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:
20.11.2024

Vier mentale Stärken für Founder:innen und deren Unternehmen

Coach Ferry Fischer verrät in seinem Gastbeitrag, welche vier Techniken Gründer:innen nutzen können, um ihre mentale Stärke aufzubauen.
/artikel/vier-mentale-staerken-fuer-founderinnen-und-deren-unternehmen
20.11.2024

Vier mentale Stärken für Founder:innen und deren Unternehmen

Coach Ferry Fischer verrät in seinem Gastbeitrag, welche vier Techniken Gründer:innen nutzen können, um ihre mentale Stärke aufzubauen.
/artikel/vier-mentale-staerken-fuer-founderinnen-und-deren-unternehmen
Ferry Fischer, Coach und Unternehmensberater (c) Ferry Fischer

Du siehst einen Golfprofi, wie er auf den letzten Löchern der finalen Runde ruhig und voller Konzentration den Fokus behält und das Turnier souverän gewinnt. Kann er das, weil er so talentiert ist oder weil er geheime Tricks kennt? Nein, er kann das, weil er sich selbst kennt und kontinuierlich seine mentale Fähigkeiten, die jede:r besitzt, entwickelt hat.

Selbstvertrauen kommt von Selbstbewusstsein. Je bewusster ich mir über meine Fähigkeiten und meine Schwachstellen bin (und natürlich auch, wie ich damit gut umgehen kann), desto mehr entwickle ich Vertrauen in mich selbst. Das ist ein Prozess stetiger Reflexion und Entwicklung.

Ich selbst halte mich für einen durchschnittlich talentierten Sportler und habe jeden Sport, den ich ausgeübt immer erst sehr spät begonnen. Dennoch war ich ehrgeizig und wollte was erreichen, also habe ich einen wichtigen Aspekt des Erfolges mehr entwickelt als die anderen. Die mentale Stärke. Und damit ist mir sowohl im Sport als auch im Beruf weit Überdurchschnittliches gelungen.

Hier stelle ich dir nun meine „Best Of Mental-Stärken“, bzw. Techniken vor, damit du auch davon profitieren kannst.

1. Resilienz: Der Umgang mit Rückschlägen

Im Sport ist Scheitern unvermeidbar – Golfer:innen, Tennisspieler:innen, etc. verlieren die allermeisten Turniere und gewinnen nur wenige. Mental starke Athlet:innen wissen: Eine Niederlage macht sie nicht zum Versager oder zur Versagerin, sondern gibt ihnen die Chance, zu lernen und zu wachsen.

Wichtig ist, dass ich weiß, dass ich es schaffen kann und von jeder Niederlage lerne. Unbeirrbar gehe ich meinen Weg, aber ich hinterfrage mich ständig und passe mich durch die Erfahrung des temporären Scheiterns an.

Wenn du im Golf den ersten Schlag gleich mal in den Wald schlägst und die Nerven bewahrst, mit dem Mindset „das braucht jetzt genau mich, um doch noch erfolgreich das Loch zu Ende zu spielen“, dann gibst du dem Erfolg eine gute Chance. Wenn du es dann schaffst, ist das Erfolgserlebnis umso größer. Schaffst du es nicht, dann nimmst du deine Learnings, gehst zum nächsten Loch und bist um ein Stück erfahrener, um mit einer ähnlichen Situation nun besser umzugehen (wie du das noch zwischen zwei Löchern schaffen kannst, zeige ich dir im Punkt 3).

Umsetzung für Founder:innen:

Lernperspektive einnehmen: Nach jedem Rückschlag bewusst analysieren: „Was lief gut? Was lief schlecht? Was lerne ich daraus?“ (am besten schriftlich, das verstärkt es noch) Fehlerkultur etablieren: Im Team kommunizieren, dass Fehler und Misserfolge ein natürlicher Teil des Wachstumsprozesses sind und Lessons Learned nach jedem Projekt etc. einfordern.

2. Klare Zielsetzung: Der Kompass zum Erfolg

Wenn ich mir etwas vorgenommen habe, dann habe ich nie aufgegeben (und schon gar nicht aus Frust oder Enttäuschung), war jedoch stets bereit, mich aufgrund der Erfahrungen anzupassen. Das heißt, entweder habe ich mein Tun angepasst, um das Ziel zu erreichen oder ich habe das Ziel nach einer strukturierten Analyse der Fakten verändert oder verworfen (das ist für mich kein Aufgeben, sondern eine wohl durchdachte und selbstreflektierte neue Entscheidung).

Manchmal öffnen sich Möglichkeiten, die du nie für möglich gehalten hast und die sich erst ergeben, weil du dran geblieben bist. Solange ich an meine Vision glaube und bereit bin, mich, den Weg und die Rahmenbedingungen stets zu hinterfragen, kann mich nichts aufhalten. Das Ziel ist das Ziel, der Weg muss sich dem Ziel anpassen und ich mich auch.

Umsetzung für Founder:innen:

Sei dir klar, was du mit deinem Unternehmen erreicht haben willst: Setze dir nun (Zwischen-)Ziele, die dich dorthin bringen werden, und verfolge sie. Wenn du diese Ziele nicht erreichst, dann passe an (Schritte, Methoden, Zwischenziele). Aber verliere nicht das visionäre Ziel aus den Augen! OKR als Methode hilft da besonders gut!

Miss es oder vergiss es: Damit wir uns den Fortschritt nicht schönreden, was sehr leicht geschieht, müssen wir messen und laufend anpassen. Aber nie das große Ziel aus den Augen verlieren. Was leicht geht: genießen und dann mehr davon. Was schwer geht, noch einmal probieren und dann hinterfragen! Mein Motto dabei: „Face the brutal facts!“

3. Mentale Visualisierung: Erfolg beginnt im Kopf

Dabei gibt es zwei Ausrichtungen:

1. Mentales Vorerleben: Du siehst das Erreichen des Ziels vor Augen. Oder den erfolgreichen Abschluss mit Investor:innen.

Es zahlt sich aus, im Unterbewusstsein das Erfolgserlebnis im Vorhinein auszulösen, um dein Selbstbewusstsein zu stärken und den Fokus auf Erfolg zu lenken. Kein:e Slalomläufer:in der Welt würde den Slalom in Angriff nehmen, ohne vorher den erfolgreichen Lauf visualisiert zu haben. Würde er/sie das nicht machen, wäre ein Ausscheiden wohl das sichere Ergebnis.

Ich stelle mir vor schwierigen Gesprächen immer vor, wie das Gespräch zur Zufriedenheit beider gut endet. Nicht, wie es verläuft, denn das ist egal, Hauptsache es endet gut. Wenn dann das Gespräch oder die Verhandlung eine komische Richtung einnimmt, dann sage ich mir: „Interessant, wie sich das gerade entwickelt. Gut dass ich weiß, wie es ausgeht!“. Mit dieser Technik ist ein Erfolg nicht garantiert, aber die Erfolgswahrscheinlichkeit steigt enorm.

2. Mentales Umerleben: Das Gehirn unterscheidet nicht zwischen real und imaginär Erlebtem. Es speichert beides als Erfahrung ab. Das können wir uns zu Nutze machen.

Wenn also etwas schief gelaufen ist, dann setze dich hin und erlebe die Situation so, wie sie optimal hätte verlaufen sollen. Spiele die Situation ideal durch und speichere so einen Erfolg ein, an den sich dein Unterbewusstsein dann in der nächsten ähnlichen Situation erinnern wird.

Umsetzung für Founder:innen:
Vorbereitung durch Visualisierung: Stelle dir vor einem Pitch oder einem schwierigen Gespräch vor, wie du souverän auftrittst und dein Ziel erreichst. Mentales Umerleben durchspielen: Nimm jeden Misserfolg her, analysiere, was schief gelaufen ist und wie du es hättest besser oder ideal machen können und spiele dann die Situation mit der Idealversion durch. Nimm die Erfolgsgefühle dabei war, das steigert noch den Effekt.

4. Selbstdisziplin: Die Kunst der konstanten Umsetzung flexibler Planung

Erfolg ist immer das Ergebnis des Tuns. Du kannst daher den Erfolg nicht machen, sondern nur ermöglichen. Machen kannst du aber deinen täglichen Beitrag. Daher überlege dir, was du jeden Tag ganz konkret tun kannst, um deinen gewünschten Erfolg zu schaffen. Setze dir Zwischenziele, um zu überprüfen, ob du den erwünschten Fortschritt erreichst. Erreichst du den Fortschritt nicht, dann überlege, ob das Ziel richtig gewählt ist und/oder ob das tägliche Tun ausreicht und passe bei Bedarf an.

Jetzt ist es wichtig, den täglichen Zweifel auszuschalten. Einmal in der Woche oder alle zwei Wochen darf angepasst werden. Täglich wird getan und abgehakt. Das funktioniert! Alleine durch das tägliche Abarbeiten des Plans deines eigenen Beitrags entsteht ein Erfolgserlebnis, das dich vorantreibt.

Wie ich mit Hockey im Alter von 21 Jahren begonnen habe und mir zum Ziel gesetzt habe, es in die erste österreichische Liga zu schaffen, war mir klar, dass mir technisch nahezu jeder Hockeyspieler, der von Kindheit an trainiert hat, überlegen sein wird. Was ich aber tun kann, war meine mentale Stärke und meine körperliche Kondition mehr zu entwickeln, als die anderen. Ich hatte einen genauen Plan für beides und nach 10 Jahren hatte ich es geschafft. Um die Zeit war ich sogar den österreichischen Nationalspielern, mit denen ich einmal trainiert habe, konditionell und mental überlegen. Ich habe in dieser Zeit jede Woche nach einem Plan trainiert und diese Pläne laufend nach meinen Fortschritten und Rückschritten angepasst. Heute würde man sagen, ich habe nach OKR trainiert. Das gab es damals aber noch nicht als Begriff.

Umsetzung für Founder:innen:
Routinen etablieren: Plane deinen täglichen Beitrag zum Erfolg und halte dich an diese Struktur. Überlegt anpassen: Passe deinen Plan nur in ruhigen Momenten an, nicht wenn unter der Woche Frust oder Zweifel aufkommen. Alles braucht seine Zeit, sich zu entwickeln und daher ist es wichtig, Pläne in Ruhe und überlegt zu erstellen und anzupassen. Wenn es aber keine messbare Entwicklung gibt, dann ist es auf jeden Fall Zeit, anzupassen.

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?