkte sich die Diskussion auf eine neue Datenmodellierung, um Daten aus unterschiedlichen Quellen zu strukturieren und zusammenzuführen.

So richtig Auftrieb erlebte die „Datenwissenschaft“ seit Mitte der Nullerjahre, als die Datenmengen infolge der Digitalisierung immer größer wurden. Schnell wurde dabei klar, dass diese Entwicklung exponentiell verläuft und sich die Datenmengen innerhalb fester Zeitabstände verdoppeln. Durch die Digitalisierung von Transaktionen und der täglichen Nutzung von Social-Media-Diensten erreicht das Datenvolumen aktuell bereits die gigantische Datenmenge von 33 Zettabyte (eine „1“ mit 21 Nullen) im Jahr.

Was macht ein Data Scientist?

Das neu entstandene Berufsbild des Data Scientist lässt sich nicht mit zwei oder drei Sätzen beschreiben. Zu komplex sind die Möglichkeiten der Datenanalyse und Aufbereitung von aussagekräftigen Material. Um es für die ganz Ungeduldigen dennoch zu versuchen: Der Data Scientist strukturiert Datenströme, analysiert darin enthaltenen Daten und erstellt auf dieser Basis aussagekräftige Statistiken. Diese werden aber nicht nur in tabellarischer Form, sondern auch in Form verschiedenartiger Grafiken erstellt, um Ergebnisse so anschaulich wie möglich zu präsentieren. Um zu verwertbaren Ergebnissen zu kommen, braucht der Data Scientist viel solides Datenmaterial und natürlich intelligente Analysetools.

Die klassischen Methoden sind im Bereich der Business Intelligence angesiedelt. Die Daten entstammen ERP-Systemen und werden für Analysezwecke zunächst in eigene Datenbanken (Data Warehouse) eingestellt. Diese Daten beziehen sich aber nur auf das Unternehmen. Die für die zukünftige Geschäftsplanung wirklich relevanten Daten kommen inzwischen längst aus anderen Quellen wie den Social Media. Diese Datenmengen sind ungeheuer groß, weshalb sie auch unter den Begriff „Big Data“ subsumiert werden.

Der Data Scientist muss hier auf Methoden des Machine Learning (maschinelles Lernen) zurückgreifen. Eine wichtige Variante ist dabei das sogenannte „Deep Learning“, eine Methode, die sich künstlicher neuronaler Netze bedient. Zunächst müssen sowohl strukturierte als auch unstrukturierte Datenquellen identifiziert und anschließend für die Analyse die passenden Methoden entwickelt werden. Sofern der Data Scientist diese Aufgaben nicht selbst übernimmt, arbeitet er in dieser Phase mit einem KI-Entwickler zusammen beziehungsweise beauftragt einen solchen mit der Entwicklung geeigneter Methoden.

Ziel ist es, aus Mustern der Vergangenheit Prognosen für die Zukunft zu erstellen. Hierbei helfen Algorithmen wie k-Means, die zur Clusteranalyse verwendet werden. Dabei werden Gruppen aus einer Menge ähnlicher Objekte gebildet. Der empfohlene Zeitraum für diese „Pattern Recognition“ beträgt drei Jahre. Der Data Scientist muss die Rohdaten der letzten drei Jahre so strukturieren, dass wiederkehrende Verhaltensmuster identifiziert werden können. Nur so lassen sich brauchbare Vorhersagen für die Zukunft erarbeiten.

Natural Language Processing (NLP) ein spannendes Aufgabenfeld

Ein Data Scientist analysiert nicht nur „seelenloses“ Datenmaterial, sondern befasst sich auch mit der Auswertung und Erzeugung von Sprache im Rahmen der Computerlinguistik. Diese im Bereich der AI (Künstliche Intelligenz) angesiedelten Aufgabenbereiche werten Sprache aus und versuchen mithilfe von Algorithmen auf gesprochene oder geschriebene Sprache adäquate Antworten zu erzeugen. Die Spracherkennung und Auswertung von Audiodaten verläuft ähnlich wie bei der Auswertung von Zahlenmaterial, wo sich anhand der Erkennung wiederkehrender Muster (Pattern Recognition) die richtigen Schlüsse ziehen lassen. Google nutzt beispielsweise zur Spracherkennung das Framework TensorFlow, eine Eigenentwicklung im Bereich des maschinellen Lernens.

Wo werden Algorithmen benötigt?

Algorithmen sind für den E-Commerce unentbehrlich. Nicht nur in Suchmaschinen kommen sie zum Einsatz, um dem Nutzer relevante Suchergebnisse zu präsentieren, sondern auch um personalisierte, auf den Besucher zugeschnittene Werbung anzuzeigen. Auch das Empfehlungsmarketing ist ein weites Feld, in dem Algorithmen zum Einsatz kommen. Dasselbe gilt für Einkaufsberater, die als Chatbots auf immer mehr Webseiten zu finden sind. Nicht zuletzt spielen Algorithmen zur Datenanalyse bei der Entwicklung und Weiterentwicklung des Data Mining eine zentrale Rolle.

Was sollte ein Data Scientist können oder wie wird man Data Scientist?

Für den Laien hört sich das alles furchtbar kompliziert an. Abstraktes analytisches Denken ist in diesem Beruf genauso unerlässlich wie kommunikative Fähigkeiten und ein Händchen für Zahlen und Statistiken. Der Beruf Data Scientist ist wie so viele andere Jobs in der digitalen Welt kein typischer Ausbildungsberuf. Der Data Scientist bringt eine breite Palette an Fähigkeiten mit, um dieses Berufsfeld sinnvoll ausfüllen zu können.

Neben Programmierkenntnissen in Python, Java, Perl, „R“ und fundierten Datenbank Kenntnissen hat er natürlich auch Fachkenntnisse über die Branche seines Unternehmens. Kommunikative Fähigkeiten sollte er in jedem Fall mitbringen, um sich mit seinen Vorgesetzten – die in der Regel keine Techies sind – austauschen zu können. Dasselbe gilt natürlich auch für die Kommunikation mit den Kollegen und Fachabteilungen im Unternehmen, denn ansonsten verstehen diese nur Bahnhof.

Das Anforderungsprofil hört sich ein bisschen so an wie eine Eier legende Wollmilchsau, doch davon sollte sich der angehende Data Scientist nicht abschrecken lassen. Im Grunde genommen ist der Data Scientist aber dennoch ein kleines Multitalent, das nicht nur über Programmier- und Statistikkenntnisse verfügt, sondern auch als Business-Experte durchgeht und über entsprechende Kommunikationstalente verfügt. Also genau das Gegenteil von einem Fachidioten, der nur eindimensional denken kann, ist hier gefragt. Wer also die IT-technischen Voraussetzungen mitbringt und etwas vom Business versteht, ist für diese Herausforderung bestens gerüstet. Als Bildungsabschluss ist man mit einem Master in jeder Hinsicht gut aufgestellt.

Können auch Quereinsteiger Data Scientist werden?

Damit keine Missverständnisse aufkommen: Wer Data Scientist werden will, muss nicht zwingend Informatik studiert haben. Auch Absolvent/innen der Naturwissenschaft haben gute Aussichten in diesem Beruf Fuß zu fassen. Das gilt selbstverständlich auch für alle Ingenieur/innen und Wirtschaftswissenschaftler/innen.

Wichtigste Voraussetzung ist eine gewisse Affinität zu Zahlen und Statistiken. Wer also aus einer der genannten Fachrichtungen kommt, mit Zahlen umgehen kann und Daten zu analysieren versteht, hat ebenfalls gute Aussichten, in diesem Beruf unterzukommen. Der Bedarf an Data Scientisten wächst beständig und kann auch in absehbarer Zeit nicht allein durch Absolvent/innen der Fachrichtung Informatik gedeckt werden.

Wieviel verdient ein Data Scientist?

Als Berufseinsteiger kann der Data Scientist mit einem Jahresbruttogehalt von durchschnittlich 45.000 Euro rechnen. Dies ist allerdings nur ein grober Orientierungswert. Wie hoch das erzielbare Einstiegsgehalt tatsächlich ist, hängt von verschiedenen Faktoren ab. Nicht nur der Abschluss ist entscheidend, sondern auch die Größe des Unternehmens und vor allem auch die Branche. Nach einigen Jahren Berufserfahrung lässt sich das Gehalt sogar bis auf 68.000 Euro steigern.

Als Faustregel gilt: Je mehr Berufserfahrung ein Data Scientist mitbringt, desto höher das erzielbare Gehalt. Wer Personalverantwortung übernimmt, kann sogar noch mehr als 68.000 Euro verdienen. Das Ende der Fahnenstange ist für den Data Scientist irgendwo zwischen 99.800 Euro und 108.200 Euro erreicht. Alles in allem handelt es sich um einen aussichtsreichen Beruf mit hervorragenden Verdienstperspektiven.