15.07.2019

Was macht eigentlich ein Data Scientist?

Das Buzzword "Data Science" geistert derzeit durch die Innovationsabteilungen quer über alle Branchen hinweg. Der Job-Titel "Data Scientist" ist einer der häufigsten in einschlägigen Karriere-Plattformen. Doch worum geht es dabei eigentlich? Wir haben mit drei sehr unterschiedlichen Data Scientists gesprochen.
/artikel/was-macht-ein-data-scientist
Was macht eigentlich ein Data Scientist? Wir haben das Sclable-Data Science-Team gefragt
(c) Tobias Fittner: Das Sclable-AI- und Data Science-Team (vlnr.): Sanchit Singh, Ronald Luc, Frank Fichtenmüller, Charles Dietz und Viktor Sandner

„Data Science bezeichnet generell die Extraktion von Wissen aus Daten“ – so lautet die verkürzte Definition auf Wikipedia. Daraus lässt sich eines bereits klar ableiten: Der Beruf „Data Scientist“ lässt sich nicht auf einzelne spezifische Tätigkeiten eingrenzen. Tatsächlich bietet der Job, der auf einschlägigen Karriere-Plattformen von Unternehmen jeder Größe derzeit stark nachgefragt wird, einen großen Spielraum. Dabei sind ganz unterschiedliche Kompetenzen vonnöten.

+++ Mehr zum Thema Human Ressources +++

„Lauter offene Münder“

Ein Unternehmen, bei dem Data Science zum Kerngeschäft gehört, ist der Business Accelerator Sclable mit Hauptsitz im Wiener weXelerate. Dort unterstützt man seit sieben Jahren Kunden aus der nationalen und internationalen traditionellen Industrie wie Umdasch Group Ventures und ihr Schwesterunternehmen Doka oder Palfinger in Sachen digitale Transformation. Ein entscheidender Faktor ist dabei die Nutzung von Daten, um Prozesse effizienter zu machen. „Du löst dabei etwas, das für dich eine absolute ‚low hanging fruit‘ ist. Aber beim Kunden siehst du bei der Präsentation der Ergebnisse lauter offene Münder“, sagt Viktor Sandner, Head of Data Science and Methodology bei Sclable.

„Es gibt keinen Data Science Fullstack Developer“

Die Nische Finden

Sandner kommt eigentlich aus dem Biotech-Bereich. „Ich bin in meiner Forschung mit Excel-Tabellen bald an meine Grenzen gestoßen. Ich habe daher programmieren gelernt und es hat sich plötzlich eine ganze neue Welt offenbart“, erzählt er. So habe er begonnen, nach Daten-Lösungen für die gesamte Branche zu suchen und sei damit zum „Experten mit einem gewissen Extra“ geworden – konkret im Bereich Statistik. Denn eines müsse man im breiten Feld der Data Science finden, um zu reüssieren: Eine Nische.

Diverses Data Science-Team

„Es gibt keinen Data Science Fullstack Developer“, sagt auch Sandners Kollege Ronald Luc, Machine Learning Engineer bei Sclable, und ebenfalls ein „Data Scientist“. Man brauche ein diverses Team. Während sich Viktor Sandner mit statistischen Methoden auf die Suche nach teilweise versteckten Korrelationen in großen Datensets macht, ist Lucs Domäne die Vorhersage von Werten mit Hilfe von Deep Learning – teilweise auf Basis von durch seinen Kollegen aufbereiteten Daten. „Manchmal sind aber gar keine Daten vorhanden. Dann erstelle ich mit Hilfe von detaillierten Interviews ein mathematisches Modell zur Vorhersage“, erklärt Luc.

Es braucht nicht immer Deep Learning

Ein weiteres Feld der Data Science deckt bei Sclable Sanchit Singh ab. Der Head of Computer Vision beschäftigt sich mit der Analyse von zwei- und dreidimensionalen Bild-Inhalten. Auch er arbeitet mit Deep Learning – das sei aber nicht zwingend notwendig. „Es lässt sich vieles mit dem klassischen Computer Vision-Ansatz machen, wo auf Basis von mathematischen Modellen Vergleiche durchgeführt werden und Klassifikationen erstellt werden können“, erklärt Singh. Als Beispiel nennt er, der ursprünglich aus dem Medizin-Bereich kommt, die Hautkrebs-Forschung. Dort könnten Bilder von Haut-Anomalien etwa nach dem Abgleich der Parameter Farbe, Form und Symmetrie sehr treffsicher kategorisiert werden. „Das kann z.B. einem Allgemeinmediziner helfen, der selten mit der Krankheit konfrontiert ist, eine erste Verdachtsdiagnose zu stellen“, sagt der Computer Vision-Experte.

Das unvoreingenommene Programm

Deep Learning bringe aber freilich weitere Möglichkeiten. Hier bestünden zwei Ansätze: „Supervised Learning“ und „Unsupervised Learning“. „Während ich beim ‚Supervised Learning‘ gewisse Informationen einfüttere – in unserem Beispiel etwa die bereits als Hautkrebs klassifizierte Bilder, die dem Programm als Grundlage dienen, ist es beim ‚Unsupervised Learning‘ quasi unvoreingenommen und bildet selbstständig Cluster“, erklärt Singh. Dieser Zugang könne unerwartete Zusammenhänge und damit neue Erkenntnisse ans Tageslicht bringen.

Big Data als Fluch und Segen

Voraussetzung für das Gelingen sei gerade beim „Unsupervised Learning“, aber auch in den anderen „Data Science“-Bereichen, das Vorhandensein ausreichender Datenmengen. Und diese können sich für Data Scientists als Fluch und Segen zugleich erweisen. „Wir sprechen hier von Big Data. Je nachdem, um was für Daten es sich handelt, können Datensets aber auch zu groß werden, um sie bearbeiten zu können. Gerade bei Bildern und Videos ist man sehr schnell im Terrabyte-Bereich und muss dann gegebenenfalls ein kleineres Datenset heranziehen oder an großen Computing-Clustern arbeiten“, erklärt Ronald Luc.

Data Scientist – „ein Blick“ für Daten

Und das ist nicht die einzige Herausforderung, mit der man als Data Scientist konfrontiert ist. „Kunden haben häufig zwar große Mengen an Daten, wissen aber gar nicht, was sie damit anfangen können und können daher auch keine Ziele für die Analyse definieren“, erzählt Viktor Sandner. In anderen Fällen würden die Ziele nicht mit den verfügbaren Daten zusammenpassen. „Das kann man aber sehr schnell herausfinden. Nach einiger Zeit hat man einen Blick dafür und sieht sofort, ob das Unterfangen erfolgsversprechend ist“.

„Ich lese jeden Tag zum Frühstück ein Paper“

Ausruhen könne man sich darauf aber nicht. Denn die rapide Entwicklung in dem Bereich erfordere ständige Anpassung. „Die gesamte Technologie, die wir verwenden, ändert sich alle paar Monate“, sagt Sanchit Singh. Für Ronald Luc ergibt sich dadurch eine besondere Morgen-Routine: „Ich lese jeden Tag zum Frühstück ein Paper“.

Redaktionstipps
Deine ungelesenen Artikel:
13.11.2026

„Österreichs Startup-Ökosystem im Benchmark“: Neue Studie liefert Diagnose und konkrete Empfehlungen

Die WU-Wien-Studie "Österreichs Startup-Ökosystem im Benchmark" belegt eine Asymmetrie in Österreichs Startup-Ökosystem: Während staatliche Förderungen überzeugen, bremsen Lücken bei Risikokapital, Transfer und Bürokratie. Bei der Präsentation an der WU diskutierten Expert:innen über mögliche Maßnahmen.
/artikel/oesterreichs-startup-oekosystem-im-benchmark-neue-studie-liefert-diagnose-und-konkrete-empfehlungen
13.11.2026

„Österreichs Startup-Ökosystem im Benchmark“: Neue Studie liefert Diagnose und konkrete Empfehlungen

Die WU-Wien-Studie "Österreichs Startup-Ökosystem im Benchmark" belegt eine Asymmetrie in Österreichs Startup-Ökosystem: Während staatliche Förderungen überzeugen, bremsen Lücken bei Risikokapital, Transfer und Bürokratie. Bei der Präsentation an der WU diskutierten Expert:innen über mögliche Maßnahmen.
/artikel/oesterreichs-startup-oekosystem-im-benchmark-neue-studie-liefert-diagnose-und-konkrete-empfehlungen
Die gut besuchte Studienpräsentation an der WU Wien wurde von brutkasten-Redakteur Dominik Perlaki moderiert | (c) Victoria Nazarova
Die gut besuchte Studienpräsentation an der WU Wien wurde von brutkasten-Redakteur Dominik Perlaki moderiert | (c) Victoria Nazarova

Woran hakt es im österreichischen Startup-Ökosystem tatsächlich und was muss passieren, um diese Schwächen zu adressieren? Das sind die zentralen Fragen hinter der neuen Studie „Österreichs Startup-Ökosystem im Benchmark“ von Benjamin Monsorno und Dorothee Horvath vom Institut für Entrepreneurship und Innovation an der Wirtschaftsuniversität Wien, die in Kooperation mit der eXplore!-Initiative der B&C Privatstiftung und dem Beratungsunternehmen EY entstanden ist.

Zehetner: „Wir werden den Dachfonds auf den Weg bringen, aber ohne weitere steuerliche Incentives wird das alleine nicht helfen.“

Die Studie wurde nun an der WU im Rahmen einer Podiumsdiskussion präsentiert. Den Auftakt bildete dabei eine Eröffnungs-Keynote von Startup-Staatssekretärin Elisabeth Zehetner, die den Status quo heimischer Gründer:innen auf den Punkt brachte: „Man wird für eine gute Idee am Beginn staatlich gut gefördert. Doch wenn es darum geht, in den Markt hinauszugehen und zu skalieren, sagt der Staat logischerweise, dass er nicht mehr der richtige Ansprechpartner ist. Dann ist plötzlich eine Lücke da.“

Staatssekretärin Elisabeth Zehetner hielt eine Keynote zum Start | (c) Victoria Nazarova

Genau hier müsse die Standortpolitik ansetzen, so Zehetner weiter: „Die Rolle des Staates muss es immer sein, Impulse zu setzen und Risiken am Beginn abzufedern. Aber dann müssen wir gemeinsam die Rahmenbedingungen dafür schaffen, dass eben auch der Anschluss funktioniert. Ein wesentlicher Faktor ist der Anreiz für privates Kapital. Wir werden den Dachfonds auf den Weg bringen, aber ohne weitere steuerliche Incentives wird das alleine nicht helfen.“

Studie setzt auf Interaktion verschiedener Faktoren

Die Studie basiert auf einem umfassenden Datensatz des Global Entrepreneurship Monitor (GEM), der 52 strukturelle Rahmenbedingungen in 106 Ländern über einen Zeitraum von zwölf Jahren mit rund 544.000 Datenpunkten umfasst. Zudem floss unter anderem eine ergänzende inhaltliche Analyse von 197 brutkasten-Artikeln über das heimische Startup-Ökosystem ein. Wie Co-Autor Monsorno bei der Präsentation erläuterte, unterscheidet sich das Studiendesign in mehreren Punkten von bisherigen Veröffentlichungen: „Sehr häufig werden in solchen Studien einfach Gründungsraten herangezogen, wo auch Friseursalons und Kebab-Buden reingezählt werden. Hier konnten wir die Zielgröße gezielt herausfiltern: Es geht explizit um ambitionierte Gründungen mit hohem Technologiegrad, starker Internationalisierung und hohem volkswirtschaftlichen Mehrwert.“

Um die komplexen Wirkungsmechanismen des Ökosystems abzubilden, setzten die Studienautor:innen auf Machine-Learning-Algorithmen. „Studien nutzen üblicherweise vor allem lineare Regressionen. Damit kann man viele Faktoren aber gar nicht abbilden. Durch Machine-Learning-Modelle können wir erfassen, wie Faktoren miteinander interagieren. Denn Ökosysteme agieren per Definition miteinander“, so Monsorno.

Asymmetrie in Österreich

Die Ergebnisse zeigen im Vergleich zu sieben strukturell ähnlichen europäischen Industrienationen – Deutschland, die Niederlande, Belgien, die Schweiz, Schweden, Finnland und Dänemark – ausgeprägte Unterschiede. „Man kann es in einem Satz zusammenfassen: Es gibt eine Asymmetrie in Österreich. Wo der Staat stark ist – bei Fördermaßnahmen, Subventionen, Inkubatoren und Technologieparks –, schneiden wir überdurchschnittlich ab. Die Schwächen liegen beim Wissenschafts-Wirtschafts-Transfer, beim privaten Kapital sowie bei Bürokratie und Steuerlast“, führte Monsorno aus. Diese statistisch identifizierten Engpässe decken sich zudem mit einer qualitativen Auswertung der 197 brutkasten-Artikel aus den vergangenen zwölf Jahren sowie Berichten von OECD und IMD.

Co-Studienautor Benjamin Monsorno | (c) Victoria Nazarova

Als entscheidende Erkenntnis der Arbeit hob Monsorno die gegenseitige Abhängigkeit der Standortfaktoren hervor: „Das Spannende ist wirklich, dass wir diese Komplementarität erstmals quantifizieren konnten: 88 Prozent des Einflusses im Ökosystem entstehen durch das Zusammenspiel der Faktoren. In Österreich sind öffentliche Subventionen der wichtigste Anker – zwei Drittel dieser Faktoren werden durch diesen Hebel getragen.“

Reformpaket nach deutschem Vorbild

Bleiben Reformen aus, droht der heimischen Gründungslandschaft bis 2037 laut den Berechnungen ein Rückgang der Rate ambitionierter Gründungen um knapp ein Fünftel. Ein nach deutschem Vorbild geschnürtes Reformpaket – bestehend aus einem Dachfonds nach dem Modell von KfW Capital, einer Transferagentur nach Vorbild der SPRIND sowie einem Forschungszulagengesetz – könnte laut Studie hingegen die Gründungsaktivität bis 2037 um rund 30 Prozent über den Verlustpfad ohne Reformen heben. Voraussetzung dafür ist jedoch der koordinierte Beschluss als Gesamtpaket.

„Startup-Ökosysteme sind nicht wie IKEA-Baukästen“

Dass Einzelmaßnahmen in einem interdependenten Ökosystem verpuffen, bestätigte Christian Friedl, Leiter des Programms Digital Entrepreneurship an der FH Joanneum sowie des GEM Austria, in der Podiumsdiskussion im Rahmen der Präsentation: „Startup-Ökosysteme sind nicht wie IKEA-Baukästen. Du kannst nicht einfach sagen: Es fehlt an dieser Ecke noch etwas, dann geht das automatisch. In der Studie können wir jetzt endlich für Österreich evidenzbasiert herauslesen, wie diese Faktoren zusammenwirken, sich gegenseitig verstärken und welche zeitliche Verzögerung besteht.“

Entrepreneurship-Professor Christian Friedl | (c) Victoria Nazarova

Als neuralgischen Punkt im Wissenstransfer benannte Friedl fehlende Anreize an den Hochschulen: „Geld alleine reicht nicht. Bei den Hochschulen müssen wir diskutieren: Wie schaffen wir Incentives? Im Moment ist fast alles publikationsgetrieben. Das hat für die Forschungsleistung seine Berechtigung, hilft aber wenig für die Verwertung der Forschungsergebnisse.“

Spielball von Klientelpolitik

Die reale Dimension des Defizits bei privatem Risikokapital verdeutlichte Florian Haas, Head of Startup bei EY Österreich und Vorstandsmitglied von invest.austria, anhand von Marktdaten: „Wir erwirtschaften ungefähr 2,7 Prozent der europäischen Wirtschaftsleistung, haben im letzten Jahr aber nur 0,4 Prozent des gesamten Venture-Capital-Volumens bekommen. Rechnet man das um, haben wir eine Finanzierungslücke von 1,2 Milliarden Euro.“ Während die heimische Investorenschaft in der Frühphase noch stark engagiert sei, breche die Beteiligung bei zweistelligen Millionenrunden komplett ab.

EY-Startup-Leiter Florian Haas am Mikrofon | (c) Victoria Nazarova

Den geplanten Dachfonds bezeichnete Haas als unverzichtbaren Impuls, warnte die Politik jedoch vor einer isolierten Betrachtung: „Die große Gefahr bei all diesen Themen ist, dass wir sie separiert denken. Wenn wir Standortpolitik ernst meinen, darf die Frage, ob man Gründungen erleichtert, nicht zum Spielball von Klientelpolitik werden. Was wir wirklich brauchen, ist ein Schulterschluss.“

„Wir müssen viel mehr gemeinsam und europäisch denken“

Auf die besonderen Erfordernisse kapitalintensiver Technologiegründungen verwies Julia Reilinger, Geschäftsführerin von B&C Innovation Investments: „Unser Portfolio ist sehr stark auf Industrial Tech und DeepTech fokussiert. Für uns ist wichtig, dass Technologie fundiert ist – das geschieht meist an Universitäten. Es sollte aber nicht bei der Forschung enden, sondern in einem Unternehmen resultieren.“ Um privates Wagniskapital in solche Vorhaben zu lenken, plädierte Reilinger für flexible staatliche Co-Investitionen: „Matching-Mechanismen, bei denen ein staatlicher Investor das Kapital privater Geldgeber unkompliziert spiegelt, erzeugen eine enorme Hebelwirkung.“

Julia Reilinger, Geschäftsführerin von B&C Innovation Investments, am Mikrofon | (c) Victoria Nazarova

Zugleich unterstrich sie die Notwendigkeit öffentlicher Nachfrage: „In unserer Phase ist relevant, dass der Staat auch als Kunde auftritt, wie etwa in Deutschland das Deutsche Zentrum für Luft- und Raumfahrt im Bereich Quantencomputer, wo Konsortien und öffentliche Aufträge echte Referenzprojekte schaffen.“ Mit Blick auf globale Technologieketten forderte sie mehr europäischen Weitblick: „In DeepTech-Themen wird nicht jedes Land eine eigene Technologie entwickeln können. Wir müssen viel mehr gemeinsam und europäisch denken – auch für die europäische Souveränität.“

Bürokratie als Abwanderungsgrund

Die praktischen Hürden in der Frühphase schilderte Andrei Podlesnyi, Investment Manager beim Hansmann Family Office: „Mit der FlexCo ist sicherlich ein Schritt nach vorne gemacht worden. Aber es ist immer noch viel zu kompliziert und viel zu teuer. Wir geben viel zu viel Geld für Anwälte und Notare aus. Jeder Euro, der nicht in der Produktentwicklung ankommt, führt im internationalen Vergleich zu Nachteilen.“

Investment Manager Andrei Podlesnyi am Mikrofon | (c) Victoria Nazarova

Weil zähe Formalakte wertvolle Zeit kosten, wichen immer mehr Gründungsteams aus: „Ich kenne viele gute technische Gründer, die sagen: Ich habe keine Lust auf diese Notariatsakte und Wartezeiten. Die gehen direkt in die USA, gründen dort eine Delaware-Company, wo Mitarbeiterbeteiligungen etabliert sind und man unkompliziert bauen kann, statt erst Steine aus dem Weg zu räumen.“ Neben dem Abbau administrativer Bremsen forderte Podlesnyi gezielte Anreize wie Beteiligungsfreibeträge, um den Kreis heimischer Business Angels spürbar zu erweitern.

„Es reicht nicht zu warten, dass die Politik das von Top-down für uns erledigt“

In der Schlussrunde sprachen sich die Diskutierenden einhellig dafür aus, ein Reformpaket zügig und als unteilbares Gesamtpaket in Angriff zu nehmen, statt Maßnahmen gegeneinander aufzurechnen oder in Einzelinitiativen zu zerfasern. Christian Friedl brachte aber auch einen anderen Aspekt, bei dem Einigkeit herrschte, auf den Punkt: „Es reicht nicht zu warten, dass die Politik das von Top-down für uns erledigt. Du kannst niemanden zum Gründen zwingen. Wir müssen aus diesem passiven Zuschauen und Jammern herauskommen.“

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Was macht eigentlich ein Data Scientist?