Welche Schlüsselkompetenzen braucht ein Data Scientist?

Welche Schlüsselkompetenzen braucht ein Data Scientist?

Data Scientists (zu Deutsch: Datenwissenschaftler) haben einen trügerisch einfachen Job: den Strom von Daten zu entwirren, der als unstrukturierte Menge in eine Organisation gelangt. Denn irgendwo in diesem Wirrwarr finden sich (hoffentlich) wichtige Einblicke.

Doch reicht der geschickte Umgang mit Algorithmen und Datensätzen aus, um als Data Scientist erfolgreich zu sein? Was musst du noch wissen und können, um auf deinen Karriereweg voranzukommen?

Obwohl viele Tech-Profis denken, dass es ausreicht, Daten von der Abfrage zum Abschluss auszuwerten, solltest du außerdem wissen, wie der gesamte Ablauf funktioniert und wie deine Datenarbeit letztendlich Auswirkungen auf Strategien und Einnahmen hat. Die aktuell große Nachfrage in Sachen Datenanalytik bedeutet, dass Unternehmen immer mehr von ihren Datenwissenschaftlern verlangen.

Du brauchst Hard & Soft Skills

Es herrscht ein Mangel in der Datenwissenschaft – eine Kompetenzlücke. Diese Lücke ist enorm und wächst ständig weiter.

Die moderne Datenwissenschaft entwickelte sich aus drei Bereichen: angewandte Mathematik, Statistik und Informatik. In den letzten Jahren hat sich der Begriff “Data Scientist” jedoch erweitert und schließt auch Menschen mit einem Hintergrund im quantitativen Bereich ein. Andere Bereiche – einschließlich Physik und Linguistik – entwickeln vermehrt eine symbiotische Beziehung zur Datenwissenschaft, vor allem durch die Entwicklung von künstlicher Intelligenz, maschinellem Lernen und der Verarbeitung natürlicher Sprache.

Neben den Fähigkeiten in Sachen Mathematik und Algorithmen müssen erfolgreiche Datenwissenschaftler auch die sogenannten Soft Skills - soziale Kompetenzen - meistern. „Sie müssen daher auch wissen, was im Büro so abläuft“ ist unsere Meinung.

Mit anderen Worten: Um voranzukommen, müssen Datenwissenschaftler mit Menschen zusammenarbeiten, die ein Verständnis für die größeren Zusammenhänge im Unternehmen haben. Sie müssen mit Managern interagieren, die Einfluss auf die weitreichende Strategie des Unternehmens haben, sowie mit Kollegen, die Daten-Ergebnisse in reale Handlungen verwandeln. Mit dem Input dieser Interessenvertreter können Datenwissenschaftler die richtigen Fragen besser formulieren, um ihre Analysen voranzubringen.

Mit Soft Skills meint man in der Regel auch eine gesunde Neugier. „Im Idealfall liebt es der Bewerber, Daten zu verstehen, und will begreifen, was in der Welt passiert.“

Hinzuzufügen ist: „Bei der Bewerbung um eine Data-Science-Stelle werden die Anwärter oft auch an ihrer intellektuellen Neugier beurteilt, nicht nur an ihren Fähigkeiten. Arbeitgeber möchten vermeiden, dass sie einfach nur vor dem Computer-Bildschirm sitzen.“ Das kann zu einem Problem für solche Datenwissenschaftler werden, die sich hinter den Daten verschanzen und nicht mit anderen Geschäftseinheiten interagieren.

Vertrauen ist gut, Skepsis ist besser

Ein altes Business-Sprichwort besagt: Wenn Sie ein Problem lösen wollen, drücken Sie es in Zahlen aus. Das beschreibt in einer gewissen Hinsicht genau das, was Daten machen. Während der Datenwissenschaftler sich mit Daten auseinandersetzt, müssen die Manager den Sinn dahinter verstehen.

Man kann Daten vertrauen, oder sie infrage stellen. Im ersten Fall riskiert man “GIGO”—Garbage In, Garbage Out (Müll rein, Müll raus). Letzteres erfordert “Daten-Skepsis” – Eine wichtige Fähigkeit für jeden, der täglich mit Daten arbeitet.

Es kann schon sein, dass ein Datenspezialist bis zu 80 % seiner Zeit nur damit verbringt, Daten zu reinigen. So gesehen ist ein Data Scientist nichts Anderes als eine “Daten-Putzkraft”.

In der realen Welt, sind Daten ein unordentlicher Haufen, du benötigst eine gesunde Portion Skepsis beim Betrachten von Daten, die aus dem “wahren Leben” gesammelt wurden. Man kann nicht von einer einheitlichen Verteilung ausgehen: Daten sind die Nebenwirkungen von realen Prozessen.“

Ein guter Datenwissenschaftler bedenkt stets, dass die gesammelten Daten nicht erwartungstreu sind. Sie versuchen, die Daten zu nutzen, um eine Frage zu beantworten. Du darfst dich daher nicht zu weit aus dem Fenster lehnen. Als Faustregel ist das Sammeln von möglichst vielen Daten immer eine gute Strategie.

Auch wenn du kein Datenwissenschaftler bist, ist es nur selten eine gute Idee, den Ergebnissen einer Analyse auf gut Glück zu vertrauen. Wenn du die Ergebnisse einer Analyse studierst, solltest du dir immer eine Reihe von Fragen stellen: Woher kommen die Daten? Was ist das Schlimmste, das passieren kann? Was muss wahr sein, damit die Empfehlung richtig ist?

Voreingenommenheit vs. Objektivität

Gleich am Anfang etwas richtigzumachen, ist noch kein Zeichen des Sieges. Sei daher immer skeptisch. Hast du alle Daten? Sind die Daten zu gut, um wahr zu sein? Der Trick ist, den menschlichen Faktor aus der Gleichung zu entfernen … Lasse einfach die Mathematik für sich selbst sprechen. Der Daten-Skeptiker kann dann den nächsten Schritt machen und zeigen, wie viel von einer Schlussfolgerung nicht rein auf Zufall basieren.

Versuche nicht, perfekt zu sein. Die Lösung, die du erstellst, muss nur dazu ausreichen, den Benutzer von A nach B zu bringen. Baue lieber einen guten, verlässlichen Volkswagen, als einen Cadillac. Manchmal muss man sich eben mit einem Volkswagen begnügen können.

Die Vorurteile des Teams werden oft in Algorithmen eingebaut. Nehmen wir zum Beispiel einen Kredit-Algorithmus, der die Bewerber für ein Darlehen bewertet. Während du vielleicht denkst, dass die zugrundeliegende Mathematik neutral ist, könnte der Programmierer seine Vorurteile in den Code übernommen haben.

Voreingenommenheit ist kein neues Problem. Ingenieure müssen oft “subjektive Entscheidungen” treffen, wenn sie versuchen, Ziele zu erreichen. Sie müssen einzelne Lösungs-Schritte erstellen, die sofortige Bedürfnisse erfüllen. Aber es ist nicht so, dass die zugrundeliegenden Algorithmen Black-Boxes sind: Datenwissenschaftler müssen selbst bestimmen, ob die Software ein gutes Ergebnis ergibt.

Für Datenwissenschaftler sind sowohl technische als auch soziale Kompetenzen notwendig, um erfolgreich im Job zu sein – gepaart mit einer gesunden Portion Skepsis. Um auf der datenwissenschaftlichen Karriereleiter empor zukommen, sollte man den gesammelten Daten nicht einfach blind vertrauen.

Das könnte dich auch interessieren